Reforma do sistema legal de recuperação de empresas brasileiro para o enfrentamento da crise sistêmica da Covid-19 / Nota Técnica n. 40 (Diest) : Reforma do sistema legal de recuperação de empresas brasileiro para o enfrentamento da crise sistêmica da Covid-19

O enfrentamento da crise deflagrada pela pandemia da Covid-19 pressupõe que as instituições jurídicas de recuperação de empresas e de falências sejam eficientes e adequadas para resolver, de forma rápida e eficiente, a insolvência empresarial. Os procedimentos de recuperação de empresas e de falência disciplinados pela Lei nº 11.101/2005 ­ Lei de Recuperação e Falência (LRF) ­ precisam ser aperfeiçoados para oferecer uma resposta rápida e adequada à crise. As normas vigentes na LRF e as normas projetadas pelo PL nº 6.229/2005, no entanto, não possuem as características necessárias para uma resolução de conflitos financeiros que possibilite uma realocação rápida e eficiente de ativos que seja capaz de: i) preservar valor de ativos e evitar liquidações ineficientes e os riscos sistêmicos de queimas de estoque (fire sales); ii) induzir demanda agregada de empresas e consumidores; iii) possibilitar a injeção de liquidez em empresas, por financiamentos de mercado e por resgates governamentais; iv) proteger contratos relativos a ativos específicos; v) proteger postos de emprego; e vi) reduzir os custos processuais e os custos de utilização do sistema de justiça. Esta nota técnica aponta normas jurídicas capazes de promover estes objetivos e que não figuram entre as normas contidas na LRF nem no PL nº 6.229/2005. Ademais, limitar-se-á a listar aspectos gerais da LRF, cuja reforma é recomendável para enfrentar mais eficientemente os problemas fundamentais das situações de insolvência. Em razão de limitações de escopo e extensão, o conteúdo e o teor desta nota técnica dirigem-se ao público especializado na matéria. Muitas das considerações avançadas aqui se baseiam em conhecimento científico de ponta na comunidade científica internacional, sendo ainda inéditas na comunidade científica brasileira.

Review of statistical methods for survival analysis using genomic data

Survival analysis mainly deals with the time to event, including death, onset of disease, and bankruptcy. The common characteristic of survival analysis is that it contains “censored” data, in which the time to event cannot be completely observed, but instead represents the lower bound of the time to event. Only the occurrence of either time to event or censoring time is observed. Many traditional statistical methods have been effectively used for analyzing survival data with censored observations. However, with the development of high-throughput technologies for producing “omics” data, more advanced statistical methods, such as regularization, should be required to construct the predictive survival model with high-dimensional genomic data. Furthermore, machine learning approaches have been adapted for survival analysis, to fit nonlinear and complex interaction effects between predictors, and achieve more accurate prediction of individual survival probability. Presently, since most clinicians and medical researchers can easily assess statistical programs for analyzing survival data, a review article is helpful for understanding statistical methods used in survival analysis. We review traditional survival methods and regularization methods, with various penalty functions, for the analysis of high-dimensional genomics, and describe machine learning techniques that have been adapted to survival analysis.

Developing a Statistical Software for Predicting Hospital Bankruptcy using Data Mining Tool / 대한의료정보학회지

Since the hospital bankruptcy rate is increasing, it has been an important issue to predict the bankruptcy of hospital using the existing hospital management information. Fortunately, the implementation of data mining methodology and decision support system(DSS) are becoming popular. Therefore, this study developed the statistical software for predicting hospital bankruptcy using data mining tool. Stepwise procedures were taken as follows: 1) adopting the HGLM and Logit Models; 2) implementing the input and output processes; 3) linking to the iBITs interface, the data miming tool; and 4) evaluating the software by fitting the hospital management data in practice. The software is written in Visual C++ 5.0 under windows NT/95, and allows the interconnection with other interfaces and libraries. This program initiates encouragement of implementation of DSS models using data mining methodology, in health care fields. This kind of software will play a pivotal role in improving the efficiency and adequacy of managing health care institutions.