1 INTRODUÇÃO
O censo da FIPE (Fundação Instituto de
Pesquisas Econômicas), encomendado pelo Núcleo Nacional das Empresas de Serviço
de Atenção Domiciliar (SAD) confirma o crescimento substancial do setor de
serviço de saúde domiciliar na última década. Segundo o Cadastro Nacional dos
Estabelecimentos de Saúde (CNES), o número de empresas de serviços de atenção
domiciliar isolados no Brasil saltou de 18, em julho de 2012, para 676 em julho
de 2018. Isso representa um crescimento de 3.656% do setor, no período [1].
Com o colapso do sistema de saúde
causado pela pandemia do novo coronavírus, entre parte de 2020 e com a segunda
onda em 2021, o Brasil volta a ser afetado pela falta de leitos ou pela
escassez de insumos. Diante deste cenário, e do temor da população com relação à contaminação pela Covid-19, a procura por atendimento domiciliar cresceu em 2020. De acordo com a Pronep Life Care – marca do grupo Sodexo – pioneira no setor de serviço de atenção domiciliar no Brasil, houve um
aumento de 36% no número de pacientes em
atendimento, entre dezembro de 2019 até o
mesmo mês do ano passado. No total, foram
realizados 3.410 novos atendimentos [2].
Segundo Zion Market Research [5], o Mercado de Assistência Médica
Domiciliar Global que consiste em mais de 110 páginas que oferecem atualizações
abrangentes de pesquisa e informações relacionadas ao crescimento, demanda e
oportunidades de mercado. De acordo com o relatório, este mercado deve chegar a
US $391,41 bilhões até 2021.
Diante desse cenário, o planejamento
diário de visitas no SAD é um desafio tendo em vista a distribuição de um
conjunto de profissionais de saúde para atender um conjunto de pacientes em um
cenário de expansão.
O HAI (Health Assistive
Intelligence), é a plataforma da Salvus que integra toda a jornada da
assistência domiciliar, tem como objetivo auxiliar desde a indicação da
desospitalização, a operação da atenção, a internação domiciliar e a alta do
paciente. A ferramenta segue todas as exigências regulatórias e requisitos
contratuais das operadoras, eliminando desperdício de tempo dos profissionais,
de materiais e de medicamentos, aumentando a qualidade e a eficiência do
atendimento, com o monitoramento contínuo e integral dos pacientes e da jornada
dos profissionais [3].
Atualmente, este processo ocorre de
forma manual através de um operador humano, onde não há nenhum auxílio à tomada
de decisão de qual configuração de alocação é mais eficiente. O impacto dessa
decisão não apoiada por uma ferramenta implica em aumento do tempo do profissional
no deslocamento, consequentemente aumento de custo de transporte e reduz a
quantidade de pacientes atendidos por dia.
Este trabalho tem como objetivo
apresentar a aplicação de algoritmo genético na gestão de visitas médicas em serviço
de atenção domiciliar. Como estudo de caso foi utilizada a base de dados do
sistema HAI da empresa Salvus. Foi utilizada a metodologia CRISP-DM a fim de se
executar várias iterações de refinamento da solução. Nesse trabalho não será
considerada a preferência de pacientes como por exemplo, ao sexo, hábitos,
idade, afinidade, rejeição do paciente com o profissional ou vice-versa.
2 FUNDAMENTAÇÃO TEÓRICA
2.1 ATENÇÃO DOMICILIAR
Segundo a
ANVISA [4], Atenção domiciliar (AD) termo genérico que envolve ações de
promoção à saúde, prevenção, tratamento de doenças e reabilitação desenvolvidas
em domicílio pode ser
classificada na modalidade de assistência e/ou internação domiciliar. Onde, Assistência domiciliar é conjunto de
atividades de caráter ambulatorial, programadas e continuadas desenvolvidas em
domicílio, e Internação Domiciliar é conjunto de atividades prestadas no
domicílio, caracterizadas pela atenção em tempo integral ao paciente com quadro
clínico mais complexo e com necessidade de tecnologia especializada
O Serviço de
atenção domiciliar (SAD) é a instituição
pública ou privada responsável pelo gerenciamento e operacionalização de
assistência e/ou internação domiciliar [4].
A
descentralização e distribuição de recursos e serviços provê manutenção e
cuidados no conforto do lar dos pacientes, mas também, o desafogamento dos
hospitais, que é, por sua vez, um grande desafio gerencial para uma Serviço de
atenção domiciliar. Dentre os benefícios da atenção domiciliar, podemos citar:
·
Envolvimento da
família e humanização.
·
Atenção
individualizada e manutenção da rotina.
·
Segurança para o
paciente e melhor adesão ao tratamento.
·
Redução do tempo
de internação hospitalar.
·
Menor risco de
infecção hospitalar.
·
Liberação de
leitos.
Segundo a ANVISA [4], a assistência ou internação domiciliar inicia-se na fase de Admissão,
processo que se caracteriza pelas seguintes etapas: indicação, elaboração do
Plano de Atenção Domiciliar e início da prestação da assistência ou internação
domiciliar. E, é finalizado na Alta da Atenção domiciliar, o ato que determina
o encerramento da prestação de serviços de atenção domiciliar em função de:
internação hospitalar, alcance da estabilidade clínica, cura, a pedido do
paciente e/ou responsável, óbito.
2.2 CICLO DE VISITAS
Os pacientes admitidos na AD possuem
um Plano de Atenção Domiciliar (PAD). Segundo o ANVISA [4], o PAD é um documento que contempla
um conjunto de medidas que orienta a atuação de todos os profissionais
envolvidos de maneira direta e ou indireta na assistência a cada paciente em
seu domicílio desde sua admissão até a alta. E este, deve contemplar requisitos
de infraestrutura do domicílio do paciente, necessidade de recursos humanos,
materiais, medicamentos, equipamentos, retaguarda de serviços de saúde,
cronograma de atividades dos profissionais e logística de atendimento. Também,
a periodicidade dos
relatórios de evolução e acompanhamento.
Os profissionais são escalados para
realizar o acompanhamento de vários pacientes e precisam relatar ao SAD. É
através desta escala que os roteiros são criados, por exemplo um profissional P
deve visitar os pacientes A, B e C.
O roteiro realizado pelos
profissionais deve ser o menor possível em termos de deslocamento, e o tempo
total de trabalho diário não pode ultrapassar o limite L, que são horas máxima
permitida por lei que um profissional pode trabalhar em um dia.
2.3 OTIMIZAÇÃO
Para um operador de sistema de uma
empresa de presta serviço de atenção domiciliar, normalmente, há muitos
pacientes e profissionais para serem atendidos e prestarem atendimentos
diariamente, e cabe ao operador encontrar uma combinação onde resulte em
atendimentos de forma eficiente. Normalmente, a determinação desta melhor
combinação depende fundamentalmente da experiência do operador. Técnicas de
otimização podem ser utilizadas para auxiliar o responsável na determinação da
combinação ótima.
O objetivo da otimização é encontrar,
de acordo com o critério escolhido, a melhor solução entre as diversas
combinações possíveis para as variáveis do sistema, mantendo a viabilidade, que
está associada a restrição que deve ser satisfeita [6].
Dentre os métodos de resolução para os
problemas de otimização, existem os métodos exatos e eficientes de resolução, e
métodos não-exatos também conhecidos com heurísticos, uma vez que sua resolução
exata requer um tempo proibitivo. Este trabalho aplica a meta-heurística
Algoritmos Genéticos proposta por Holland [7].
2.3.1 Algoritmos Genéticos
Segundo Holland [7], Algoritmos genéticos são programas
de computador que "evoluem" de maneiras que se assemelham à seleção
natural podem resolver problemas complexos que nem mesmo seus criadores
entendem completamente.
O primeiro passo de um Algoritmo Genético é a geração
de uma população inicial de cromossomos, que é formada
por um conjunto aleatório de cromossomos que representam possíveis soluções do
problema a ser resolvido. Durante o processo evolutivo, esta população é avaliada e cada cromossomo recebe uma
pontuação, denominada aptidão, refletindo a qualidade da solução que ele representa. Em geral, os cromossomos mais aptos são selecionados e os menos aptos são descartados. Os membros selecionados podem sofrer modificações em suas características fundamentais através dos operadores de cruzamento (crossover) e mutação, gerando
descendentes para a próxima geração.
Este processo é repetido até que uma solução satisfatória
seja encontrada [7].
3 MATERIAIS E MÉTODOS
Este trabalho empregou a metodologia
CRISP-DM (Cross Industry Standard Process for Data Mining) a fim de se
executar várias iterações de refinamento da solução.
3.1 ENTENDIMENTO
DO NEGÓCIO
No processo de
planejamento das visitas é necessário alocar profissionais e pacientes, criando
assim o roteiro de visitas. Para isso precisamos de um conjunto de
profissionais, conjunto de pacientes e uma filial referente ao planejamento.
Para simplificar esta etapa, as listas selecionadas devem pertencer a uma única
filial. Através dos Stakeholders da Salvus, podemos identificar que, cada
profissional precisa ter no mínimo uma visita associada para ser constituída
uma rota ou jornada de trabalho, sabendo que o não é possível exceder o limite diário
de trabalho do especialista que irá realizar as visitas. Após concluir todas as
visitas o especialista deve seguir até o endereço da filial para prestação de
contas.
3.2
ENTENDIMENTO DOS DADOS
Os dados foram coletados
do armazém de dados (Data Warehouse) da Salvus, do sistema HAI. As informações que
foram disponibilizadas, constituem-se de:
·
Geolocalização
dos Pacientes: Endereço e identificação.
·
Geolocalização
dos Profissionais: Endereço e identificação.
·
Geolocalização
das Filiais:
Endereço e identificação.
·
Visitas
Realizadas:
Dados de duração de visita.
·
Tipos
de Visitas:
Distinção dentre visitas.
·
Tipos
de Profissão: Distinção entre profissões.
3.3
PRÉ-PROCESSAMENTO DOS DADOS
Durante a avaliação dos
dados foram observadas informações sensíveis e dados irrelevantes ao processo
de otimização. Buscando solucionar, foram executadas três etapas de
pré-processamento, que são elas:
·
Limpeza dos dados, onde foram removidas
informações sensíveis e/ou irrelevantes (por exemplo dados pessoais de
profissionais e pacientes), mantendo apenas dados de identificação e
localização.
·
Redução
dos
dados, onde foram removidos dados de profissionais e pacientes de clientes
teste.
·
Transformação
dos dados,
onde os endereços foram convertidos para o formato de latitude e longitude e
logo após para o formato geohash, que é uma representação em base32 de células
de grades espaciais bidimensionais [8], e adicionado uma chave geohash no valor de
localização, para criptografar as informações. Além disso, identificadores
(id) das tabelas de endereços os foram convertidos para um formato de texto
contendo uma TAG informativa do tipo da entidade mais o valor do identificador,
exemplo “patient-12”, “professional-1345”, “branch-54”.
O pré-processamento resultou
em 5 tabelas:
1. Endereços de Filiais:
·
id:
Identificador da tabela;
·
branchId:
TAG de filial;
·
geohash:
Localização criptografada da filial;
Quadro 1 - Exemplo de tabela. Endereços de filiais
|
ID
|
BRANCHID
|
GEOHASH
|
|
0
|
branch-18
|
7vmdf3kpxpyu
|
Fonte: Os Autores.
2. Endereços de Pacientes:
·
Id:
Identificador da tabela;
·
patientId:
TAG de paciente;
·
geohash:
Localização criptografada do paciente;
Quadro 2 - Exemplo de tabela com endereços de pacientes
|
ID
|
PATIENTID
|
GEOHASH
|
|
32
|
patient-2476
|
7vmdf9mq5vmy
|
|
39
|
patient-2483
|
7vmdt5fuqd1m
|
|
42
|
patient-2486
|
7vmduqn74y44z
|
|
53
|
patient-2497
|
7vmdu3zjyusy
|
|
54
|
patient-2498
|
7vmdtjume49w
|
Fonte: Os Autores.
3. Endereços de Profissionais:
·
Id:
Identificador da tabela;
·
professionalId:
TAG do profissional;
·
profession:
Tipo de profissão;
·
geohash:
Localização criptografada do profissional;
Quadro 3 - Exemplo de tabela com endereços de profissionais
|
ID
|
PROFESSIONID
|
PROFESSION
|
GEOHASH
|
|
32
|
professional-224
|
enfermeiro
|
7vmdt5e3w4vd
|
|
39
|
professional-225
|
enfermeiro
|
7vmdt3j32tsm
|
|
42
|
professional-227
|
enfermeiro
|
7vmdmnzzctd9
|
|
53
|
professional-228
|
enfermeiro
|
7vmdt12vgfd8
|
|
54
|
professional-230
|
enfermeiro
|
7vmdmjc1h4kq
|
Fonte: Os Autores.
4. Visitas por Profissionais:
·
id: Identificador
da tabela;
·
professionalId:
TAG de profissional
·
profession:
Tipo da profissão;
·
mean_duration:
Média da duração de tempo de visita do profissional;
Quadro 4 - Exemplo de tabela com visitas por Profissionais
|
ID
|
PROFESSIONALID
|
PROFESSION
|
DURATION
|
|
0
|
professional-232
|
enfermeiro
|
1205.875000
|
|
1
|
professional-235
|
enfermeiro
|
1200.000000
|
|
2
|
professional-240
|
enfermeiro
|
2120.250000
|
|
3
|
professional-241
|
enfermeiro
|
1337.716216
|
|
4
|
professional-267
|
enfermeiro
|
2149.908046
|
Fonte: Os Autores.
5. Visitas por Profissão:
·
id:
Identificador da tabela;
·
profession:
Tipo de profissão;
·
mean_duration:
Média da duração de tempo de visita da profissão;
Quadro 5 – Exemplo de tabela com visitas por Profissão
|
ID
|
PROFESSION
|
MEAN_DURATION
|
|
0
|
enfermeiro
|
2484.334622
|
|
1
|
fisioterapeuta
|
1029.000000
|
|
2
|
medico
|
1334.555556
|
Fonte: Os Autores.
3.4 MODELAGEM
A implementação do
código foi realizada na plataforma ANACONDA usando a linguagem Python e
bibliotecas, pandas para manipulação de estrutura de dados, pygeohash para cálculo
de distância entre dois valores geohash, geolib para conversão de latitude e
longitude para geohash, numpy pacotes de função auxiliares para operações nos
dados.
3.4.1 Representação da Solução
Cada
solução para o problema é caracterizada pela lista dos profissionais. Cada um
deles precisa conhecer o seu roteiro, isto é, a sequência dos endereços dos
pacientes a serem atendidos por ele. Exemplificando, consideremos o caso de 9 pacientes,
identificados por patient-1, patient-2, patient-3, patient-4, patient-5, patient-6,
patient-7, patient-8 e patient-9. Vamos identificar a filial pelo identificado
branch-0. Um exemplo de solução é a lista de roteiros conforme mostrado na Quadro
6.
Quadro 6 - Exemplo de solução.
|
PROFISSIONAL
|
ROTEIRO
|
|
professional-1
|
patient-1, patient-2
|
|
professional-2
|
patient-3,
patient-4, patient-5, patient-6
|
|
professional-3
|
patient-7, patient-8, patient-9
|
Fonte: Os Autores.
A representação do
cromossomo, para este problema, é uma lista circular com os valores de
identificação. Como o último ponto sempre será a filial devemos adicionar o
identificador da mesma em cada roteiro. Para o exemplo acima a lista circular
ficará:
patient-1 | patient-2 | branch-0 | patient-3
| patient-4 | patient-5 | patient-6 | branch-0 | patient-7 | patient-8 | patient-9
| branch-0
Onde os roteiros são delimitados pelo
ponto da filial, ou seja, inicia-se após uma filial e finaliza na filial. Com isso
conseguimos extrair 3 roteiros:
Roteiro 1: patient-1 | patient-2 | branch-0
Roteiro 2: patient-3 |
patient-4 | patient-5 | patient-6 | branch-0
Roteiro 3:
patient-7 | patient-8 | patient-9 | branch-0
Para remover os valores repetidos
adaptamos a representação adicionando “.” mais um valor numérico incremental na
filial, por exemplo, o valor branch-0 se tornará branch-0.0, branch-0.1 e branch-0.2
todos eles representando o mesmo endereço. Desta forma, temos o cromossomo:
patient-1 | patient-2 | branch-0.0 | patient-3
| patient-4 | patient-5 | patient-6 | branch-0.1 | patient-7 | patient-8 | patient-9
| branch-0.2
3.4.2 Função Custo
Cada possível solução é avaliada por
uma função custo, indicando a qualidade da solução. Por meio do valor calculado
pela função custo para cada solução disponível, é possível comparar as diversas
soluções disponíveis e escolher a(s) melhor(es).
Como observamos na seção anterior,
cada cromossomo possui uma quantidade n roteiros, onde n igual ao número de
profissionais.
O custo de cada roteiro é o somatório
das distâncias multiplicado pela velocidade média de deslocamento (21 km/h),
somado com o tempo estimado da visita. O tempo estimado da visita é a média das
visitas anteriores do profissional. Caso o especialista em questão não possua
dados, o tempo estimado é o tempo global entre todos os profissionais.
Se o resultado do custo do roteiro
exceder o limite de tempo diário de trabalho, o valor do roteiro é multiplicado
por uma constante K fazendo com que o fitness do indivíduo seja incrementado.
Exemplo: Assumindo K = 30, e o limite L é 28.800 segundos, representando 8
horas de atividade para jornada de trabalho. Se o valor fitness para a rota do
profissional N, routeFitnessN exceder o valor L o fitness daquela rota
será routeFitness * K. Com isso a solução será:
onde 
é a correção, assumindo:
·
Valor 1 se o 
for menor que ou igual L.
·
Valor K se for maior que L.
O custo da solução é o somatório dos
custos dos roteiros.
3.4.3 Operadores
Foram considerados neste trabalho os
seguintes operadores conforme Quadro 7.
Quadro 7 - Operadores.
|
TIPO
|
OPERADOR
|
|
Seleção
|
Torneio
|
|
Cruzamento
|
Mapeamento
Parcial (PMX)
|
|
Cruzamento
|
Edge
Recombination (ER)
|
|
Cruzamento
|
Order
Based Crossover (OX2)
|
|
Mutação
|
por
troca (EM)
|
|
Mutação
|
por
inversão simples (SIM)
|
|
Mutação
|
Insertion
Mutation (ISM)
|
Fonte: Os Autores.
4 ANÁLISE DOS RESULTADOS
Os testes foram
realizados, fixando os parâmetros de quantidade de gerações, taxa de mutação,
tamanho da população, quantidade de profissionais, quantidade de pacientes e
alternando os operadores genéticos de cruzamento e mutação, conforme Quadro 8.
Quadro 8 - Parâmetros fixos na execução.
|
PARÂMETROS
|
VALOR
|
|
Tamanho da população
|
40
|
|
Taxa de cruzamento
|
60%
|
|
Taxa de mutação
|
0.05%
|
|
Quantidade de profissionais
|
10
|
|
Quantidade
de pacientes
|
50
|
Fonte: Os Autores.
Parâmetros alternados na execução do
algoritmo genético:
· Operadores de Cruzamento: PMX, Edge
Recombination e Order Based.
· Operadores de Mutação: EM, SIM e ISM
· Convergência K: 3, 4 e 5
O critério de parada usado foi o de
convergência relacionado ao número de gerações onde a média de fitness da população
não melhorou. As figuras de 2 a 7 mostram todos os resultados obtidos.
A Tabela 1 e a Figura
1 representam os valores
obtidos de fitness e tempo de processamento alternando operadores cruzamentos e
mutação. O critério de para foi a convergência k = 3, ou seja, a média fitness
não melhorou em três gerações.
Tabela 1 - Resultados
obtidos de combinações de operadores para convergência k = 3.
|
Combinações de Operadores para k = 3
|
Fitness
|
tempo de execução (segundos)
|
|
PMX e EM
|
140412,54
|
57,3
|
|
PMX e SIM
|
137825,34
|
277,99
|
|
PMX e ISM
|
132011,34
|
106,61
|
|
ER e EM
|
151086,69
|
88,7
|
|
ER e SIM
|
140023,02
|
119,72
|
|
ER e ISM
|
135627,67
|
165,33
|
|
OX2 e EM
|
145197,41
|
156,91
|
|
OX2 e SIM
|
145087,23
|
138,47
|
|
OX2 e ISM
|
129348,87
|
85,81
|
Fonte: Os Autores.
Figura 1 -
Resultados obtidos de combinações de operadores para convergência k = 3.
Fonte: Os Autores.
A Figura 1 mostra os valores obtidos de fitness com os seus respectivos
tempos de processamento. O fitness encontrado representa em segundos o tempo
total gasto no roteiro para os 50 pacientes. Ou seja, quanto menor o fitness
menos tempo de deslocamento e atendimento. Sendo assim, para k igual a 3 o
melhor indivíduo foi a combinação OX2 e ISM com o fitness de 129348,87 e o pior ER e SIM com o
fitness de 151086,69.
Podemos comparar os resultados do pior
e melhor convertendo em horas. Melhor resultado para k = 3 com OX2 e ISM: 35,93
horas de roteiro. Pior resultado para k = 3 com ER e SIM: 41,96 horas de
roteiro. Uma
diferença 6,03 horas de atendimento
e deslocamento.
A Tabela 2 e a Figura
2 representam os valores
obtidos de fitness e tempo de processamento alternando operadores cruzamentos e
mutação. O critério de para foi a convergência k = 4, ou seja, a média fitness
não melhorou em três gerações.
Tabela 2 -
Resultados obtidos de combinações de operadores para convergência k = 4.
|
Combinações de Operadores para k = 4
|
Fitness
|
tempo de execução (segundos)
|
|
PMX e EM
|
140412,54
|
66,5
|
|
PMX e SIM
|
131546,55
|
759,05
|
|
PMX e ISM
|
122755,83
|
282,36
|
|
ER e EM
|
138214,86
|
324,15
|
|
ER e SIM
|
151476,21
|
365,63
|
|
ER e ISM
|
136017,18
|
168,47
|
|
OX2 e EM
|
142999,74
|
162,37
|
|
OX2 e SIM
|
122680,56
|
851,19
|
|
OX2 e ISM
|
116087,52
|
480,9
|
Fonte: Os Autores.
Figura 2 -
Resultados obtidos de combinações de operadores para convergência k = 4.
Fonte: Os Autores.
A Figura 2 mostra os
valores obtidos de fitness com os seus respectivos tempos de processamento. Para k igual a 4 o
melhor indivíduo foi a combinação OX2 e ISM com o fitness de 116087,52 e o pior ER e SIM com o
fitness de 151476,21.
Podemos comparar os resultados do pior
e melhor convertendo em horas. Melhor resultado para k = 3 com OX2 e ISM: 32,24 horas
de roteiro. Pior resultado para k = 3 com ER e SIM: 42,07 horas de
roteiro. Uma
diferença 9,82 horas de atendimento
e deslocamento.
A Tabela 3 e a Figura
3 representam os valores obtidos
de fitness e tempo de processamento alternando operadores cruzamentos e
mutação. O critério de para foi a convergência k = 5, ou seja, a média fitness
não melhorou em três gerações.
Tabela 3 -
Resultados obtidos de combinações de operadores para convergência k = 5.
|
Combinações de Operadores para k = 5
|
Fitness
|
tempo de execução (segundos)
|
|
PMX e EM
|
116018,88
|
4393,10
|
|
PMX e SIM
|
124878,24
|
759,05
|
|
PMX e ISM
|
116162,79
|
282,36
|
|
ER e EM
|
140802,06
|
344,88
|
|
ER e SIM
|
902908,68
|
374,90
|
|
ER e ISM
|
144807,90
|
2408,24
|
|
OX2 e EM
|
145122,14
|
225,74
|
|
OX2 e SIM
|
127465,43
|
763,59
|
|
OX2 e ISM
|
120482,88
|
710,10
|
Fonte: Os Autores.
Figura 3 -
Resultados obtidos de combinações de operadores para convergência k = 4.
Fonte: Os Autores.
A Figura 3 mostra os
valores obtidos de fitness com os seus respectivos tempos de processamento. Para k igual a 5 o
melhor indivíduo foi a combinação PMX e EM com o fitness de 116018,88 e o pior ER e SIM com o
fitness de 902908,68.
O resultado do ER e
SIM foi alto porque algum ou algumas de suas rotas excederam o valor L de 28.800 que é o tempo
limite de trabalho que um profissional pode executar diariamente. Logo, seu valor foi
multiplicado pela constante K para descarte do resultado.
O processo realizado
foi descartar o pior resultado por não atender os critérios e selecionar o
segundo pior resultado, que foi o OX2 e EM com fitness de 145122,14 e comparar
com o melhor resultado.
Podemos compara os resultados do pior
e melhor convertendo em horas. Melhor resultado para k = 5 com PMX e EM: 32,22 horas
de roteiro. Segundo Pior resultado para k = 3 com OX2 e EM: 40,31 horas
de roteiro. Uma
diferença 8,09 horas de atendimento
e deslocamento.
A Tabela 4 mostra uma
comparação de todos os melhores resultados obtidos.
Tabela 4 –
Comparação dos melhores resultados.
|
K
|
Combinações
|
Fitness
|
Tempo
|
|
3
|
OX2 e ISM
|
129348,87
|
85,81
|
|
4
|
OX2 e ISM
|
116087,52
|
480,9
|
|
5
|
PMX e EM
|
116018,88
|
4393,10
|
Fonte: Os Autores.
5 CONCLUSÕES
E TRABALHOS FUTUROS
Neste artigo foi demonstrado
metodologia e os resultados obtidos no desenvolvimento de algoritmo genético
para otimização de distribuição de visitas médicas em serviço de atenção
domiciliar e uma análise comparativa dos resultados utilizando operadores de cruzamento
de mapeamento parcial(PMX), Edge Recombination (ERX) e Order Based Crossover,
operadores de mutação por troca (EM), por inversão simples (SIM) e Insertion
Mutation (ISM) e convergência analisando a aptidão média da população e a
evolução ao longo das gerações como critério parada para os valores 3, 4 e 5
gerações sem melhoria da média fitness da população.
Na análise foi comparado o melhor
custo e o tempo de processamento entre as combinações.
O melhor resultado de menor custo e
menor tempo de processamento, foi usando operador de cruzamento order based
crossover e o operador de mutação ISM obtendo menor custo de 116087.52 segundos
na execução de 480.90 segundos.
Para trabalhos futuros são elencados:
· Ajustar critério de parada para que,
não encerre até que o melhor fitness seja um valor válido.
· Realizar testes com mais combinações
dos parâmetros fixados.
· Realizar testes expandindo os valores
de critério de parada K.
· Integrá-lo com sistema HAI - Salvus.
· Melhorar a performance de métodos implementados.
REFERÊNCIAS
[1] SAÚDE BUSINESS. Censo da FIPE retrata a importância do home care no Brasil
- Disponível em: https://www.saudebusiness.com/mercado/censo-da-fipe-retrata-import%C3%A2ncia-do-home-care-no-brasil
Acessado
em: 04 de nov. 2021 às 12:45.
[2] MEDICINA S/A. Pronep registra aumento de 36% em
atendimento domiciliar - Disponível em: https://medicinasa.com.br/pronep-crescimento
Acessado
em: 04 de nov. 2021 às 12:45.
[3] SALVUS. 10 tendências no mercado de saúde em 2021 - Disponível
em: https://www.salvus.me/blog/10-tendencias-no -mercado-de-saude
Acessado
em: 04 de nov. 2021 às 12:45.
[4] MINISTÉRIO DA SAÚDE, AGÊNCIA NACIONAL DE VIGILÂNCIA SANITÁRIA. Regulamento
Técnico de Funcionamento de Serviços que prestam Atenção Domiciliar.
RESOLUÇÃO RDC Nº 11, DE 26 DE JANEIRO DE 2006. Disponível em: https://bvsms.saude.gov.br/bvs/saudelegis/anvisa/2006/res0011_26_01_2006.html Acessado em: 04 de nov. 2021 às 12:45.
[5] Home Healthcare Market
(Diagnostics And Monitoring Devices, Therapeutic Home Healthcare Devices,
Mobility Assist Devices And Medical Supplies) And Services (Rehabilitation,
Telehealth And Telemedicine, Respiratory Therapy, Infusion Therapy And
Unskilled Home Healthcare Services): Global Industry Perspective, Comprehensive
Analysis, Size, Share, Growth, Segment, Trends And Forecast, 2015 – 202.
Disponível em:
https://www.zionmarketresearch.com/sample/home-healthcare-market
Acessado
em: 04 de nov. 2021 às 12:45.
[6] ALBUQUERQUE,
THIAGO M. MUNIZ. Análise e otimização de problemas térmicos e estruturais
bidimensionais através de método de base reduzida: Dissertação de Mestrado Elaboração:
Recife, 2005.
[7] HOLLAND, J. Adaptation in natural and
artificial systems. University of Michigan Press, 1975.
[8] P. Krauss, E. Bortolini, T. Jean, R. P.
Julião. Geohash Generalizado: uma
metodologia para a implementação de funções de hash geradoras de geocódigos
hierárquicos base32.
2018