Browsing by Author "FERNANDES, ANA MARGARIDA DA COSTA"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Modelos preditivos da manutenção de endoscópiosPublication . FERNANDES, ANA MARGARIDA DA COSTA; Coelho, Luís Filipe Martins PintoA endoscopia consiste num procedimento médico efetuado com um instrumento designado "endoscópio", o qual permite a observação do interior de um órgão oco ou de uma cavidade do corpo. A ausência de um sistema centralizado e automático de gestão de tarefas pode resultar em falhas na sua programação, levando à omissão de manutenções e à realização de reparações tardias. Tal aumenta o risco de falhas nos equipamentos médicos e influencia a segurança dos pacientes. A tese/dissertação desenvolveu-se em parceria com a empresa Fujifilm, para o desenvolvimento de algoritmos de machine learning (ML), para auxiliar na gestão da manutenção de endoscópios. O objetivo é identificar padrões que permitam determinar o tipo de intervenção seguinte (inspeção ou reparação), prever a quantidade de intervenções para os anos futuros, de 2025 a 2030; prever o tempo médio até à intervenção futura e otimizar a gestão do inventário de peças de reposição com base em dados históricos. O estudo abrange o conjunto de dados de todos os equipamentos de clientes de Portugal submetidos a reparação ou inspeção no Centro de Serviços da Fujifilm entre 2020 e 2024. Foram aplicadas técnicas de pré-processamento de dados, análise estatística e métodos preditivos, incluindo regressão linear, regressão polinomial de segundo grau, modelos Random Forest e redes neuronais. Os resultados demonstraram que o modelo de regressão linear aplicado à previsão do número de reparações anuais entre 2025 e 2030 obteve um coeficiente de determinação (R²) de 0,9722, indicando que cerca de 97 % da variação nas reparações pode ser explicada pelo ano. O modelo de regressão polinomial de segundo grau apresentou um desempenho ligeiramente superior, com um R² ajustado de 0,976. Na previsão do tempo entre reparações, os modelos de regressão linear apresentaram desempenho mais limitado, com R² ajustado de 0,1242 e, com validação cruzada, de aproximadamente 0,11. O modelo Random Forest obteve um erro médio absoluto (MAE) entre 122 e 123 dias, e erro quadrático médio (RMSE) entre 158 e 159 dias, o que equivale a uma margem de erro de cerca de cinco meses. Relativamente à previsão do tipo de manutenção, o modelo Random Forest alcançou uma exatidão entre 77,37 % e 78,10 %, demonstrando uma boa capacidade de classificação. O modelo de redes neuronais também apresentou um desempenho positivo, com erros médios quadráticos (RMSE) de aproximadamente 0,58 tanto nos conjuntos de treino como de teste, o que indica ausência de sobreajuste (overfitting).