ResumoApresenta-se a construção de um modelo para a identificação de casos de alto custo, aplicando o processo de Knowledge Discovery in Databases apoiados na literatura sobre a necessidade de aplicações sobre técnicas e algoritmos para a identificação de itens de interesse em grande volume de dados para o apoio à tomada de decisões em saúde. Como método propõe-se algoritmos de regra de associação com derivações em relação a medidas de interesses sequencial e temporal. Para validação e teste da técnica aplica-se um experimento sobre 16.355 liberações de procedimentos médicos, tendo sido descobertas 12.992 regras de associação, sendo 12.305 regras sequenciais e 5.554 padrões na medida temporal. O protótipo desenvolvido foi validado por seis especialistas, entre eles profissionais da enfermagem, analistas de sistemas e um médico, que foram capacitados para o seu uso, avaliando os padrões descobertos e a própria ferramenta, então, responderam a um questionário. As respostas foram tabuladas e o resultado foi obtido mediante ao índice de validade de conteúdo. O modelo alcançou uma aceitação geral na ordem de 78% indicando uma aceitação parcial pelos especialistas. Palavras-chave: inteligência artificial, mineração de dados, sistemas de apoio a decisões administrativas, sistemas de identificação de pacientes.
AbstractGrupo de Pesquisa em Avaliação da qualidade de vida e qualidade de vida no trabalho Ponta Grossa -PR -Brasil v
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.