Sistema de apoio à decisão preditivo baseado em dados de tele-saúde

Abstract

A transformação digital no setor da saúde tem impulsionado o desenvolvimento de sistemas de telemonitorização que permitem o acompanhamento contínuo e personalizado dos utentes fora do ambiente hospitalar. A presente dissertação propõe o desenvolvimento de um sistema de apoio à decisão preditivo baseado em dados de tele-saúde, com o objetivo de antecipar situações clínicas críticas através da análise e modelação de dados fisiológicos recolhidos remotamente. Assente na metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining), o estudo utilizou dados fornecidos pela empresa Hope Care, S.A., integrando medições de frequência cardíaca, saturação de oxigénio, pressão arterial, parâmetros de sono e atividade física. Após a limpeza e preparação dos dados, realizou-se a análise estatística descritiva e exploratória que permitiu identificar padrões e correlações entre variáveis fisiológicas e estados de criticidade clínica. Na fase de modelação preditiva, aplicaram-se técnicas de machine learning — Logistic Regression, Support Vector Machine (SVM), K-Nearest Neighbours (KNN), Random Forest (RF) e Complement Naive Bayes — para construir e comparar modelos capazes de prever a ocorrência de alertas clínicos. Os resultados obtidos demonstram o potencial destas abordagens na deteção precoce de anomalias e na otimização do processo de decisão médica. Este trabalho contribui para o avanço da monitorização remota em saúde, promovendo uma abordagem preditiva, proativa e suportada por dados, que potencia a qualidade e a eficiência dos cuidados clínicos.

The digital transformation of healthcare has driven the development of telemonitoring systems that enable continuous and personalized patient follow-up outside hospital settings. This dissertation proposes the development of a predictive decision-support system based on telehealth data, aiming to anticipate critical clinical conditions through the analysis and modeling of remotely collected physiological data. Following the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology, the study used data provided by Hope Care, S.A., which included heart rate, blood oxygen saturation, blood pressure, sleep parameters, and physical activity metrics. After data cleaning and preprocessing, a descriptive and exploratory statistical analysis was conducted to identify patterns and correlations between physiological variables and clinical criticality states. During the predictive modeling phase, several machine learning techniques — Logistic Regression, Support Vector Machine (SVM), K-Nearest Neighbours (KNN), Random Forest e Complement Naive Bayes — were applied to build and compare models capable of predicting the occurrence of clinical alerts. The results demonstrated the potential of these approaches for early anomaly detection and optimization of medical decision-making processes. This work contributes to the advancement of remote health monitoring by promoting a predictive, data-driven, and patient-centered approach that enhances the quality and efficiency of clinical care.