Previsão na área farmacológica: modelos estatísticos vs Deep Learning

Abstract

Hoje em dia, a tomada de decisões de forma rápida e eficaz é essencial nas organizações de saúde. Neste sentido, surgem os Sistemas de Apoio à Decisão, as plataformas de Business Intelligence e os Sistemas de Tratamento de Dados. De forma a apoiar a decisão no âmbito farmacêutico surgem plataformas de previsão, as quais pretendem auxiliar ao máximo a tomada de decisão por parte dos prestadores de saúde. No âmbito desta dissertação, foi realizado um projeto com o objetivo de extrair conhecimento de forma automatizada a partir de informações passadas e traduzi-las de forma a desenvolver um sistema de previsão de vendas para a área farmacêutica. Tradicionalmente, na área da previsão, é comum a utilização de modelos estatísticos, no entanto é interessante perceber se o Deep Learning consegue acompanhar os resultados obtidos através destes modelos. Para o efeito, foi elaborado um estudo comparativo entre modelos de previsibilidade, conseguidos através de modelos estatísticos e conexionistas. Para os primeiros fez-se uso de funções de modelação disponíveis em librarias da linguagem de programação R e no segundo foram aplicadas redes neuronais recorrentes, nomeadamente as Long Short Term Memory, através de bibliotecas disponíveis em Python para construção de um modelo deep learning. As metodologias desenvolvidas através dos diferentes modelos de previsibilidade foram aplicadas a três casos de estudo, cada um associado a um conjunto de dados diferente. Assim, tornou-se possível analisar o comportamento dos modelos desenvolvidos quando aplicados a conjuntos de dados distintos. Por último, foram apresentados os resultados obtidos para os três casos de estudo, referentes à aplicação de ambas as práticas, e feita uma comparação das mesmas. Foi verificado o sucesso da utilização de algoritmos de Deep Learning na área da previsão, obtendo melhores resultados que aqueles conseguidos através dos tradicionais modelos de previsão estatísticos. Este trabalho permitiu perceber o potencial que o deep learning apresenta, sendo no entanto necessário mais trabalho futuro para dar enfâse a esta afirmação.

Nowadays, making decisions quickly and effectively is essential in health organizations. In this sense, Decision Support Systems, Business Intelligence platforms and Data Processing Systems begin to emerge. To support the decision in the pharmaceutical field, there are platforms for forecasting, which are intended to help health decision makers to the maximum extent possible. This dissertation has the objective of extracting knowledge in an automated way from past information, and translating it in order to develop a sales forecasting system for the pharmaceutical area. Traditionally, in the area of forecasting, it is common to use statistical models, however it is interesting to see if Deep Learning can follow the results obtained through these models. For this purpose, a comparative study was developed for predictability models, achieved through statistical and connectionist models. For the statistical models, it was used functions present in libraries of the programming language R and for the second models, it was applied recurrent neural networks, namely the Long Short Term Memory, through libraries available in Python to construct a Deep Learning model. The methodologies developed through the different predictability models were applied to three case studies, each associated to a different data set. Thus, it became possible to analyze the behavior of models developed when applied to different datasets. Finally, the results obtained for the three case studies using both practices were presented and it was verified the success of the Deep Learning algorithms in the area of forecasting. They achieved better results than those obtained through the traditional statistical prediction models. This work allowed to realize the potential that Deep Learning presents, being nevertheless necessary more future work to give emphasis to this affirmation.