otimização do stock de plaquetas através do reforço de ... · para se reforçar com colheitas...
TRANSCRIPT
FAC
ULD
AD
E DE M
EDIC
INA
FAC
ULD
AD
E DE C
IÊNC
IAS
Francisco Bischoff. Otim
ização do Stock de Plaquetas através do reforço de dádivas por aférese utilizando previsão de séries tem
porais
Otim
ização do Stock de Plaquetas através do reforço de dádivas por aférese utilizando previsão de séries tem
porais
Francisco Bischoff
Otimização do Stock de Plaquetas através do reforço de dádivas por aférese utilizando previsão de séries temporaisFrancisco Bischoff
M 2015
M.FM
UP 2015
SEDE A
DM
INIST
RA
TIVA
2º CICLO DE ESTUDOS
MESTRADO EM INFORMÁTICA MÉDICA
10
O mização do Stock de Plaquetas através do reforço de dádivaspor aférese u lizando previsão de séries temporaisFrancisco Bischoff
SET 2017
10
O mização do Stock de Plaquetas através do reforço de dádivaspor aférese u lizando previsão de séries temporaisFrancisco Bischoff
Pedro Pereira Rodrigues
SET 2017
v
Agradecimentos
Gostaria de agradecer aos meus familiares que me deram apoio durante todo o percurso do mestrado,em especial à minha tia, Mercedes Oliveira que foi de grande importância em uma fase pessoal complicadapela qual passei durante a metade deste percurso.
Ao meu filho que, hoje com 2 anos, deu-me mais um objetivo pelo qual lutar e trouxe imensa felicidadeaos meus dias.
Ao meu orientador, Pedro Pereira Rodrigues, pela disponibilidade e paciência demonstrada durantetodo este percurso, que foi fundamental para o meu progresso intelectual e aquisição das capacidades im-prescindíveis para a conclusão deste mestrado, assim como pela orientação em momentos de importantesdecisões.
Ao Serviço de Imuno-hemoterapia do Centro Hospitalar de São João, em especial à Diretora Drª Mariado Carmo Koch, pelo apoio e fornecimento dos dados utilizados nesta dissertação e pela oportunidade deformação na área de Imuno-hemoterapia a qual teve fundamental importância na decisão deste tema.
Ao projeto “NORTE-01-0145-FEDER-000016” (NanoSTIMA), o qual é financiado pelo ProgramaOperacional Regional do Norte (NORTE2020), integrante do Acordo de Parceria “Portugal 2020”, eatravés do Fundo Europeu de Desenvolvimento Regional (FEDER).
E finalmente àqueles que direta ou indiretamente proporcionaram as boas condições para a realizaçãodesta dissertação.
vi
vii
Abstract
Blood is a valuable product that we cannot afford losing or not having. Blood donation inflow isvery irregular, and the demand for blood products follows a stochastic pattern. Maintaining an optimalstock that meets requests efficiently is challenging, a fact aggravated by the reduced shelf life of thesecomponents.
Efficient management of platelets stock is one of the most complex aspects of blood bank management.Blood platelets are perishable, and due to their reduced shelf life, the stock level has a very narrow window.
The primary objective of this work is to assess the feasibility of the use of time series prediction inorder to support the apheresis donor recruitment in periods of blood donor deficit, when the productionof pooled platelets is not enough to maintain the stock.
Time series forecast models were trained with real data obtained from the database of Blood BankDepartment of Centro Hospitalar de São João (University Hospital), in order to predict the number ofdonations and platelet transfusions for a horizon of 7 and 30 days and the trend for 120 days.
Thereafter, time lines (of donations and transfusions) were randomly simulated, based on the charac-teristics of the real data (means, standard deviations, frequencies, seasonalities), on which the modelswith better performances in the real data were used to make predictions and to evaluate the results ofincreasing apheresis donations (intervention), with the results without this increasing apheresis donations(control) in the maintenance of the target stock levels.
It was found that time series models can predict with some precision both the number of donations andthe number of platelet transfusions, obtaining a performance superior to the use of means and mediansalone.
In conclusion increasing apheresis donations, based on the proposed algorithm, can reduce the numberof times of insufficient production capacity of pooled platelets without increasing waste for expirationdate. However, it is necessary to take into account the costs inherent in increasing apheresis donationsdue to the number of false positives.
viii
ix
Resumo
O sangue é um produto que deve ser tratado com seriedade. A oferta de sangue doado é bastanteirregular, e a procura por derivados sanguíneos segue um padrão estocástico. É desafiadora a manutençãode um stock que atenda os pedidos de componentes de forma eficiente, sendo ainda mais agravada peloreduzido prazo de validade destes componentes.
A gestão do stock de plaquetas é um dos pontos mais complexos da gestão de um banco de sangue.Devido ao reduzido prazo de validade deste componente, o nível de stock tem uma janela muito estreitae variável.
O objetivo principal deste trabalho é verificar a viabilidade da utilização de previsão de séries temporaiscom a finalidade de apoiar a decisão de reforçar a colheita de plaquetas por aférese para compensar umperíodo de défice de dadores de sangue, situação em que a produção de Pools de plaquetas não é suficientepara manter o stock.
Foram treinados modelos de previsão de séries temporais com dados reais obtidos da base de dados doServiço de Imuno-hemoterapia do Centro Hospitalar de São João, de forma a prever o número de dádivase de transfusões de plaquetas em um horizonte de 7 e 30 dias e a tendência em 120 dias.
Em seguida foram simuladas aleatoriamente linhas temporais (de dádivas e de transfusões), baseadasnas características fundamentais dos dados reais (médias, desvios padrão, frequências, sazonalidades),sobre as quais os modelos com melhores desempenhos nos dados reais foram utilizados para realizarprevisões e avaliar os resultados da compensação, através do agendamento de mais colheitas por aférese(intervenção), com os resultados sem esta mesma compensação (controlo) na manutenção dos níveis alvosde stock.
Verificou-se que os modelos de séries temporais podem ser aplicados com certo grau de precisão paraprever tanto o número de dádivas como o número de transfusões de plaquetas, obtendo um desempenhosuperior à utilização de médias e medianas.
Conclui-se que o agendamento de mais colheitas por aférese, baseado no algoritmo proposto, conseguereduzir o número de situações onde há falta de matéria-prima para a produção de Pools sem aumentar odesperdício. No entanto é preciso ter-se em consideração os custos inerentes ao aumento de colheitas poraférese devido ao número de falsos positivos.
x
xi
Preâmbulo
Em outubro de 2013, durante o 3rd Global Transfusion Symposium, em Wiesbaden, tive a oportunidadede conhecer um grande holandês (certamente uns 190cm de altura), muito bem humorado, chamado EricJansen que, além de propor o melhor conceito de lar de idosos que já ouvi (uma grande casa divididaentre 4 melhores amigos de toda a vida), apresentou uma aplicação, já com um bom avanço, em quecom alguns dados básicos de um serviço de sangue, era capaz de otimizar a gestão do stock de plaquetas.Claramente vi aí uma grande oportunidade para mitigar um dos problemas que o serviço do qual pertençopossuía: o grande problema do balanço entre a falta e o excesso de plaquetas. A implementação destealgoritmo não foi fácil, pois seus maiores “inimigos” eram os próprios médicos, que estavam habituadoscom a balança a pender ao excesso, e, mesmo depois de várias demonstrações do algoritmo a correr emparalelo com o antigo sistema empírico, quando viam o stock a diminuir, criavam ali uma certa tensão,pressionando o setor de processamento a produzir mais. Por fim, a barreira “psicológica” foi vencida ehoje em dia reduzimos em mais de 50% o desperdício, sem necessitar uma única vez de solicitar plaquetasa outro hospital.
Logo após iniciar o mestrado, eu tinha ideias de realizar algum estudo na área do Text Mining, masoutra vez deparei-me com mais uma questão envolvendo plaquetas: a colheita de plaquetas por aférese,que necessita sempre de um agendamento prévio e nosso serviço procurava encontrar o melhor dos diaspara se reforçar com colheitas por aférese de forma a compensar períodos em que menos dadores desangue total iam ao banco de sangue. Neste momento, mais uma vez, notei que era necessário umadecisão objetiva e não empírica para resolver esta situação.
xii
xiii
Índice
Agradecimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vAbstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viiResumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ixPreâmbulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiÍndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiiiLista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvLista de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xviiAcrónimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xix
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3 Justificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113.1 Dádiva de Sangue Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113.2 Dádiva por Aférese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113.3 Armazenamento dos componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113.4 Controlo do Stock de Plaquetas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 Materiais e Métodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154.1 População e Amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154.2 Previsão de Dádivas e Transfusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2.1 Compreensão dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164.2.2 Preparação dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2.2.1 Limpeza dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164.2.2.2 Análise Estatística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164.2.2.3 Seleção dos Dados Climáticos . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.3 Modelação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174.2.4 Avaliação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 Simulações de dádivas, transfusões e stock . . . . . . . . . . . . . . . . . . . . . . . . . . . 184.3.1 Dádivas e Transfusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184.3.2 Algoritmo de previsão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184.3.3 Stock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194.3.4 Avaliação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
xiv
4.4 Impacto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235.1 Dádivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.1.1 Correlação com Dados Climáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295.2 Transfusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305.3 Simulações de dádivas, transfusões e stock . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436.1 Previsões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436.2 Simulações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 446.3 Agendamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 446.4 Impacto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 446.5 Impacto Financeiro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
7 Conclusão e Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
8 Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
xv
Lista de Figuras
Figura 4.1 Validação em Cadeia Progressiva (A), Validação em Cadeia de Tamanho Fixo (B).O bloco cinzento refere-se ao conjunto de treino e o branco ao conjunto de teste. . 18
Figura 5.1 Distribuição de dádivas por dia da semana. . . . . . . . . . . . . . . . . . . . . . 23
Figura 5.2 Distribuição gráfica dos 3 anos de dádivas de sangue em 365 dias. Linha pretamostra a tendência com intervalo de confiança de 95%. . . . . . . . . . . . . . . . 24
Figura 5.3 Decomposição Sazonal e Tendência das dádivas utilizando Regressão Local comfrequência de 7 dias e janela sazonal de 7 dias. . . . . . . . . . . . . . . . . . . . . 25
Figura 5.4 Autocorrelação dos Resíduos da Decomposição Sazonal das dádivas com frequênciade 7 dias e janela sazonal de 7 dias. As linhas tracejadas representam o nível designificância. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Figura 5.5 Previsão de dádivas por TBATS para um horizonte de 30 dias e frequência de7 dias. A linha preta representa os dados reais. A linha cinzenta representa aprevisão e o intervalo de confiança de 95%. . . . . . . . . . . . . . . . . . . . . . . 27
Figura 5.6 Previsão dádivas por HW para um horizonte de 7 dias e frequência de 7 dias. Alinha preta representa os dados reais. A linha cinzenta representa a previsão e ointervalo de confiança de 95%. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Figura 5.7 Previsão dádivas por ARIMA para uma tendência de 120 dias utilizando umafrequência de 365 dias. A linha preta representa os dados reais. A linha cinzentarepresenta a previsão e o intervalo de confiança de 95%. . . . . . . . . . . . . . . 29
Figura 5.8 Distribuição de transfusões por dia da semana. . . . . . . . . . . . . . . . . . . . 30
Figura 5.9 Distribuição gráfica dos 3 anos de transfusões de plaquetas em 365 dias. Linhapreta mostra a tendência com intervalo de confiança de 95%. . . . . . . . . . . . . 31
Figura 5.10 Decomposição Sazonal e Tendência das transfusões utilizando Regressão Localcom frequência de 7 dias e janela sazonal de 7 dias. . . . . . . . . . . . . . . . . . 31
Figura 5.11 Autocorrelação dos Resíduos da Decomposição Sazonal das transfusões com frequên-cia de 7 dias e janela sazonal de 7 dias. As linhas tracejadas representam o nívelde significância. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Figura 5.12 Previsão de transfusões por TBATS para um horizonte de 30 dias e frequênciade 7 dias. A linha preta representa os dados reais. A linha cinzenta representa aprevisão e o intervalo de confiança de 95%. . . . . . . . . . . . . . . . . . . . . . . 33
xvi
Figura 5.13 Previsão de transfusões por HW para um horizonte de 7 dias e frequência de 7 dias.A linha preta representa os dados reais. A linha cinzenta representa a previsão eo intervalo de confiança de 95%. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 5.14 Previsão de transfusões por TAE para uma tendência de 120 dias utilizando umafrequência de 365 dias. A linha preta representa os dados reais. A linha cinzentarepresenta a previsão e o intervalo de confiança de 95%. . . . . . . . . . . . . . . 35
Figura 5.15 Curvas ROC das previsões dos dias com Falta de IPUs. . . . . . . . . . . . . . . . 37Figura 5.16 Visualização gráfica das previsões dos dias com Falta de IPUs para os dados ori-
ginais. Linhas azuis identificam os verdadeiros positivos. . . . . . . . . . . . . . . 38Figura 5.17 Visualização gráfica das previsões dos dias com Falta de IPUs para previsão de 7
dias. Linhas azuis identificam os verdadeiros positivos. . . . . . . . . . . . . . . . 38Figura 5.18 Visualização gráfica das previsões dos dias com Falta de IPUs para previsão de 30
dias. Linhas azuis identificam os verdadeiros positivos. . . . . . . . . . . . . . . . 39
xvii
Lista de Tabelas
Tabela 3.1 Característica de armazenamento de componentes sanguíneos. . . . . . . . . . . . 11
Tabela 5.1 Comparação entre trimestres do número total de dádivas∗. . . . . . . . . . . . . . 24Tabela 5.2 Indicadores de desempenho de previsão de dádivas utilizando Validação em Cadeia
Progressiva∗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26Tabela 5.3 Indicadores de desempenho de previsão de dádivas utilizando Validação em Cadeia
de Tamanho Fixo∗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27Tabela 5.4 Indicadores de desempenho de previsão de dádivas utilizando Validação em Cadeia
de Tamanho Fixo e conjunto de treinos mínimo de 70 dias∗. . . . . . . . . . . . . 28Tabela 5.5 Indicadores de desempenho de previsão de tendência de dádivas suavizada com
Regressão Local∗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29Tabela 5.6 Comparação entre trimestres do número total de transfusões∗. . . . . . . . . . . . 30Tabela 5.7 Indicadores de desempenho de previsão de transfusões utilizando Validação em
Cadeia Progressiva∗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33Tabela 5.8 Indicadores de desempenho de previsão de transfusões utilizando Validação em
Cadeia de Tamanho Fixo∗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34Tabela 5.9 Indicadores de desempenho de previsão de transfusões utilizando Validação em
Cadeia de Tamanho Fixo e conjunto de treinos mínimo de 70 dias∗. . . . . . . . . 35Tabela 5.10 Indicadores de desempenho de previsão de tendência de transfusões suavizada com
Regressão Local∗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36Tabela 5.11 Indicadores de desempenho de previsão de Dádivas e Transfusões durante as
simulações∗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36Tabela 5.12 Comparação entre previsões do número total de transfusões∗. . . . . . . . . . . . 37Tabela 5.13 Indicadores de desempenho da identificação dos dias com faltas de IPUs. . . . . . 39Tabela 5.14 Média dos resultados anuais das simulações de stock. . . . . . . . . . . . . . . . . 40Tabela 5.15 Média anual do custos de agendamento de colheita de CUPs e do desperdício por
prazo de validade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
xviii
xix
Acrónimos
ARMA Autoregressive Moving Average
ARIMA Autoregressive Integrated Moving Average
AUC Área sob a curva, do inglês Area Under the Curve
CHSJ Centro Hospitalar de São João
CUP Concentrado Unitário de Plaquetas
DSHW Double-Seasonal Holt-Winters
ETS Exponential Smoothing
HW Holt-Winters
IPU Interim Platelet Unit
ISEP Instituto Superior de Engenharia do Porto
ME Mean Error
MAE Mean Absolute Error
MAPE Mean Absolute Percentage Error
NNETAR Autoregressive Neural Networks
RMSE Root Mean Square Error
SIBAS Sistema de Gestão de Bancos e Dadores de Sangue
SIH Serviço de Imuno-hemoterapia
STL Seasonal-Trend based on Loess
TA TBATS + ARIMA
TAE TBATS + ARIMA + ETS
TBATS Exponential smoothing state space model with Box-Cox transformation, ARMA errors,Trend and Seasonal components
VC Validação em Cadeia
VCP Validação em Cadeia Progressiva
VCTF Validação em Cadeia de Tamanho Fixo
xx
Introdução
3 Introdução
1. Introdução
O sangue é um produto que deve ser tratado com seriedade. A oferta de sangue doado é bastanteirregular, e a procura por derivados sanguíneos segue um padrão estocástico (Beliën and Forcé, 2012;Abdulwahab and Wahab, 2014) . É desafiadora a manutenção de um stock que atenda os pedidos decomponentes de forma eficiente, sendo ainda mais agravada pelo reduzido prazo de validade destes com-ponentes. A falta de um componente no stock gera grandes custos, tanto para a instituição (que necessitarepor o stock com produtos vindos de outras instituições) como para os doentes (caso não seja possível aobtenção destes produtos). A perda do prazo de validade por outro lado não é facilmente aceitável, vistoque os dadores são um recurso escasso, pois menos de 5% da população apta para a dádiva de sanguerealmente o faz (Schreiber et al., 2006), além das razões éticas e o desperdício inerente de recursos.
A gestão do stock de plaquetas é um dos pontos mais complexos da gestão de um banco de sangue.Devido ao reduzido prazo de validade deste componente, e ainda mais reduzida a disponibilidade domesmo para a sua utilização, o nível de stock tem uma janela muito estreita e variável.
Com a recente implementação do algoritmo de apoio à gestão de stock de plaquetas proposto porvan Dijk et al. (van Dijk et al., 2009) , adaptado ao Serviço de Imuno-hemoterapia (SIH) do CentroHospitalar de São João (CHSJ), verificou-se uma oportunidade de otimização deste processo visto que,em momentos de reduzido afluxo de dadores, o setor de processamento pode não receber a quantidadede matéria-prima suficiente para produzir o número de Pools solicitados pelo algoritmo.
Esta monografia aborda a utilização de séries temporais com o intuito de prever as duas principaisvariáveis envolvidas no controlo de stock (vinda de dadores ao banco de sangue e a utilização de plaquetas)de forma a auxiliar na otimização do agendamento de plaquetas por aférese.
Introdução 4
Objetivos
7 Objetivos
2. Objetivos
O objetivo principal deste trabalho é verificar a viabilidade da utilização de previsão de séries temporaiscom a finalidade de apoiar a decisão de reforçar a colheita de Concentrado Unitário de Plaquetas (CUP)para compensar um período de défice de dadores de sangue, evitando que o algoritmo de produção dePools solicite um total produção de Pools que exceda a capacidade daquele momento.
Como objetivo secundário realizou-se uma comparação de algoritmos de previsão de séries temporaisque melhor se adaptaram ao padrão de chegada de dadores e de procura de plaquetas pelos serviços doCHSJ.
Objetivos 8
Justificação
11 Justificação
3. Justificação
O título desta monografia reflete a ideia fundamental de procurar uma melhor utilização da matériaprima utilizada no banco de sangue. Dada a diversidade de componentes que compõem o sangue e asdiversas formas de os obter e utilizar fazem da gestão dos stocks uma tarefa complexa e inter-dependente.
Existem fundamentalmente duas formas de se obter componentes sanguíneos: através da dádiva desangue total ou através de um procedimento chamado aférese.
3.1 Dádiva de Sangue Total
Realizada em locais próprios para colheita de sangue, tal como unidades móveis que se deslocam paradeterminadas localidades, procurando alcançar populações mais afastadas, ou edifícios construídos parao efeito, estando próximos ou mesmo fazendo parte de um banco de sangue.
Este tipo de dádiva é a mais comum e utiliza um sistema fechado de sacos e a ação da gravidadepara retirar um volume padrão de sangue do dador, o qual depois será processado e separado em trêscomponentes básicos: Plasma, Glóbulos Rubros e Plaquetas.
3.2 Dádiva por Aférese
Realizada exclusivamente nos bancos de sangue, utiliza uma máquina que realiza a extração, sepa-ração e retorno dos componentes não utilizados. Utiliza um sistema fechado e descartável de bombasperistálticas e válvulas que controlam o fluxo do sangue extraído, anticoagulante e solução fisiológicaque é devidamente utilizada de forma a que o volume retornado ao dador seja idêntico ao extraído. Aseparação dos componentes sanguíneos é feita por um processo de rotação centrífuga e extração precisa docomponente desejado através do posicionamento de uma cânula na interface correta. A este procedimentochamamos de aférese, originário da palavra grega aphairesis que significa “ação de separar ou retirar”.
3.3 Armazenamento dos componentes
Os três componentes básicos possuem características de armazenamento completamente diferentes,conforme especificado na Tabela 3.1.
Tabela 3.1: Característica de armazenamento de componentes sanguíneos.
Componente Volume Temperatura ValidadeConcentrado de Glóbulos Rubros 250 mL 2ºC a 6ºC 42 diasPlaquetas 200 mL 20ºC a 24ºC 5 diasPlasma Fresco Congelado 200 mL -18ºC a -30ºC 2 anos
Justificação 12
As Plaquetas são o componente mais perecível presente no banco de sangue e a grande dificuldadeé manter um stock mínimo para que nunca ocorram faltas, nem um excesso evitando que este sejadesperdiçado por ultrapassar o prazo de validade. Esta é uma preocupação constante do responsávelpelo setor de processamento de um banco de sangue, o qual deve decidir a quantidade de produtos dofracionamento que será processada até uma unidade de plaquetas que possa ser transfundida.
3.4 Controlo do Stock de Plaquetas
O stock de plaquetas é composto por dois tipos de produtos de acordo com o tipo de dádiva deorigem. A dádiva de sangue total fornece concentrados plaquetários de 50 mL, denominados InterimPlatelet Unit (IPU), que são posteriormente agrupados em uma unidade chamada Pool de plaquetas,portanto composta por plaquetas de 4 a 5 dadores diferentes. A dádiva por aférese, por outro lado,fornece um CUP proveniente de um único dador. O CUP, embora vindo de um procedimento maiscaro, possui um grau de qualidade elevado e por ser proveniente de um único dador, expõe o receptor deplaquetas a um menor número de dadores durante o tempo em que fará provavelmente diversas unidadesde plaquetas, reduzindo assim o risco de reações transfusionais graves.
Dado seu curto prazo de validade, é necessário que o responsável do processamento do banco desangue esteja muito bem informado em relação ao fluxo de dadores e aos pedidos de componentes feitospelos diversos serviços do hospital. Tomando como exemplo a realidade do Banco de Sangue do CHSJ,o grande consumidor de plaquetas é o Serviço de Hematologia, cujos doentes ao realizar quimioterapiafrequentemente apresentam trombocitopenia. A previsão da quantidade de pedidos de plaquetas queserão feitos depende muito de se saber o prognóstico destes doentes, o que frequentemente não é possívelpor diversas razões como a grande variabilidade das respostas à quimioterapia ou mesmo a falta decomunicação entre os serviços.
Sendo assim, foi de grande importância para o SIH a implementação em 2015 de um algoritmo racionalque foi proposto por van Dijk et al. (van Dijk et al., 2009) cujo impacto foi uma redução de 11,19% para3,95% do número de unidades de plaquetas não utilizadas por ultrapassar o prazo de validade (dados dejunho de 2016). Este algoritmo foca-se na produção de Pools de plaquetas, ou seja, regular a produçãode Pools para que não exceda nem seja inferior ao necessário, o que é facilmente exequível dado que oIPU já está disponível, e apenas é necessário decidir a quantidade de Pools a serem produzidos.
A dádiva de plaquetas por aférese é limitada pelo número de máquinas disponíveis, sendo portantonecessário agendamento da dádiva. Por norma procura-se colher um número constante de CUPs por dia,mantendo variável a produção de Pools.
Dada a variabilidade do número de dadores, nem sempre está disponível uma quantidade suficientede IPUs para a produção de Pools solicitada pelo algoritmo atual, o que introduz um risco de faltar esteproduto em stock.
Para colmatar este problema, esta monografia estuda a abordagem de utilizar o reforço de agenda-mentos de dádivas por aférese com o intuito de reduzir o número de Pools que não possam ser produzidosdevido a falta de IPUs.
Materiais e Métodos
15 Materiais e Métodos
4. Materiais e Métodos
Inicialmente realizou-se uma revisão da literatura em busca de estudos que abordam a previsão donúmero de dádivas, e estudos que abordam a previsão de pedidos de plaquetas ao serviço de sangue.
Diversos estudos abordam o problema da gestão de stock do banco de sangue (Britten and Geurtze,1979; Vrat and Khan, 1976; Fortsch and Khapalova, 2016). Fortsch et al., ao analisar os pedidos desangue, mostra que não existe a necessidade de se criar múltiplos modelos para cada tipo sanguíneo, eque uma previsão conjunta pode ser utilizada (Fortsch and Khapalova, 2016) . Os autores que abordarama chegada de dadores e a previsão do stock de sangue investigaram uma previsão anual de oferta vs.procura (Drackley et al., 2012) , chegada de um dador após agendamento prévio (Bosnes et al., 2005) ou fluxo horário para alocação de recursos humanos(Alfonso et al., 2013; Testik et al., 2012). Não foiencontrado nenhum estudo que tenta prever o número de dádivas diárias ou o número diário de pedidosde plaquetas.
Desta forma optou-se por se realizar uma previsão diária global das dádivas e das transfusões semfazer estratificações por grupo sanguíneo ou por serviço que solicita as plaquetas.
Os modelos de previsão foram treinados com dados reais colhidos previamente com a finalidade decomparar o seus desempenhos. Posteriormente foram simuladas linhas temporais com valores aleatóriosdentro da distribuição normal dos dados reais, com os quais foram comparados os resultados da compen-sação, através do agendamento de mais colheitas por aférese, (intervenção) com os resultados sem estamesma compensação (controlo) na manutenção dos níveis alvos de stock de acordo com o algoritmo jáimplementado (van Dijk et al., 2009).
As colheitas por aférese no CHSJ são realizadas de segunda-feira a sábado com uma meta de 35colheitas por semana. Neste estudo, por razões de simplicidade, foi utilizado uma agenda de cincocolheitas de CUPs por dia, inclusive fins de semana e feriados.
4.1 População e Amostra
A população consiste nas dádivas de sangue total válidas realizadas no SIH obtidas dos registos doSistema de Gestão de Bancos e Dadores de Sangue (SIBAS) tendo como amostra as dádivas de 1 deoutubro de 2012 a 30 de setembro de 2015 (1095 dias). Optou-se por este período devido a alteraçõesde horários de funcionamento do SIH a partir de outubro de 2015. Além desta população, utilizou-se ospedidos de plaquetas efetuados por todos os serviços do CHSJ, tendo como amostra os registos inseridosno SIBAS no mesmo intervalo de tempo supracitado.
Durante este período, todos os pedidos de transfusão fundamentados foram atendidos (não houverotura de stock). Desta forma, o número de transfusões reflete corretamente a dimensão da procura.
Materiais e Métodos 16
4.2 Previsão de Dádivas e Transfusões
Diversos fatores podem influenciar a visita de um dador ao banco de sangue. Em Portugal, a dádiva desangue é voluntária, não-remunerada, baseada na lealdade dos dadores através de uma consciencializaçãosocial, benevolência e o reconhecimento da importância do seu papel em ajudar doentes que precisam desangue e derivados.
Empiricamente observam-se períodos de grande influxo de dadores particularmente durante feriadosprolongados (pontes), a seguir a um fim de semana prolongado ou como resultado de campanhas deincentivo à dádiva. Existe também a hipótese de que o clima possa influenciar o influxo de dadores. Paraisso foram obtidos dados públicos fornecidos pela estação climática do Instituto Superior de Engenhariado Porto (ISEP), disponível no Weather Underground (Weather Underground, 2016). Os dados climáticospossuem informação apenas do referido local (ISEP), aproximadamente 600m de distância do CHSJ.
O consumo de plaquetas, por ser em grande parte influenciado pelo Serviço de Hematologia, é maiordurante os dias úteis, pois são os dias em que há mais consultas do Hospital de Dia do CHSJ.
4.2.1 Compreensão dos Dados
Os dados foram amostrados diariamente, incluindo a data, o número total de dádivas válidas e onúmero de transfusões de plaquetas. Não possui redundâncias e o conjunto de dados está 100% completo.Os dados climáticos também foram amostrados diariamente, com algumas falhas de leitura que foraminseridas através de interpolação. Os dados climáticos foram correlacionados apenas com o conjunto dedados de dádivas.
4.2.2 Preparação dos Dados
Antes de podermos trabalhar de forma eficaz com os dados, é necessário que estes sejam antes obser-vados com o um todo, a fim de permitir a familiarização com a base de dados e que sejam verificadospossíveis padrões interessantes e problemas de qualidade, como completude e redundância, para que nofim tenhamos uma série de dados consistente.
4.2.2.1 Limpeza dos Dados
Após uma observação geral dos dados de dádivas, verificou-se a possibilidade de anomalias, comopor exemplo a ausência de dádivas no dia 1 de janeiro, Páscoa e Natal. Sendo assim, os dados foramagrupados por dia da semana e realizou-se a detecção de anomalias através do método boxplot (Simet al., 2005). Feriados, fins de semana alargados e dias próximos a datas festivas que pudessem enviesar aanálise, foram também identificados como anomalia através do teste de Grubbs bicaudal com significânciade 0,01 (Grubbs, 1950). Os dados identificados como anomalia foram filtrados durante a análise, sendosubstituídos por valores homólogos, como por exemplo, o valor de uma segunda-feira pelo da segunda-feira anterior. O mesmo princípio de detecção de anomalias e substituição de dados foi aplicado nastransfusões de plaquetas.
4.2.2.2 Análise Estatística
Os dados foram alinhados por dia do ano, e dividido em trimestres. A distribuição dos dados tri-mestrais foram avaliados pelo teste Fligner-Killeen (Fligner and Killeen, 1976) de homogeneidade de
17 Materiais e Métodos
variâncias e analisados com ANOVA. A seguir utilizou-se o teste TukeyHSD (Tukey, 1949) para identifi-car as semelhanças e diferenças entre os trimestres.
Ambos os dados trimestrais e diários foram testados para Curtose e Obliquidade através dos testesAnscombbe-Glynn (Anscombe and Glynn, 1983) e D’Agostino (D’Agostino, 1970), respetivamente.
As análises estatísticas descritivas e inferencial foram efetuadas através do software R v3.3.3 disponívelgratuitamente através da R Foundation (R Foundation, 2016), utilizando-se o nível de significância de0,05.
4.2.2.3 Seleção dos Dados Climáticos
Para a análise climática foram selecionados os seguintes atributos: temperatura média, humidademédia, velocidade média do vento e precipitação total. A nebulosidade não estava disponível não tendosido analisada.
4.2.3 Modelação
As séries temporais foram testadas quanto a estacionariedade com o Teste Aumentado de Dickey Fuller(Banerjee et al., 1993; Said and Dickey, 1984) e quanto a sua dependência temporal com Box-Ljung (Ljungand Box, 1978) e decomposto utilizando Seasonal-Trend based on Loess (STL) (Cleveland et al., 1990).Foram escolhidos seis tipos de modelos de previsão: Autoregressive Neural Networks (NNETAR) (Hillet al., 1996), STL com Exponential Smoothing (ETS) (Hyndman et al., 2002), Holt-Winters (HW) (Holt,1957; Winters, 1960), Autoregressive Integrated Moving Average (ARIMA) (Peiris and Perera, 1988),Double-Seasonal Holt-Winters (DSHW) (Taylor, 2003) e Exponential smoothing state space model withBox-Cox transformation, ARMA errors, Trend and Seasonal components (TBATS) (De Livera et al.,2011). Também foram avaliados os ensembles com as melhores composições dos métodos anteriores.
Os métodos de decomposição, análise e previsão de séries temporais foram realizados utilizando abiblioteca forecast disponível gratuitamente através da R Foundation (R Foundation, 2016)
4.2.4 Avaliação
Embora exista um teste conhecido para a comparação de previsões, Diebold-Mariano (Diebold, 2015),o próprio autor afirma que este teste foi desenhado para comparar previsões e não modelos. Deste modoutilizou-se um tipo de “cross-validation” otimizado para séries temporais, o qual é chamado de chainvalidation, ou Validação em Cadeia (VC) (Bergmeir, 2015) conforme descrito a seguir.
A forma de VC aplicada nesta dissertação utiliza uma primeira secção da série temporal como conjuntode treino e uma segunda secção de 120 dias como conjunto de teste. Foram utilizados dois desenhos:Validação em Cadeia Progressiva (VCP) e Validação em Cadeia de Tamanho Fixo (VCTF), ambos comdez repetições (10-fold). Na primeira forma, o conjunto de treino é composto por uma amostra pequenae a cada repetição mais dados são agregados ao conjunto de treino; na segunda forma, o conjunto detreino tem um tamanho fixo utilizando diferentes amostras dos dados, conforme exibido na Figura 4.1.
Materiais e Métodos 18
A
B
Figura 4.1: Validação em Cadeia Progressiva (A),Validação em Cadeia de Tamanho Fixo (B). O blococinzento refere-se ao conjunto de treino e o brancoao conjunto de teste.
Como indicadores de desempenho das previsões foram considerados os seguintes: Mean AbsoluteError (MAE) e Root Mean Square Error (RMSE). O MAE reflete a média dos valores absolutos dasdiferenças entre o real e o previsto. Diferentemente do MAE o qual é uma medida linear, o RMSE é umamedida quadrática cujo resultado atribui mais peso a erros maiores. É uma medida útil quando errosmaiores são particularmente indesejados. O Mean Error (ME) também é importante para avaliar se omodelo tende a sobrestimar (ME < 0) ou subestimar (ME > 0) a previsão. Neste estudo um modelo quesubestima a previsão de dádivas e sobrestima o número de transfusões é preferível ao seu oposto visto quepermite uma maior sensibilidade em identificar os períodos de alta procura e baixo número de dádivas.
4.3 Simulações de dádivas, transfusões e stock
Com um a obtenção de modelos que demonstraram reduzir o grau de incerteza nas previsões dedádivas e de transfusões, prosseguiu-se para a simulação de diversas linhas temporais e subsequenteaplicação destes modelos, juntamente com o algoritmo descrito a seguir, para verificar sua influência nostock de plaquetas.
4.3.1 Dádivas e Transfusões
Foram criados 1000 conjuntos de dados de dádivas e transfusões a partir das médias e desvios padrãodos dias da semana dos dados reais retirados do SIBAS somado ao padrão de sazonalidade anual extraídodos dados reais. Os primeiros 900 conjuntos foram utilizados como “treino” do algoritmo, proposto aseguir, e os últimos 100 conjuntos como “teste”.
4.3.2 Algoritmo de previsão
De forma experimental, identificou-se que o número de dádivas do dia t−1, subtraído do número detransfusões do dia t−1 fornecia um valor escalar cujo ponto de corte poderia ser otimizado para informar,com uma certa precisão, se o dia t0 seria ou não um dia de “Falta”.
Foram então realizadas previsões com horizontes de 7 e de 30 dias, com os algoritmos de melhordesempenho para cada tipo de previsão, com o objetivo de aplicar o mesmo algoritmo supracitado,
19 Materiais e Métodos
entretanto com um ponto de corte otimizado para previsões.
4.3.3 Stock
Para cada um dos pares de conjuntos de dádivas e transfusões foi simulado o comportamento do stockde acordo com o algoritmo utilizado atualmente no SIH. Foram feitas quatro simulações:
1. Referência: Simulação do stock sem intervenção no número de agendamentos;
2. P0: Simulação do stock com o Algoritmo de previsão proposto acima, com o objetivo de estabelecerum ponto de comparação para os modelos de séries temporais;
3. P7: Simulação do stock com previsão de horizonte de 7 dias;
4. P30: Simulação do stock com previsão de horizonte de 30 dias.
Foram também identificados de forma qualitativa os dias em que houve “Falta”. Estes dias são oalvo principal deste estudo, visto que são nestes dias que a previsão deve atuar e sugerir um aumentono agendamento da colheita de CUP. Nestes dias acrescentou-se uma colheita ao número já estabelecidopara o dia.
Foram colhidas as seguintes variáveis:
• Pools: número de Pools produzidos durante toda a simulação.
• CUPs: número de CUPs produzidos durante toda a simulação.
• Falta: Pools que não foram possíveis de serem produzidos por não haver número suficiente de IPUs.
• Excesso: CUPs que foram produzidos sem necessidade (falsos positivos).
• Rotura: número de dias em que houve rotura de stock por falta de Pools e CUPs.
• Desperdício Pools: número de Pools que foram desperdiçados por fim do prazo de validade.
• Desperdício CUPs: número de CUPs que foram desperdiçados por fim do prazo de validade.
4.3.4 Avaliação
Para cada tipo de previsão, foram calculados a melhor Precisão, medida F0.5 e medida F1. A medidaF0.5 utiliza o parâmetro beta = 0.5 que coloca mais ênfase na Precisão do que na Revocação.
4.4 Impacto
Utilizou-se como medida de impacto a razão de dois fatores:
• Fator1: Número da redução de Pools que não foram possíveis de se produzir por falta de IPUs.
• Fator2: Número de agendamentos de dádivas por aférese além do necessário (falsos positivos).
Materiais e Métodos 20
A medida de impacto resultante dá-se através da fórmula:
Impacto =Fator1 + 1
Fator2 + 1
Como medida de impacto financeiro, pretendeu-se avaliar qual seria o custo (ou economia) resultanteapós a implementação deste algoritmo. Segundo o Diário da República, Portaria N◦ 234/2015, o custode produção de um Pool é de 193,7 €, enquanto que o custo de produção de um CUP é de 374,2 €, sendoassim, utilizou-se duas variáveis:
• Variação do número de agendamentos, e consequentemente do número de CUPs produzidos, mul-tiplicado pelo custo de produção.
• Variação do desperdício de Pools e CUPs, multiplicado pelo respectivo custo de produção.
A medida de impacto financeiro resultante dá-se através da fórmula:
Impactofin = (∆N◦Agendamentos ∗ CustoAgendamento) + (∆Desperdicio ∗ CustoDesperdicio)
Resultados
23 Resultados
5. Resultados
Dada a incerteza associada ao processo de gestão de stock de plaquetas e o agendamento de colheitaspor aférese, espera-se que, com os resultados deste trabalho, seja possível reduzir esta incerteza e ofereceruma forma mais objetiva de apoiar a decisão sobre a produção de plaquetas. Os resultados esperadossão de se obter uma redução da quantidade de Pools que não foram possíveis de serem produzidos porfalta de matéria-prima, sem exceder a quantidade necessária de colheitas por aférese para a manutençãocorreta do stock.
5.1 Dádivas
Durante o período de 1 de outubro de 2012 a 30 de setembro de 2015 (1.095 dias) houveram 62.248dádivas com uma média de 20.759 dádivas por ano e 56,85 dádivas por dia.
As dádivas por dia da semana apresentam em geral uma distribuição normal, cujas obliquidades ecurtoses, mesmo quando significativas, não são consideravelmente grandes.
A distribuição semanal confirma uma frequência sazonal de 7 dias, sendo o domingo o dia mais ativo,conforme mostrado na Figura 5.1.
125
100
75
50
25
seg ter
•
+
qua quiDia da Semana
•
sex sab dom
Tota
l de
Dádi
vas
Figura 5.1: Distribuição de dádivas por dia da semana.
A distribuição anual mostra uma sazonalidade de meio ano, em que o primeiro e o terceiro trimestresão semelhantes entre si, assim como o segundo e o quarto trimestre. O teste Fligner-Killeen não rejeitaa hipótese nula de homogeneidade de variâncias dos dados (valor p: 0,175), ANOVA teve significânciade 0,023 com tamanho do efeito de 0,01 (pequeno), o que confirma que há diferença entre os trimestres
Resultados 24
e esta é pouco influenciada pela variância dos dados. A Tabela 5.1 mostra os resultados a confirmar assemelhanças e diferenças dos trimestres e a Figura 5.2 mostra a representação gráfica das distribuições.
Tabela 5.1: Comparação entre trimestres do númerototal de dádivas∗.
Trimestre Diferença (IC 95%) p ajustadoT1-T2 0,066 ( 0,003 - 0,130) 0,036T1-T3 0,001 (-0,062 - 0,065) 1,000T1-T4 0,026 (-0,038 - 0,089) 0,724T2-T3 0,065 ( 0,001 - 0,129) 0,043T2-T4 0,041 (-0,023 - 0,104) 0,347T3-T4 0,024 (-0,039 - 0,088) 0,760
∗Comparação múltipla de médias de Tukey comintervalo de confiança de 95%.
125
100
75
50
25
l
t . .
, , 1· . �.. . . .. . . . .. . . . . . . : . . .
A ,t• • •:•. I . ··:: . ... -. . . . . . . . "' . .
, . , • A.-. •: ,• • :·•.,-. .,.. ••
• • I � •,-. • • •.-.. • • ..-( , • . \:_•- -.• -, . ---.• .. , ., • .. . ,. , /· . . ., :·... ., . . ·, . � ......
. : · .. : -e.:,·..... . • . •... • • • ., • • • • • -. ·:. • • • r- • • �-� •• .. "': :_. • • • •
• • ,:.: ·-·. · . . · . .... . . ·· ·s-.. . .. .... . . . .. . o 100 200
Dia do Ano
. ,
>
. "'
. . .. . . . .
1
300
"'
.. . , ..
. . Tota
l de
Dádi
vas
Figura 5.2: Distribuição gráfica dos 3 anos de dádivas de sangue em 365 dias. Linha preta mostra atendência com intervalo de confiança de 95%.
A série temporal mostrou-se ser estacionária de acordo com o teste Dickey-Fuller aumentado (valor p:0,01) e o teste Box-Ljung mostra que há dependência entre as observações (valor p: <0,001). Estes sãoos requisitos principais para uma boa previsão visto que a maioria dos modelos assumem que os dadossejam estacionários e interdependentes. Não foram realizadas transformações nos dados.
A Figura 5.3 mostra a decomposição sazonal e a Figura 5.4 mostra a autocorrelação dos resíduos, aqual é muito baixa, confirmando a remoção da sazonalidade semanal.
25 Resultados
o
01
o
�
o
o
�
01
o
resíduo
-20
O
20
tendência
4
5
55
6
5
75
sazonal
-20
O
20
4
0
dados
20
6
0
10
0
Tempo
Figura 5.3: Decomposição Sazonal e Tendência das dádivas utilizando RegressãoLocal com frequência de 7 dias e janela sazonal de 7 dias.
u..
o
T"""
tO
o
e.o
o
v
o
C\I
o
o
o
v
o
o
Autocorrelação dos Resíduos (freq = 7; s.window = 7)
5 10
Lag
15 20
Figura 5.4: Autocorrelação dos Resíduos da Decomposição Sazonal das dádivas comfrequência de 7 dias e janela sazonal de 7 dias. As linhas tracejadas representam onível de significância.
A Tabela 5.2 mostra os desempenhos de todos os modelos para um horizonte de 30 e 7 dias, utilizando
Resultados 26
VCP, a Tabela 5.3 os desempenhos dos modelos utilizando VCTF e a Tabela 5.4 os desempenhos dosmodelos utilizando o menor conjunto de treino de 70 dias. As simulações foram realizadas com frequênciasde 7, 182 e 365 dias conforme permitido pelo tamanho do conjunto de treino, com a finalidade de consideraros efeitos de uma sazonalidade maior ou múltipla. A Tabela 5.5 mostra os melhores modelos de previsãopara a tendência de 120 dias utilizando suavização com Regressão Local.
Tabela 5.2: Indicadores de desempenho de previsãode dádivas utilizando Validação em Cadeia Progres-siva∗.
Modelo Freq ME MAE RMSE HTBATS 7 -0,10 8,98 11,54 30
HW 7 -0,11 9,72 12,40 30ETS 182 -0,10 9,86 12,72 30
DSHW 7;182 -0,76 10,28 13,40 30NNETAR 7 -2,55 10,56 13,54 30
ARIMA 7 -0,71 11,92 14,95 30Medianas - -0,65 13,13 17,29 30
Médias - -4,11 14,12 17,57 30TA 7 -0,40 9,69 12,33 30
HW 7 0,93 8,39 10,57 7TBATS 7 1,26 8,51 11,14 7
ETS 7 -0,05 9,00 11,03 7DSHW 7;182 0,44 9,27 12,71 7
ARIMA 7 0,40 9,98 13,58 7NNETAR 7 -0,76 10,18 12,90 7Medianas - 0,81 13,38 18,68 7
Médias - -2,69 14,51 18,71 7TA 7 0,83 8,63 11,35 7
∗Modelos ordenados pelo melhor MAE; Últimalinha de cada grupo de horizontes mostra omelhor ensemble.
A Figura 5.5 e a Figura 5.6 mostram uma comparação visual entre os dados reais e a previsão dealgumas repetições da VCP para horizontes de 30 e 7 dias respectivamente, conseguidas pelo melhor dosmétodos para cada horizonte. A Figura 5.7 mostra uma comparação entre o real e o previsto para a linhade tendência de 120 dias conseguido pelo melhor método deste caso.
27 Resultados
Tabela 5.3: Indicadores de desempenho de previsão de dádivasutilizando Validação em Cadeia de Tamanho Fixo∗.
Modelo Freq Tamanho ME MAE RMSE HTBATS 7;182 356 0,82 8,82 11,48 30
ETS 7 140 1,22 9,60 12,72 30HW 7 730 0,35 9,90 12,57 30
NNETAR 182 730 -0,16 9,92 13,15 30DSHW 7;182 730 1,22 10,54 13,98 30
ARIMA 7 560 -0,37 11,15 14,57 30Medianas - - 2,26 12,15 16,74 30
Médias - - -1,86 12,90 16,67 30TA 7 560 -0,61 9,59 12,18 30
TBATS 7 560 -2,44 8,10 10,28 7HW 7 730 1,19 8,47 10,62 7ETS 7 140 1,23 8,75 10,66 7
DSHW 7;182 730 2,04 9,52 13,30 7ARIMA 7 140 -0,28 9,54 12,14 7
NNETAR 7 560 -3,98 9,74 12,84 7Medianas - - 2,44 11,36 16,23 7
Médias - - -0,72 12,21 16,52 7TA 7 560 -2,31 8,24 10,13 7
∗Modelos ordenados pelo melhor MAE; Última linha de cadagrupo de horizontes mostra o melhor ensemble.
Dias de Previsão
Tota
l de
Dád
ivas
Figura 5.5: Previsão de dádivas por TBATS para um horizonte de 30 dias e frequên-cia de 7 dias. A linha preta representa os dados reais. A linha cinzenta representaa previsão e o intervalo de confiança de 95%.
Resultados 28
Tabela 5.4: Indicadores de desempenho de previsãode dádivas utilizando Validação em Cadeia de Tama-nho Fixo e conjunto de treinos mínimo de 70 dias∗.
Modelo Freq ME MAE RMSE HETS 7 1,12 10,42 13,27 30
TBATS 7 0,31 10,57 13,45 30ARIMA 7 1,76 11,91 14,96 30
NNETAR 7 0,12 12,66 17,23 30HW 7 -0,47 13,21 16,32 30
Medianas - 2,18 14,32 19,15 30Médias - -1,66 14,51 18,63 30
TA 7 1,03 10,75 13,48 30TBATS 7 -1,59 10,19 13,00 7
ETS 7 -0,96 10,59 12,99 7HW 7 -1,64 11,18 13,42 7
NNETAR 7 -2,17 12,08 15,70 7ARIMA 7 -0,28 12,19 15,18 7
Medianas - 0,49 12,49 16,99 7Médias - -3,37 13,01 17,09 7
TA 7 -0,93 10,73 13,35 7∗Modelos ordenados pelo melhor MAE; Últimalinha de cada grupo de horizontes mostra omelhor ensemble.
Dias de Previsão
Tota
l de
Dád
ivas
Figura 5.6: Previsão dádivas por HW para um horizonte de 7 dias e frequência de 7dias. A linha preta representa os dados reais. A linha cinzenta representa a previsãoe o intervalo de confiança de 95%.
29 Resultados
Tabela 5.5: Indicadores de desempenho de pre-visão de tendência de dádivas suavizada comRegressão Local∗.
Modelo Freq ME MAE RMSEARIMA 365 1,73 2,54 3,13TBATS 7 1,51 2,65 3,52
ETS 365 2,54 2,86 3,70HW 365 2,40 3,08 4,04
NNETAR 182 2,09 3,57 4,56DSHW 7;182 2,55 4,20 5,11
Medianas - 3,66 4,34 5,05Médias - 7,24 7,41 8,03
TA 365 2,04 3,08 4,10∗Modelos ordenados pelo melhor MAE;Última linha de cada grupo de horizontesmostra o melhor ensemble.
Dias de previsão
Méd
ia d
e D
ádiv
as
Figura 5.7: Previsão dádivas por ARIMA para uma tendência de 120 dias utilizandouma frequência de 365 dias. A linha preta representa os dados reais. A linha cinzentarepresenta a previsão e o intervalo de confiança de 95%.
5.1.1 Correlação com Dados Climáticos
Foram tentadas análises de correlação cruzada e análise de Clusters, não sendo obtidas correlaçõesentre as dádivas e os dados climáticos. Dado ser fora do âmbito primário desta monografia, não foram re-alizados testes mais exaustivos. Futuras investigações podem ter interesse em acrescentar dados regionaise também a nebulosidade de forma a procurar alguma correlação entre as dádivas e o clima.
Resultados 30
5.2 Transfusões
Durante o período de 1 de outubro de 2012 a 30 de setembro de 2015 (1.095 dias) houveram 10.858transfusões com uma média de 29,74 transfusões por ano e 9,92 transfusões por dia.
As transfusões por dia da semana apresentam em geral uma distribuição normal, cujas obliquidadese curtoses, mesmo quando significativas, não são consideravelmente grandes.
A distribuição semanal confirma uma frequência sazonal de 7 dias, sendo o sábado e domingo os diasmenos ativos, conforme mostrado na Figura 5.8.
0
5
10
15
20
seg ter qua sex sáb domquiDia da Semana
Tota
l de Consumo
Figura 5.8: Distribuição de transfusões por dia da semana.
A distribuição anual mostra uma sazonalidade de meio ano, em que o primeiro e o terceiro trimestresão semelhantes entre si, assim como o segundo e o quarto trimestre. O teste Fligner-Killeen não rejeitaa hipótese nula de homogeneidade de variâncias dos dados (valor p: 0,3492), ANOVA teve significânciade 0,021 com tamanho do efeito de 0,01 (pequeno), o que confirma que há diferença entre os trimestrese esta é pouco influenciada pela variância dos dados. A Tabela 5.6 mostra os resultados a confirmar assemelhanças e diferenças dos trimestres e a Figura 5.9 mostra a representação gráfica das distribuições.
Tabela 5.6: Comparação entre trimestres do númerototal de transfusões∗.
Trimestre Diferença (IC 95%) p ajustadoT1-T2 0,333 (-0,511 - 1,176) 0,741T1-T3 0,529 (-0,315 - 1,374) 0,372T1-T4 0,996 ( 0,156 - 1,837) 0,012T2-T3 0,197 (-0,652 - 1,046) 0,933T2-T4 0,663 (-0,182 - 1,509) 0,181T3-T4 0,467 (-0,379 - 1,313) 0,487
∗Comparação múltipla de médias de Tukey comintervalo de confiança de 95%.
31 Resultados
0
5
10
15
20
0 100 200 300
Dia do Ano
Tota
l de Consumo
Figura 5.9: Distribuição gráfica dos 3 anos de transfusões de plaquetas em 365 dias. Linha preta mostraa tendência com intervalo de confiança de 95%.
A série temporal mostrou-se ser estacionária de acordo com o teste Dickey-Fuller aumentado (valor p:0,026) e o teste Box-Ljung mostra que há dependência entre as observações (valor p: <0,01). Estes sãoos requisitos principais para uma boa previsão visto que a maioria dos modelos assumem que os dadossejam estacionários e interdependentes. Não foram realizadas transformações nos dados.
A Figura 5.10 mostra a decomposição sazonal e a Figura 5.11 mostra a autocorrelação dos resíduos,a qual é muito baixa, confirmando a remoção da sazonalidade semanal.
05
1020
dados
−6
−2
26
sazonal
26
1014
tendência
−5
05
0 50 100 150
resíduo
Tempo
Figura 5.10: Decomposição Sazonal e Tendência das transfusões utilizando Regres-são Local com frequência de 7 dias e janela sazonal de 7 dias.
Resultados 32
0 5 10 15 20
−0.
50.
00.
51.
0
Lag
AC
F
Autocorrelação dos Resíduos (freq = 7; s.window = 7)
Figura 5.11: Autocorrelação dos Resíduos da Decomposição Sazonal das transfusõescom frequência de 7 dias e janela sazonal de 7 dias. As linhas tracejadas representamo nível de significância.
A Tabela 5.7 mostra os desempenhos de todos os modelos para um horizonte de 30 e 7 dias, utilizandoVCP, a Tabela 5.8 os desempenhos dos modelos utilizando VCTF e a Tabela 5.9 os desempenhos dosmodelos utilizando o menor conjunto de treino de 70 dias. As simulações foram realizadas com frequênciasde 7, 182 e 365 dias conforme permitido pelo tamanho do conjunto de treino, com a finalidade de consideraros efeitos de uma sazonalidade maior ou múltipla. A Tabela 5.10 mostra os melhores modelos de previsãopara a tendência de 120 dias utilizando suavização com Regressão Local.
A Figura 5.12 e a Figura 5.13 mostram uma comparação visual entre os dados reais e a previsão dealgumas repetições da VCP para horizontes de 30 e 7 dias respectivamente, conseguidas pelo melhor dosmétodos para cada horizonte. A Figura 5.14 mostra uma comparação entre o real e o previsto para alinha de tendência de 120 dias conseguido pelo melhor método deste caso.
33 Resultados
Tabela 5.7: Indicadores de desempenho de previsãode transfusões utilizando Validação em Cadeia Pro-gressiva∗.
Modelo Freq ME MAE RMSE HETS 7 -0,01 2,90 3,67 30
NNETAR 7 -0,35 2,91 3.74 30TBATS 7;182 -0,28 2,94 3,69 30ARIMA 7 0,28 3,12 4,03 30
HW 182 -0,88 3,24 3,98 30Médias - -0,06 3,25 3,97 30DSHW 7;182 -0,75 3,26 4,11 30
Medianas - -0,02 3,33 4,07 30TA 7 0,15 2,80 3,60 30
ETS 7 0,02 2,72 3,47 7NNETAR 7 -0,17 2,72 3,66 7
HW 7 0,35 2,77 3,50 7TBATS 7 -0,03 2,94 3,74 7ARIMA 7 0,30 3,06 4,12 7DSHW 7;182 -1,00 3,27 4,24 7Médias - -0,13 3,30 3,95 7
Medianas - -0,09 3,41 4,10 7TA 7 0,13 2,81 3,68 7
∗Modelos ordenados pelo melhor MAE; Últimalinha de cada grupo de horizontes mostra omelhor ensemble.
0
20
40
0 10 20 30
0
20
40
0 10 20 30
0
20
40
0 10 20 30
0
20
40
0 10 20 30
0
20
40
0 10 20 30
0
20
40
0 10 20 30
0
20
40
0 10 20 30
0
20
40
0 10 20 30
0
20
40
0 10 20 30
Dias de Previsão
Tota
l de Consumo
Figura 5.12: Previsão de transfusões por TBATS para um horizonte de 30 dias efrequência de 7 dias. A linha preta representa os dados reais. A linha cinzentarepresenta a previsão e o intervalo de confiança de 95%.
Resultados 34
Tabela 5.8: Indicadores de desempenho de previsão de transfusõesutilizando Validação em Cadeia de Tamanho Fixo∗.
Modelo Freq Tamanho ME MAE RMSE HTBATS 182 365 0,50 2,73 3,44 30
ETS 7 730 0,01 2,90 3,68 30NNETAR 7 730 -0,56 2,96 3,77 30
HW 7 730 0,49 2,98 3,77 30ARIMA 7 730 0,30 3,13 3,98 30Médias - 280 0,09 3,19 3,96 30
Medianas - 280 0,12 3,24 4,05 30DSHW 7;365 730 -1,68 3,99 5,03 30
TA 7 730 0,12 2,80 3,56 30ETS 7 560 0,01 2,68 3,40 7
TBATS 7;182 365 0,11 2,74 3,52 7HW 7 730 0,29 2,76 3,52 7
NNETAR 7 560 -0,16 2,80 3,46 7ARIMA 7 730 0,34 2,85 3,83 7
Medianas - 560 0,06 3,23 3,99 7Médias - 560 -0,03 3,23 3,92 7DSHW 7;182 730 -0,75 4,03 5,26 7
TA 7 560 -0,09 2,65 3,37 7∗Modelos ordenados pelo melhor MAE; Última linha de cadagrupo de horizontes mostra o melhor ensemble.
0
20
40
2 4 6
0
20
40
2 4 6
0
20
40
2 4 6
0
20
40
2 4 6
0
20
40
2 4 6
0
20
40
2 4 6
0
20
40
2 4 6
0
20
40
2 4 6
0
20
40
2 4 6
Dias de Previsão
Tota
l de Consumo
Figura 5.13: Previsão de transfusões por HW para um horizonte de 7 dias e frequên-cia de 7 dias. A linha preta representa os dados reais. A linha cinzenta representaa previsão e o intervalo de confiança de 95%.
35 Resultados
Tabela 5.9: Indicadores de desempenho de previsãode transfusões utilizando Validação em Cadeia deTamanho Fixo e conjunto de treinos mínimo de 70dias∗.
Modelo Freq ME MAE RMSE HTBATS 7 0,44 2,96 3,74 30
ETS 7 0,11 3,00 3,73 30HW 7 1,24 3,25 4,13 30
Médias - -0,02 3,29 4,08 30ARIMA 7 0,64 3,36 4,28 30
Medianas - 0,11 3,38 4,25 30NNETAR 7 0,41 3,64 4,52 30
TA 7 0,54 2,97 3,74 30TBATS 7 -0,06 2,86 3,61 7
ETS 7 -0,32 2,92 3,57 7HW 7 0,34 2,96 3,64 7
ARIMA 7 0,14 3,02 3,86 7NNETAR 7 0,03 3,20 3,92 7
Médias - -0,47 3,25 4,01 7Medianas - -0,34 3,29 4,17 7
TA 7 0,04 2,78 3,44 7∗Modelos ordenados pelo melhor MAE; Últimalinha de cada grupo de horizontes mostra omelhor ensemble.
Dias de previsão
Méd
ia d
e D
ádiv
as
Figura 5.14: Previsão de transfusões por TAE para uma tendência de 120 diasutilizando uma frequência de 365 dias. A linha preta representa os dados reais. Alinha cinzenta representa a previsão e o intervalo de confiança de 95%.
Resultados 36
Tabela 5.10: Indicadores de desempenho deprevisão de tendência de transfusões suavizadacom Regressão Local∗.
Modelo Freq ME MAE RMSEMédias - 0,39 0,62 0,83
Medianas - 0,46 0,63 0,85DSHW 7;182 0,82 0,96 1,27
ARIMA 182 0,92 0,98 1,18ETS 182 0,90 1,02 1,26
TBATS 7 0,93 1,04 1,29NNETAR 182 1,00 1,22 1,52
HW 182 1,29 1,33 1,64TAE 182 0,69 0,77 1,03
∗Modelos ordenados pelo melhor MAE;Última linha de cada grupo de horizontesmostra o melhor ensemble.
5.3 Simulações de dádivas, transfusões e stock
A partir dos melhores modelos obtidos nas Secções 5.1 e 5.2 (dados reais) foram modeladas as previsõesdas simulações de dádivas e transfusões. A Tabela 5.11 resume os indicadores de desempenho obtidos naprevisão das dádivas e transfusões das simulações.
Tabela 5.11: Indicadores de desempenho deprevisão de Dádivas e Transfusões durante assimulações∗.
Previsão ME MAE RMSEDádivas 30 dias -0,15 14,12 18,66Dádivas 7 dias -0,02 14,41 18,37Transfusões 30 dias -0,02 3,66 4,78Transfusões 7 dias 0,03 3,89 4,87∗Para cada previsão foi utilizado o melhormodelo treinado com os dados reais.
Após aplicar o algoritmo de previsão de Faltas de IPUs nos dados previstos, foram realizadas análisesde desempenho para cada tipo de previsão.
A Figura 5.15 permite a comparação das Curvas ROC das previsões com a curva do algoritmo propostoque utiliza os dados de cada simulação sem a utilização de previsões (dados originais). Embora tenhamsido calculados os limiares de Youden, estes são meramente ilustrativos, visto que a sua aplicação nãoobteve um melhor fator de impacto que os outros indicadores de avaliação. A Tabela 5.12 mostra ascomparações entre as Curvas ROC utilizando o teste de Venkatraman, que foi escolhido por compararestatisticamente duas curvas em todos os seus limiares, e não apenas a Área sob a curva, do inglês AreaUnder the Curve (AUC) como o teste de DeLong.
37 Resultados
Especificidade
Sens
ibilid
ade
1.0 0.5 0.0
0.0
0.2
0.4
0.6
0.8
1.0
31.500 (0.810, 0.886)*Dados originais
AUC 0.92
44.471 (0.415, 0.749)Previsão de 30 dias
AUC 0.59
47.942 (0.289, 0.896) Previsão de 7 dias
AUC 0.62
*Limiar de Youden (Especificidade, Sensibilidade)
Figura 5.15: Curvas ROC das previsões dos dias com Falta de IPUs.
Tabela 5.12: Comparação entre previsões donúmero total de transfusões∗.
Venkatraman (E) valor pP0∗-P7† 5906800 <0,001P0-P30‡ 6376600 <0,001P7-P30 472740 0,025∗Dados originais. †Previsão de 7 dias.‡Previsão de 30 dias.
As Figuras 5.16, 5.17 e 5.18 exibem uma amostra das simulações em que se verificam os dias em quehá falta de IPUs e os dias em que o algoritmo previu a falta, de acordo com o limiar escolhido: melhorPrecisão, melhor F0.5 e melhor F1.
Resultados 38
0 100 200 300Fa
ltas
0 100 200 300
Pre
cisã
o
0 100 200 300
F0.
5
0 100 200 300
F1
Dias
Figura 5.16: Visualização gráfica das previsões dos dias com Falta de IPUs para osdados originais. Linhas azuis identificam os verdadeiros positivos.
0 100 200 300
Falta
s
0 100 200 300
Pre
cisã
o
0 100 200 300
F0.
5
0 100 200 300
F1
Dias
Figura 5.17: Visualização gráfica das previsões dos dias com Falta de IPUs paraprevisão de 7 dias. Linhas azuis identificam os verdadeiros positivos.
39 Resultados
0 100 200 300Fa
ltas
0 100 200 300
Pre
cisã
o
0 100 200 300
F0.
5
0 100 200 300
F1
Dias
Figura 5.18: Visualização gráfica das previsões dos dias com Falta de IPUs paraprevisão de 30 dias. Linhas azuis identificam os verdadeiros positivos.
A Tabela 5.13 sumariza os indicadores obtidos durante o treino para a obtenção do limiar e o resultadona aplicação deste limiar (teste).
Tabela 5.13: Indicadores de desempenho da identificação dos dias com faltas de IPUs.
Precisão F1 F0.5 AUCTreino Teste Limiar Treino Teste Limiar Treino Teste Limiar
P0∗ 82,34% 78,41% 5 55,33% 53,81% 24 56,99% 55,45% 18 0,92P7† 14,17% 14,57% 35 22,55% 23,40% 44 16,22% 16,89% 41 0,62P30‡ 13,50% 14,21% 41 22,51% 23,11% 46 15,98% 16,64% 42 0,59∗Dados originais. †Previsão de 7 dias. ‡Previsão de 30 dias.
Por fim, foram simulados os stocks de acordo com o algoritmo em vigor no SIH. A simulação dereferência não possui agendamentos extras de CUPs. Paralelamente foram simulados os stocks aplicandoo algoritmo de identificação de faltas de IPUs com os dados originais, com previsão de 7 dias e previsãode 30 dias, utilizando os limiares de Precisão, F1 e F0.5. A Tabela 5.14 sumariza a média dos resultadosdas simulações de stock com seu respectivo fator de impacto.
Em termos financeiros, a Tabela 5.15 resume os custos relacionados com a produção de CUPs (Agen-damento), e os prejuízos (Desperdício) por prazo de validade ultrapassado. Também é apresentado nestatabela o Impacto Financeiro juntamente com sua representação percentual e relação à referência.
Resultados 40
Tabela 5.14: Média dos resultados anuais das simulações de stock.
Pools CUPs Falta Excesso Rotura D.Pools∗ D.CUPs† ImpactoReferência 2025,4 1761,8 502,7 - 0,08 3,48 0,38 -
P0‡Precisão 2016,1 1765,6 480,6 0,7 0,07 3,49 0,38 3,946F0.5 1974,0 1788,1 402,4 22,7 0,04 3,45 0,40 1,100F1 1939,6 1811,8 359,7 30,3 0,04 3,39 0,42 1,173
P7§Precisão 1952,9 1821,3 451,6 51,2 0,07 3,17 0,43 0,264F0.5 1836,7 1918,9 378,1 137,7 0,05 2,82 0,50 0,232F1 1777,1 1970,2 345,6 185,8 0,04 2,65 0,53 0,216
P30¶Precisão 1833,5 1922,9 381,6 134,7 0,06 2,83 0,50 0,231F0.5 1817,5 1936,6 372,6 145,5 0,06 2,78 0,51 0,229F1 1760,7 1985,7 341,8 189,6 0,04 2,62 0,54 0,216
∗Pools desperdiçados. †CUPs desperdiçados. ‡Dados originais. §Previsão de 7 dias. ¶Previsão de 30 dias.Valores em itálico são estatisticamente significativos em relação à Referência (p < 0,05)
Tabela 5.15: Média anual do custos de agendamento de colheita de CUPs edo desperdício por prazo de validade.
Agendamento Desperdício Impactofin (%)∗
Referência 659.250,59 € 817,77 € -
P0†Precisão 660.675,54 € 818,93 € 1.426,12 € (0,22)F0.5 667.982,29 € 817,56 € 9.862,95 € (1,50)F1 677.982,29 € 811,54 € 18.725,47 € (2,84)
P7‡Precisão 681.519,98 € 777,21 € 22.228,83 € (3,37)F0.5 718.061,36 € 733,36 € 58.726,36 € (8,91)F1 737.262,31 € 712,74 € 77.906,69 € (11,82)
P30§Precisão 719.546,18 € 735,27 € 60.213,10 € (9,13)F0.5 724.691,43 € 728,94 € 65.352,02 € (9,91)F1 743.054,18 € 709,56 € 83.695,38 € (12,70)
∗Impactofin = ∆Agendamento+∆Desperdicio. †Dados originais.‡Previsão de 7 dias. §Previsão de 30 dias.
Discussão
43 Discussão
6. Discussão
6.1 Previsões
A revisão da literatura efetuada constatou que existe uma lacuna para o problema abordado nestadissertação. O algoritmo que atualmente é utilizado no SIH está bastante voltado à componente maisvariável do stock (Pools) e considera a produção de CUPs como um linha de base na produção deplaquetas, ou seja, algo imutável ou dificilmente alterado, daí a importância da abordagem aqui utilizada.
Durante a limpeza dos dados, foi curioso de se observar a existência de alguns padrões seguidospelos dadores. As segundas-feiras de Páscoa claramente mostraram uma maior quantidade de dádivascomparada com outras segundas-feiras, e alguns dias entre feriados e fins de semana (pontes) tambémapresentam um aumento no número de dádivas. Nas transfusões, notou-se alguns eventos pontuais comoum ligeiro aumento de consumo antes ou após feriados.
A marcada sazonalidade semanal, tanto nas dádivas como nas transfusões é fundamental para o bomdesempenho das previsões. E além da sazonalidade semanal, há uma sazonalidade semestral (ciclo) quetambém exerce sua influência nas previsões. Entretanto a ausência neste conjunto de dados de umatendência anual (isto é um aumento significativo de dádivas ou transfusões ao longo dos anos) é menosum fator de confusão a ser considerado (embora existam formas de se mitigar esta situação, ao utilizarpor exemplo um grau ou dois de diferença dos dados).
Na previsão de dádivas, todos os modelos de previsão mostraram um desempenho melhor que autilização de apenas médias e medianas, mesmo na presença de um conjunto de treino pequeno. Naprevisão de transfusões, devido a sua menor amplitude sazonal, houveram alguns modelos que tiverampior desempenho que a simples média ou mediana dos dados, muito evidente na previsão da tendênciade 120 dias (na qual os dados são ainda menos variáveis devido à suavização por regressão local) emque todos os algoritmos tiveram menor desempenho que as médias e medianas. De qualquer forma, aose utilizar um modelo de previsão, podemos estar certos de que estamos a levar em consideração fatoresque estão diretamente ligados à variação dos dados. Por exemplo, para a previsão de dádivas em 30 dias,obtém-se um MAE de cerca de 8.98 dádivas, pelo menos 31,6% melhor, quando comparado com o uso deapenas médias ou medianas.
O TBATS é um modelo bastante versátil e obteve o melhor desempenho em diversos cenários, apenassendo, na previsão de dádivas, ultrapassado pelo HW quando comparado com a previsão de 7 dias naVCTF e pelo ETS na previsão de 7 dias com dados limitados (70 dias). Na previsão de transfusões, oETS saiu-se melhor em vários casos, mas não muito distante do TBATS, que também obteve o melhordesempenho com dados limitados (70 dias).
Alguns ensembles obtiveram resultados semelhantes e podem ser úteis considerando o facto de que ouso de ensembles tende a diminuir a probabilidade de overfitting.
Discussão 44
Numa perspetiva mais longa, a linha de tendência para dádivas é melhor prevista pelo ARIMA comuma frequência de 365 dias. Em contraponto necessita-se de dois anos de dados de treino.
6.2 Simulações
O desempenho das previsões das simulações de dádivas e transfusões demonstraram-se satisfatóriosem comparação com os obtidos com os dados reais, tendo um desempenho inferior entre 22% e 30%.
6.3 Agendamentos
O algoritmo proposto para a identificação dos dias com falta de IPUs apresentou uma AUC notávelde 0.92, ver Figura 5.15, enquanto que o mesmo algoritmo aplicado nas previsões com horizonte de 7 ede 30 dias apresentaram uma AUC de apenas 0.62 e 0.59 respectivamente. Estes valores, ainda assim,são úteis comparados a uma decisão aleatória e, para o objetivo desta dissertação, o mais importante éhaver uma boa Precisão na identificação dos dias com falta de IPU.
6.4 Impacto
Verificou-se que em ambas as previsões (de 7 e de 30 dias), aquela que obteve o maior impacto foi aque valorizava ao máximo a Precisão na identificação dos dias de reforço no agendamento (Tabela 5.14).Verifica-se também que na medida em que se aumentava a valorização da Revocação (Precisão < F0.5 <F1), mais redução era conseguida nas Faltas, no entanto, com um aumento importante no Excesso (falsospositivos), o que implica, em última instância, maiores custos ao SIH.
6.5 Impacto Financeiro
Visto que o algoritmo de controlo de stock é dinâmico, a redução de uma Falta tem repercussão nodesenvolvimento futuro do algoritmo. Sendo que isto poderia ter influências negativas na Rotura e noDesperdício foi de interesse medir este impacto. Verificou-se que a Rotura de stock não foi significativa-mente diferente da Referência, havendo tendência inclusive para sua redução. O Desperdício, tanto deCUPs quanto de Pools não aumentaram, havendo redução estatisticamente significativa em algumas dassimulações.
Por outro lado, outra questão inerente é o aumento de agendamentos, não o excesso (falsos positi-vos), mas todo e qualquer agendamento extra tem seu custo, o que também foi considerado no impactofinanceiro.
A Tabela 5.15 descreve os custos base (Referência) e o aumento de custos, onde podemos ter uma no-ção, através da percentagem, da grandeza do impacto financeiro. Podemos, por comparação, verificar queas simulações em que há uma melhor razão entre a redução da falta de IPUs e o excesso de agendamentostêm um menor impacto financeiro.
Conclusão e Trabalhos Futuros
47 Conclusão e Trabalhos Futuros
7. Conclusão e Trabalhos Futuros
Nesta dissertação pudemos verificar que:
• Os modelos de séries temporais podem ser aplicados com certo grau de precisão para prever tantoo número de dádivas como o número de transfusões de plaquetas em um banco de sangue;
• O algoritmo proposto para a identificação dos dias em que haverá falta de IPUs possui um notávelgrau de sensibilidade e especificidade, sendo sua aplicação dependente principalmente da precisãodos modelos de previsão;
• A implementação deste algoritmo implica principalmente aumento de custos devido ao maior nú-mero de colheitas de um produto que por si só é mais caro. Por outro lado tende a minimizar odesperdício e atenua as falhas na execução do algoritmo de gestão de stock devido a falta de IPUs.
Desta forma recomenda-se:
• A utilização de séries temporais como ferramenta de apoio a decisão em um banco de sangue, poisprovou ser uma forma com melhor desempenho que a utilização de médias e medianas. Isso tantopara a aplicação do algoritmo proposto por esta dissertação, quanto para outros desafios que possamsurgir que necessitem de prever o número de dádivas e transfusões de plaquetas;
• A utilização do algoritmo proposto para a identificação dos dias com falta de IPUs como referênciapara possíveis novos algoritmos;
• A utilização da previsão de séries temporais em conjunto com o algoritmo proposto como formaobjetiva de apoiar a decisão de escolher, em caso de necessidade, os dias de reforço de colheitas deCUPs.
Acredita-se que esta dissertação abre um novo caminho na abordagem da gestão de stock de plaquetas,sendo entretanto sugerida a realização de uma revisão sistemática de forma a descobrir possíveis trabalhossemelhantes que não tenham sido identificados. Sugere-se também novos trabalhos, que explorem outrosmodelos de previsão, não baseados em séries temporais, de forma procurar formas mais eficazes deidentificar os dias com falta de IPUs, e até mesmo para a previsão do número de dádivas e transfusões.
Conclusão e Trabalhos Futuros 48
Referências
51 Referências
8. Referências
Abdulwahab, U. and Wahab, M. (2014). Approximate dynamic programming modeling for a typicalblood platelet bank. Computers & Industrial Engineering, 78:259–270.
Alfonso, E., Xie, X., Augusto, V., and Garraud, O. (2013). Modelling and simulation of blood collectionsystems: improvement of human resources allocation for better cost-effectiveness and reduction ofcandidate donor abandonment. Vox Sanguinis, 104(3):225–233.
Anscombe, F. J. and Glynn, W. J. (1983). Distribution of the kurtosis statistic b 2 for normal samples.Biometrika, 70(1):227–234.
Banerjee, A., Dolado, J. J., Galbraith, J. W., and Hendry, D. F. (1993). Introduction and Overview. InCo-integration, Error Correction, and the Econometric Analysis of Non-Stationary Data, pages 1–45.Oxford University Press.
Beliën, J. and Forcé, H. (2012). Supply chain management of blood products: A literature review.European Journal of Operational Research, 217(1):1–16.
Bergmeir, C. (2015). A Note on the Validity of Cross-Validation for Evaluating Time Series PredictionA Note on the Validity of Cross-Validation for Evaluating Time Series Prediction. (April).
Bosnes, V., Aldrin, M., and Heier, H. E. (2005). Predicting blood donor arrival. Transfusion, 45(2):162–70.
Britten, A. F. and Geurtze, D. G. (1979). Weekly rotation of blood inventory–a system for supplyingsmall hospitals. Transfusion, 19(6):738–41.
Cleveland, R. B., Cleveland, W. S., McRae, J. E., and Terpenning, I. (1990). STL: A seasonal-trenddecomposition procedure based on loess.
D’Agostino, R. B. (1970). Transformation to Normality of the Null Distribution of G1. Biometrika,57(3):679–681.
De Livera, A. M., Hyndman, R. J., and Snyder, R. D. (2011). Forecasting Time Series With ComplexSeasonal Patterns Using Exponential Smoothing. Journal of the American Statistical Association,106(496):1513–1527.
Diebold, F. X. (2015). Comparing Predictive Accuracy, Twenty Years Later: A Personal Perspective onthe Use and Abuse of Diebold–Mariano Tests. Journal of Business & Economic Statistics, 33(1):1–1.
Drackley, A., Newbold, K. B., Paez, A., and Heddle, N. (2012). Forecasting Ontario’s blood supply anddemand. Transfusion, 52(2):366–374.
Referências 52
Fligner, M. A. and Killeen, T. J. (1976). Distribution-Free Two-Sample Tests for Scale. Journal of theAmerican Statistical Association, 71(353):210.
Fortsch, S. M. and Khapalova, E. A. (2016). Reducing uncertainty in demand for blood. OperationsResearch for Health Care, 9:16–28.
Grubbs, F. E. (1950). Sample Criteria for Testing Outlying Observations. The Annals of MathematicalStatistics, 21(1):27–58.
Hill, T., O’Connor, M., and Remus, W. (1996). Neural Network Models for Time Series Forecasts.Management Science, 42(7):1082–1092.
Holt, C. C. C. (1957). Forecasting seasonals and trends by exponentially weighted moving averages. ONRResearch Memorandum.
Hyndman, R. J., Koehler, A. B., Snyder, R. D., and Grose, S. (2002). A state space framework forautomatic forecasting using exponential smoothing methods. International Journal of Forecasting,18(3):439–454.
Ljung, G. M. and Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika,65(2):297.
Peiris, M. S. and Perera, B. J. C. (1988). On Prediction With Fractionally Diferenced ARIMA Models.Journal of Time Series Analysis, 9(3):215–220.
R Foundation (2016). The R project for statistical computing.
Said, S. E. and Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models ofunknown order. Biometrika, 71(3):599–607.
Schreiber, G. B., Schlumpf, K. S., Glynn, S. A., Wright, D. J., Tu, Y., King, M. R., Higgins, M. J., Kessler,D., Gilcher, R., Nass, C. C., Guiltinan, A. M., and National Heart, Lung, B. I. R. E. D. S. (2006).Convenience, the bane of our existence, and other barriers to donating. Transfusion, 46(4):545–53.
Sim, C. H., Gan, F. F., and Chang, T. C. (2005). Outlier Labeling With Boxplot Procedures. Journal ofthe American Statistical Association, 100(470):642–652.
Taylor, J. W. (2003). Short-term electricity demand forecasting using double seasonal exponential smo-othing. Journal of the Operational Research Society, 54(8):799–805.
Testik, M. C., Ozkaya, B. Y., Aksu, S., and Ozcebe, O. I. (2012). Discovering blood donor arrival patternsusing data mining: a method to investigate service quality at blood centers. Journal of medical systems,36(2):579–94.
Tukey, J. W. (1949). Comparing Individual Means in the Analysis of Variance. Biometrics, 5(2):99.
van Dijk, N., Haijema, R., van der Wal, J., and Sibinga, C. S. (2009). Blood platelet production: a novelapproach for practical optimization. Transfusion, 49(3):411–20.
Vrat, P. and Khan, A. (1976). Simulation of a blood-inventory-bank system in a hospital. Socio-EconomicPlanning Sciences, 10(1):7–15.
53 Referências
Weather Underground (2016). Weather Underground - ISEP IPORTUGA71.
Winters, P. R. (1960). Forecasting Sales by Exponentially Weighted Moving Averages. ManagementScience, 6(3):324–342.
Referências 54
