Integração de previsão de demanda por aprendizado de máquina e controle operacional adaptativo no cuidado hospitalar ao AVC: uma análise com dados hospitalares reais

Autores

DOI:

https://doi.org/10.59681/2175-4411.v18.2026.1684

Palavras-chave:

Sistemas de Apoio a Decisões Clínicas, Aprendizado de Máquina, Número de Leitos em Hospital

Resumo

Objetivo: Comparar políticas de alocação de capacidade no cuidado hospitalar ao AVC integrando Random Forest e controle preditivo por aprendizado de máquina (ML-MPC). Métodos: Simulação retrospectiva com 6.224 internações por AVC em hospital público de referência do Sudeste do Brasil (2006–2022). A série diária (2015–2022) foi particionada em treino (2015–2019), validação (2020) e teste (2021–2022). A capacidade-base derivou do percentil 90 do censo diário observado. Seis políticas foram simuladas em 727 dias, com previsões multi-passo recursivas usando apenas informação disponível ao decidir; a incerteza foi avaliada por bootstrap em blocos móveis. Resultados: A ML-MPC alcançou fila média simulada de 0,55 paciente e o menor valor da função objetivo, 58% abaixo da política robusta usando 71% menos capacidade extraordinária (708 unidades a menos), e 46% abaixo de uma política ingênua de capacidade fixa; os intervalos de 95% excluíram zero. A acurácia do Random Forest superou apenas marginalmente a média histórica (MAE 0,994 contra 0,999). Conclusão: Nas condições do modelo, o modo como previsão, incerteza e restrições entraram nas decisões sequenciais importou mais que a acurácia preditiva. Os desfechos são estimativas de simulação; nenhum paciente foi exposto, o risco é índice relativo não validado e os pesos são de julgamento, não monetários.

Downloads

Não há dados estatísticos.

Biografia do Autor

Guilherme Coelho, Faculdade de Ciências Médicas, Universidade Estadual de Campinas (UNICAMP), Campinas, SP, Brasil

Médico pela Universidade Federal do Rio de Janeiro (UFRJ), com residência em Medicina de Família e Comunidade e mestrado pela Universidade Estadual de Campinas (UNICAMP). Doutorando em Tocoginecologia (FCM/UNICAMP), com projeto sobre determinantes climáticos da saúde perinatal, com base em registros nacionais de nascidos vivos (SINASC, com ~37 milhões de registros).

Daniel Correa da Silva, Escola Politécnica e de Artes, Pontifícia Universidade Católica de Goiás (PUC Goiás), Goiânia, GO, Brasil

Graduação em Engenharia de Computação pela Universidade Católica de Goiás (2004). Atualmente é mestre pela Escola de Engenharia Elétrica e de Computação da Universidade Federal de Goiás. Professor Assistente na Pontifícia Universidade Católica de Goiás (PUC-GO) e Faculdade de Tecnologia Senai de Desenvolvimento Gerencial (FATESG).

Maurício Wesley Perroud Júnior, Faculdade de Ciências Médicas, Universidade Estadual de Campinas (UNICAMP), Campinas, SP, Brasil

Possui graduação em medicina pela Pontifícia Universidade Católica de São Paulo (1994), residência médica em Clínica Médica e Pneumologia e mestrado e doutorado em Clínica Médica pela Universidade Estadual de Campinas (2002; 2012) e MBA em Gestão de Saúde pela Fundação Getúlio Vargas (2003). Professor assistente de Pneumologia da Unicamp e Superintendente do Hospital Estadual Sumaré - UNICAMP.

Clarimar José Coelho, Escola Politécnica e de Artes, Pontifícia Universidade Católica de Goiás (PUC Goiás), Goiânia, GO, Brasil

Doutorado em Engenharia Eletrônica e Computação pelo Instituto Tecnológico de Aeronáutica (2002), com pós-doutorados no mesmo instituto (2011) e no Instituto de Ciências Matemáticas e Computação da USP, São Carlos (2014). Professor na Pontifícia Universidade Católica de Goiás e coordenador do Laboratório de Computação Científica, com ênfase em processamento de imagem e reconhecimento de padrões.

Referências

1. Ministry of Health of Brazil. Hospital Information System of the SUS (SIH/SUS): admissions for stroke, 2018–2022 [Internet]. Brasília: DATASUS; 2023. [cited Apr 2026]. Available from: http://tabnet.datasus.gov.br

2. Kim J, Olaiya MT, De Silva DA, Norrving B, Bosch J, De Sousa DA, et al. Global stroke statistics 2023: availability of reperfusion services around the world. Int J Stroke. 2024;19(3):253-70. doi: https://doi.org/10.1177/17474930231210448

3. Feigin VL, Brainin M, Norrving B, Martins S, Sacco RL, Hacke W, et al. World Stroke Organization (WSO): Global Stroke Fact Sheet 2022. Int J Stroke. 2022;17(1):18-29. doi: https://doi.org/10.1177/17474930211065917

4. Saver JL. Time is brain: quantified. Stroke. 2006;37(1):263-6. doi: https://doi.org/10.1161/01.str.0000196957.55928.ab

5. Emberson J, Lees KR, Lyden P, Blackwell L, Albers G, Bluhmki E, et al. Effect of treatment delay, age, and stroke severity on the effects of intravenous thrombolysis with alteplase for acute ischaemic stroke: a meta-analysis of individual patient data from randomised trials. Lancet. 2014;384(9958):1929-35. doi: https://doi.org/10.1016/S0140-6736(14)60584-5

6. Stroke Unit Trialists' Collaboration. Organised inpatient (stroke unit) care for stroke. Cochrane Database Syst Rev. 2013:CD000197. doi: https://doi.org/10.1002/14651858.cd000197.pub3

7. Lotufo PA, Goulart AC, Passos VMA, Satake FM, Souza MFM, França EB, et al. Cerebrovascular disease in Brazil from 1990 to 2015: Global Burden of Disease 2015. Rev Bras Epidemiol. 2017;20(Suppl 1):129-41. doi: https://doi.org/10.1590/1980-5497201700050011

8. Green L. Queueing analysis in healthcare. In: Hall RW, editor. Patient flow: reducing delay in healthcare delivery. New York: Springer; 2006. p. 281-307. doi: https://doi.org/10.1007/978-0-387-33636-7_10

9. Little JDC. A proof for the queuing formula: L = λW. Oper Res. 1961;9(3):383-7. doi: https://doi.org/10.1287/opre.9.3.383

10. Sudarshan VK, Brabrand M, Range TM, Wiil UK. Performance evaluation of emergency department patient arrivals forecasting models by including meteorological and calendar information: a comparative study. Comput Biol Med. 2021;135:104541. doi: https://doi.org/10.1016/j.compbiomed.2021.104541

11. Porto BM, Fogliatto FS. Enhanced forecasting of emergency department patient arrivals using feature engineering approach and machine learning. BMC Med Inform Decis Mak. 2024;24(1):377. doi: https://doi.org/10.1186/s12911-024-02788-6

12. Tello M, Reich ES, Puckey J, Maff R, Garcia-Arce A, Bhattacharya BS, et al. Machine learning based forecast for the prediction of inpatient bed demand. BMC Med Inform Decis Mak. 2022;22(1):55. doi: https://doi.org/10.1186/s12911-022-01787-9

13. Hillier FS, Lieberman GJ. Introduction to operations research. 7th ed. New York: McGraw-Hill; 2001.

14. Ben-Tal A, El Ghaoui L, Nemirovski A. Robust optimization. Princeton: Princeton University Press; 2009. doi: https://doi.org/10.1515/9781400831050

15. Zhu T, Liao P, Luo L, Ye HQ. Data-driven models for capacity allocation of inpatient beds in a Chinese public hospital. Comput Math Methods Med. 2020;2020:8740457. doi: https://doi.org/10.1155/2020/8740457

16. Camacho EF, Bordons C. Model predictive control. 2nd ed. London: Springer; 2007. doi: https://doi.org/10.1007/978-0-85729-398-5

17. Doyle FJ 3rd, Huyett LM, Lee JB, Zisser HC, Dassau E. Closed-loop artificial pancreas systems: engineering the algorithms. Diabetes Care. 2014;37(5):1191-7. doi: https://doi.org/10.2337/dc13-2108

18. Coelho G, Gonçalves AL, Coelho CJ, Perroud Junior MW. Trends in hospitalization and mortality among stroke patients in a Brazilian public hospital: a 16-year retrospective analysis. Rev Bras Neurol. 2025;61(2). doi: https://doi.org/10.46979/rbn.v61i2.67441

19. Markus HS, Brainin M. COVID-19 and stroke: a global World Stroke Organization perspective. Int J Stroke. 2020;15(4):361-4. doi: https://doi.org/10.1177/1747493020923472

20. Breiman L. Random forests. Mach Learn. 2001;45(1):5-32. doi: https://doi.org/10.1023/a:1010933404324

21. Powell WB. Reinforcement learning and stochastic optimization: a unified framework for sequential decisions. Hoboken: John Wiley & Sons; 2022. doi: https://doi.org/10.1002/9781119815068

22. Benchimol EI, Smeeth L, Guttmann A, Harron K, Moher D, Petersen I, et al. The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement. PLoS Med. 2015;12(10):e1001885. doi: https://doi.org/10.1371/journal.pmed.1001885

23. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi: https://doi.org/10.1136/bmj-2023-078378

Ilustração em tons de azul com uma série temporal de barras, uma curva de previsão com faixas de incerteza e uma grade de leitos em que alguns aparecem ocupados, em laranja.

Downloads

Publicado

15/11/2026

Como Citar

Coelho, G., Correa da Silva, D., Perroud Júnior, M. W., & Coelho, C. J. (2026). Integração de previsão de demanda por aprendizado de máquina e controle operacional adaptativo no cuidado hospitalar ao AVC: uma análise com dados hospitalares reais. Journal of Health Informatics, 18(1), 1684. https://doi.org/10.59681/2175-4411.v18.2026.1684

Edição

Seção

Artigo Original

Artigos Semelhantes

<< < 18 19 20 21 22 23 24 25 26 27 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.