| dc.description.abstract | As operadoras de planos de saúde contam com o processo de regulação médica para
garantir a qualidade na liberação de guias de solicitação de procedimentos (guias de
serviços). Normalmente a liberação dos procedimentos é feito pela classificação da
patologia contida na indicação clínica, por haver ligação entre as patologias e o rol de
procedimentos da Agência Nacional de Saúde Suplementar (ANS). Para realizar este
processo, o setor de regulação médica conta com profissionais da área de saúde,
como médicos e enfermeiros. Esse trabalho é moroso e redundante, tornando o
processo oneroso para as operadoras, em termos de custo e tempo de realização. O
reconhecimento automático das patologias na indicação clínica poderá auxiliar o
trabalho manual dos profissionais responsáveis, diminuindo o custo monetário e o
tempo gasto na liberação dos procedimentos, além de tornar possível a aplicação da
IA para automatizar o processo da regulação médica. Foi encontrada na literatura uma
abordagem similar à proposta neste trabalho utilizando técnicas de Handwritten Text
Recognition (HTR) em guias de serviços médicos, porém, para extrair o nome de
remédios das prescrições médicas (E.KAMALANABAN et al., 2018), estando, além
disso, em língua estrangeira. Neste trabalho, é proposto um modelo de
reconhecimento de patologias descritas na in- dicação clínica de guias de solicitações
médicas, escritas a mão por médicos, aplicando técnicas de Convolutional Neural
Networks (CNN) em uma base de dados contendo guias de serviços digitalizadas do
tipo SP/SADT, além de estarem utilizando a língua portuguesa (Brasil). A baixa
ocorrência e a alta variação das patologias exigiu o retrabalho do dataset, onde novas
imagens foram criadas através de técnicas de "zoom" e "rotation". O dataset final
consiste em 3.480 imagens, distribuidas igualmente entre 4 classes. As imagens
originais foram recortadas de guias de solicitações médicas, na seção de indicação
clínica. Foi estabelecida a utilização de uma Deep Convolutional Neural Network
(DCNN), utilizando a arquitetura VGG-16. Foram criados 7 modelos para chegar às
configurações do modelo final. O modelo final alcançou 99% de acurácia no teste e
uma taxa de perda de 0,05% no treino. | pt_BR |
