Estimativa de carga de trabalho de enfermeiros em uma UTI por meio de redes neurais e IoT-fog

Abstract

Para tratar pacientes em uma Unidade de Terapia Intensiva (UTI), é necessária uma equipe de enfermeiros nas 24 horas do dia, sendo necessário estimar a carga de trabalho dos mesmos e distribuir as tarefas de forma a evitar sobrecarregá-los. Visto que uma quantidade insuficiente de profissionais implica em uma baixa qualidade de atendimento aos pacientes, maiores riscos à saúde dos mesmos e aumento do tempo de internação. Uma das ferramentas para avaliar a carga de trabalho dos enfermeiros é o Nursing Activities Score (NAS), que pode identificar os casos em que existe uma alta carga de trabalho para os enfermeiros. Redes IoT-fog demonstraram ser eficientes para capturar e processar grandes quantidades de dados, possibilitando automatizar decisões em ambientes inteligentes, por meio do uso de técnicas de inteligência artificial. Este trabalho tem como objetivo desenvolver uma rede IoT-Fog, incluindo um protótipo de leito inteligente que será capaz de detectar quando um ou mais profissionais de enfermagem se aproximam dela, e enviará estes dados à fog, que irá utilizar técnicas de inteligência artificial para estimar a quantidade destes profissionais a ser alocada por dia de trabalho. Proporcionando, assim, uma alta qualidade de atendimento aos pacientes, ao considerar o NAS para calcular a carga de trabalho necessária. Os principais sistemas que foram desenvolvidos incluem o dispositivo IoT, que tem como função documentar a duração das atividades de enfermagem; um simulador, que gera dados sobre atividades de enfermagem com base em artigos publicados na área; e um módulo de inteligência artificial, que utiliza redes neurais para fazer estimativas de carga de trabalho diária com base no diagnóstico dos pacientes da UTI em questão.

Abstract: In order to treat patients in an ICU, a nursing team is needed 24 hours a day, and it is necessary to estimate their workload and distribute tasks in order to avoid overloading them. An insufficient number of nurses implies in low-quality patient care, greater risks to their health and increased length of stay. One tool to assess nurses? workload is NAS, which can identify in which cases there is a high workload for nurses. IoT-fog networks have proven to be efficient in capturing and processing large amounts of data, enabling automated decisions in intelligent environments through artificial intelligence techniques. In this thesis, an IoT-Fog network is developed, including a prototype of an intelligent ICU bed that will be able to detect when one or more nurses approach it, and will send this data to a fog node, which will use artificial intelligence techniques to estimate the number of nurses to be allocated per working day, thus providing a high quality of patient care, when considering NAS to calculate the required workload. The main components that were developed include the IoT device, whose function is to document the duration of each nursing activity; a simulator, which generates data about nursing activities based on articles published in this area; and an artificial intelligence module, which uses neural networks to estimate the daily required workload, based on the diagnosis of patients in the ICU.