🧠 Unimed Data Intelligence – Predição de Risco e Otimização de Visitas

📘 Introdução

O projeto Unimed Data Intelligence foi desenvolvido durante o Hackathon Unimed Ponta Grossa com o objetivo de analisar dados de beneficiários, prever o risco de reinternação hospitalar e otimizar a rota de visitas domiciliares para pacientes de alto risco.

A solução utiliza técnicas de Machine Learning e integração com APIs do Google para apoiar equipes médicas e administrativas na priorização do atendimento.

💡 A base de dados utilizada neste projeto foi gerada artificialmente com auxílio de Inteligência Artificial para fins de demonstração, sem conter dados reais de pacientes.

---

📋 Sumário

• Visão Geral do Projeto
• Arquitetura e Fluxo de Dados
• Funcionalidades Principais
• Modelo Preditivo
• Dashboard e Filtros Interativos
• Otimização de Rotas com Google Maps
• Requisitos e Instalação
• Uso do Sistema
• Estrutura do Projeto
• Resultados de Exemplo
• Créditos e Autores
• Licença

---

🧩 Visão Geral do Projeto

O Unimed Data Intelligence permite prever o risco de reinternação de beneficiários e planejar visitas domiciliares com base em critérios de prioridade e eficiência logística.
A solução combina análise preditiva e geoprocessamento inteligente para aumentar a eficácia no acompanhamento de pacientes crônicos e de alto risco.

---

🏗️ Arquitetura e Fluxo de Dados

1. Entrada de Dados (Base Sintética):

   • Geração artificial de pacientes e características clínicas (idade, gênero, custo mensal, CID, etc.).
   • Armazenamento em planilha Google Sheets ou CSV.

2. Pré-processamento e Treinamento:

   • Pipeline de Machine Learning com scikit-learn e GradientBoostingClassifier.
   • Normalização de variáveis e codificação categórica automática.

3. Geração de Previsões:

   • Cálculo do ScoreRisco_Preditivo (probabilidade de reinternação em 30 dias).
   • Exportação dos resultados ordenados para CSV e Google Sheets.

4. Dashboard Interativo:

   • Exibição de pacientes ordenados pelo score.
   • Filtros por idade e gênero.
   • Seleção de pacientes para geração de rota.
   • Controle de visitas realizadas.

5. Otimização de Rotas:

   • Uso da Google Maps API para cálculo de distâncias.
   • Algoritmo Branch and Bound (TSP) para determinar a rota mais eficiente.

---

⚙️ Funcionalidades Principais

✅ Leitura direta da planilha Google Sheets
✅ Treinamento e avaliação de modelo preditivo
✅ Exportação automática de resultados
✅ Dashboard moderno com filtros combinados
✅ Seleção de pacientes e geração de rota otimizada
✅ Controle de visitas realizadas em tempo real

---

🤖 Modelo Preditivo

O Score de Risco é calculado com base em um modelo supervisionado de Machine Learning, treinado a partir de dados simulados com comportamento estatístico realista.

🔹 Etapa 1: Fórmula Base (Regras de Negócio)

Critérios iniciais inspirados em políticas de saúde suplementar:

• 2 × ticket_médio ≤ custo_mensal < 10 × ticket_médio
• E um dos seguintes:
  • Internações > 0
  • Diagnóstico CID crônico
  • Consultas > 3
  • Consultas de emergência > 1

🔹 Etapa 2: Modelo Preditivo Final

O modelo de Gradient Boosting aprendeu padrões complexos e calculou a probabilidade de reinternação em 30 dias.

🧮 Exemplo:
ScoreRisco_Preditivo = 0.92 → 92% de chance de nova internação.

🔹 Métricas Obtidas

• Recall: ~72%
• AUC-ROC: ~0.84

---

🧭 Dashboard e Filtros Interativos

O painel (frontend) exibe os pacientes de forma dinâmica e interativa:

Função	Descrição
🔍 Filtro por idade	Ordena pacientes de maior para menor (ou vice-versa).
🚻 Filtro por gênero	Mostra Masculino, Feminino ou ambos.
✅ Seleção de pacientes	Escolhe quais entrarão na rota de visitas.
📊 Score de risco	Mostra a probabilidade preditiva individual.
🗺️ Gerar rota	Cria rota otimizada via Google Maps.
🏁 Visita realizada	Atualiza o status e move o paciente para “Visitados Hoje”.

---

🗺️ Otimização de Rotas com Google Maps

A função de rotas utiliza a Distance Matrix API do Google Maps e um algoritmo Branch and Bound (TSP) para definir a sequência de visitas mais eficiente.

🔑 Observação:
A chave da API (GOOGLE_MAPS_API_KEY) deve ser armazenada com segurança, nunca diretamente no código-fonte.

---

🧩 Requisitos e Instalação

🔧 Requisitos

• Python 3.8+
• Conta Google com acesso a Google Sheets API
• Chave válida para Google Maps API

📦 Dependências

pip install pandas scikit-learn seaborn matplotlib gspread google-auth google-auth-oauthlib

🧠 Treinamento e Exportação

python analiseunimed.py

🌐 Dashboard

Implementação em React/TypeScript, consumindo os dados diretamente da planilha Google Sheets publicada em formato CSV.

---

🧮 Estrutura do Projeto

📂 UnimedDataIntelligence/
├── analiseunimed.py              # Script de análise e exportação
├── unimed_corrigido.csv          # Base sintética de pacientes
├── ResultadosUnimed.pdf          # Relatório de saída com previsões
├── previsoes_finais.csv          # Resultado gerado pelo modelo
└── README.md                     # Documentação do projeto

---

📊 Resultados de Exemplo

Nome	Carteirinha	Idade	Gênero	Tipo Contrato	ScoreRisco_Preditivo
Sophia Martins	69176732845	78	Feminino	Familiar	0.93
Heitor Silva	69402783162	80	Masculino	Familiar	0.92
Alice Rodrigues	69402404623	85	Feminino	Coletivo	0.90
Gabriel Souza	69352309595	78	Masculino	Familiar	0.91

---

🧠 Análise Preditiva Baseada em IA

O Score de Risco é uma probabilidade calculada por um modelo de Machine Learning que avalia:

⬇️ Principais Parâmetros Considerados:

• 🧓 Idade e histórico clínico
• 💰 Custo mensal e ticket médio
• 🏥 Número de internações e consultas
• 💉 Diagnósticos (CID)
• ⏱️ Recência de atendimentos e urgências

---

👥 Créditos e Autores

Este projeto foi desenvolvido durante o Hackathon Unimed Ponta Grossa
por:

• André Martins da Silva
• Fernanda Pacheco Bento
• Pedro Silveira Carvalho

---

📜 Licença

Distribuído sob a Licença MIT.
Uso, modificação e redistribuição são permitidos, desde que mantidos os devidos créditos.

---

✨ Projeto criado com base em Inteligência Artificial aplicada à saúde suplementar, com foco em eficiência e cuidado personalizado.