Banca de DEFESA: MARIA JÚLIA ALENCAR MUNIZ

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MARIA JÚLIA ALENCAR MUNIZ
DATA: 14/09/2026
HORA: 14:30
LOCAL: Sala de Video Conferência PPgCC - Hibrida
TÍTULO: Aplicação de Algoritmos de Aprendizagem de Máquina para Predição do Absenteísmo na Área de Enfermagem em Ambiente Hospitalar
PALAVRAS-CHAVES: Absenteísmo; Enfermagem; Aprendizagem de Máquina; Predição.
PÁGINAS: 66
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Sistemas de Informação
RESUMO:

O absenteísmo entre profissionais de enfermagem impacta diretamente a qualidade da assistência prestada, a produtividade das equipes e a gestão de recursos humanos em instituições hospitalares. Este estudo tem como objetivo determinar em que medida o absenteísmo é previsível a partir de dados administrativos e estimar a parcela desse risco sob governança da gestão hospitalar. Foram analisados 4.046 registros mensais de profissionais de enfermagem de um Hospital Universitário, com treze variáveis sociodemográficas e funcionais. O processo metodológico envolveu pré-processamento, avaliação de dez métodos de balanceamento de classes e treinamento de quatro modelos supervisionados, Decision Tree, Random Forest, XGBoost e Multilayer Perceptron, além de arquiteturas de aprendizado profundo para dados tabulares. A avaliação empregou validação cruzada estratificada, testes de significância pareados, análise de interpretabilidade por valores SHAP e análise de sensibilidade a fatores organizacionais. O Random Forest apresentou o melhor desempenho, com AUC de 0,778 e acurácia de 0,764 frente à linha de base de 0,682, superando os demais modelos de forma significativa; as arquiteturas profundas não o superaram. Esse patamar, confirmado por três procedimentos independentes, indica saturação do conjunto de variáveis disponível, não um limite do fenômeno. A decomposição da importância das variáveis revelou que os atributos individuais não modificáveis respondem por 51,9% da capacidade preditiva, contra 30,6% dos fatores organizacionais, redundantes com o perfil individual (AUC de apenas 0,017 ao removê-los). Entre os fatores organizacionais, o turno da tarde apresentou taxa bruta de ausência de 39,1% contra 24,2% do noturno, associação não ajustada por confundidores. A priorização dos vinte por cento de maior risco previsto concentra 45,9% das ausências registradas, uso voltado à alocação preventiva de cobertura, não à avaliação individual. Conclui-se que o modelo é adequado ao dimensionamento agregado e inadequado a decisões individuais, e que o principal ganho disponível está no registro do histórico individual de frequência, associado a ganho estimado de 2,8 pontos percentuais de acurácia.

 

 

MEMBROS DA BANCA:
Presidente - 1446435 - VINICIUS PONTE MACHADO
Interno - 1177449 - IVAN SARAIVA SILVA
Interno - 1350246 - KELSON ROMULO TEIXEIRA AIRES
Externo ao Programa - 3870578 - FERNANDO LOPES E SILVA JUNIOR
Externo à Instituição - 709.***.***-87 - PATRICIA TAKAKO ENDO - UPE