Usando IoT e Conceitos de Elasticidade em Cloud para Análise de Recursos Humanos em Hospitais Inteligentes

• Gabriel Fischer UNISINOS
• Cristiano Costa UNISINOS
• Rodrigo Righi UNISINOS

DOI: https://doi.org/10.5753/sbcas.2020.11516

Resumo

A alocação de profissionais de saúde em ambientes hospitalares muitas vezes não é capaz de se adaptar à demanda de pacientes. Há situações onde existem salas com pouco uso e profissionais ociosos, e salas com muito uso e menos profissionais do que o necessário. Neste contexto, nós propomos uma solução baseada no conceito de elasticidade em Cloud Computing, onde é possível adicionar, migrar ou remover recursos de acordo com as necessidades do serviço. Dessa forma, nos introduzimos o modelo Helastic, baseado em Internet das Coisas, capaz de monitorar o uso das salas pelos pacientes de um hospital e adaptar a capacidade de atendimento dessas salas. Usando uma abordagem preditiva, o Helastic e capaz de antecipar quando uma sala vai ter demanda acima da capacidade e propõe ações para movimentação dos recursos humanos para melhor atender a demanda. Utilizando dados de uma policlínica brasileira, constatou-se a diminuição do tempo de espera em até 96.73%.

Referências

Al-Dhuraibi, Y., Paraiso, F., Djarallah, N., and Merle, P. (2018). Elasticity in cloud computing: State of the art and research challenges. IEEE Trans. Services Comput., 11(2):430–447.

Boulos, M. N. K. and Berry, G. (2012). Real-time locating systems (RTLS) in healthcare: a condensed primer. International Journal of Health Geographics, 11(25):1–8.

Brasil (1943). Decreto-Lei No 5.452, de 1 de maio de 1943. Aprova a Consolidação das Leis do Trabalho.

Capocci, N. R., Nascimento, B. S., Lopes, F. B., Rodrigues, E. F., and Maiellaro, J. R. (2017). Simulation as a hospital management support tool. Independent Journal of Management & Production, 8(5):798–811.

Fischer, G. S., Righi, R. d. R., Rodrigues, V. F., and Costa, C. A. d. (2020). Use of Internet of Things With Data Prediction on Healthcare Environments: a Survey. International Journal of E-Health and Medical Communications, 11(2):1–19.

Goiania (2018). Projeto de Lei no 2018/000159, de 11 de novembro de 2018. disp oe sobre o tempo maximo de espera para atendimento nos estabelecimentos que especifica.

Graham, B., Bond, R., Quinn, M., and Mulvenna, M. (2018). Using data mining to predict hospital admissions from the emergency department. IEEE Access, 6:10458–10469.

Ishikawa, T., Fujiwara, K., Ohba, H., Suzuki, T., and Ogasawara, K. (2017). Forecasting the regional distribution and sufficiency of physicians in japan with a coupled system dynamics—geographic information system model. Hum. Resour. Health, 15(1):64.

Liu, J. X., Goryakin, Y., Maeda, A., Bruckner, T., and Scheffler, R. (2017). Global health workforce labor market projections for 2030. Hum. Resour. Health, 15(1):11.

Nisha, K. G. and Sreekumar, K. (2017). A Review and Analysis of machine Learning and Statistical Approaches for Prediction. In 2017 Int. Conf. on Inventive Communication and Computational Technologies (ICICCT), pages 135–139. IEEE.

Rostirolla, G., Righi, R., Barbosa, J., and Costa, C. (2018). Elcity: An elastic multilevel energy saving model for smart cities. IEEE Trans. Sustain. Comput., 3(1):30–43.

Sarhan, Q. I. (2018). Internet of things: a survey of challenges and issues. International Journal of Internet of Things and Cyber-Assurance, 1(1):40–75.

Singh, K. J. and Kapoor, D. S. (2017). Create your own internet of things: A survey of iot platforms. IEEE Consumer Electronics Magazine, 6(2):57–68.

Vieira, D. and Hollmen, J. (2016). Resource frequency prediction in healthcare: Machine learning approach. In 2016 IEEE 29th Int. Symp. on Computer-Based Medical Systems, pages 88–93, Dublin, Ireland. IEEE.

Wang, H. and Sinnen, O. (2018). List-scheduling versus cluster-scheduling. IEEE Trans. Parallel Distrib. Syst., 29(8):1736–1749.

Weissman et al. (2020). Locally Informed Simulation to Predict Hospital Capacity Needs During the COVID-19 Pandemic. Annals of Internal Medicine.