Integración de la predicción de demanda mediante aprendizaje automático y el control operativo adaptativo en la atención hospitalaria al ACV: un análisis con datos hospitalarios reales

Autores/as

DOI:

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

Palabras clave:

Sistemas de Apoyo a Decisiones Clínicas, Aprendizaje Automático, Número de Camas en Hospital

Resumen

Objetivo: Comparar políticas de asignación de capacidad en la atención hospitalaria al ACV integrando Random Forest y control predictivo por aprendizaje automático (ML-MPC). Métodos: Simulación retrospectiva de 6.224 internaciones por ACV en hospital público de referencia del Sudeste de Brasil (2006–2022). La serie diaria (2015–2022) se dividió en entrenamiento (2015–2019), validación (2020) y prueba (2021–2022). La capacidad base derivó del percentil 90 del censo diario observado. Se simularon seis políticas en 727 días, con predicciones multipaso recursivas sin información futura; la incertidumbre se evaluó por bootstrap en bloques móviles. Resultados: ML-MPC alcanzó cola media simulada de 0,55 paciente y el menor valor de la función objetivo, 58% por debajo de la política robusta usando 71% menos capacidad extraordinaria (708 unidades menos), y 46% por debajo de la política ingenua de capacidad fija; los intervalos del 95% excluyeron cero. El Random Forest superó solo marginalmente a la media histórica (MAE 0,994 frente a 0,999). Conclusión: En las condiciones del modelo, cómo entraron predicción, incertidumbre y restricciones en las decisiones secuenciales importó más que la precisión predictiva. Los desenlaces son simulados; ningún paciente fue expuesto, el riesgo es índice relativo no validado y los pesos son de juicio, no monetarios.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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

Doctor at the Federal University of Rio de Janeiro (UFRJ), with residency in Family and Community Medicine and teaching at the State University of Campinas (UNICAMP). Doctoring in Tocogynecology (FCM/UNICAMP), with a project on climatic determinants of perinatal health, based on national records of live births (SINASC, with ~37 thousand records).

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

Se graduó en Ingeniería Informática por la Universidad Católica de Goiás (2004). Actualmente cursa una maestría en Ingeniería Eléctrica e Informática por la Universidad Federal de Goiás. Es profesor asistente en la Pontificia Universidad Católica de Goiás (PUC-GO) y en la Facultad de Tecnología para el Desarrollo Gerencial (FATESG) del Senai.

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). Fez residência médica en Clínica Médica e Pneumologia pela Faculdade de Ciências Médicas da Universidade Estadual de Campinas (FCM-Unicamp) entre 1995-1998; concluiu mestrado e doutorado em Clínica Médica pela Universidade Estadual de Campinas, respectivamente, sobre biología molecular e imunoterapia em câncer de pulmão (2002; 2012). Possui MBA em Gestão de Saúde pela Fundação Getúlio Vargas (2003) e certificação em farmacovigilância pela Uppsala Monitoring Centre/WHO (Uppsala, 2015), além de capacitação em farmacovigilância e pesquisa clínica pela Management Forum, Falconbury Group (Londres, 2009/2010). Miembro del grupo de apoyo a ANVISA para la elaboración de la primera legislación de farmacovigilancia en Brasil (2008 a 2009). Consultor de la UNESCO para la implantación de líneas de cuidado en hospitales universitarios federales (projeto 914BRZ1146; 2015/2016), además de colaborar con el desarrollo de proyectos de capacitación en gestión de asistencia y elaboración de certificación de calidad de la Empresa Brasileira de Serviços Hospitalares (EBSERH). Tem experiência na implantação de sistemas de gestión de calidad y de seguridad de medicação em unidades de salud e na indústria farmacêutica desde 2003. Tem atuado como revisor do Journal of Pharmacy Practice. Actualmente es profesor asistente de disciplina de Neumología de la Universidad Estadual de Campinas, Superintendente del Hospital Estadual Sumaré - UNICAMP y socio propietario de AS & Perroud Consultoria e Assessoria Médica Ltda.

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

Pós-doutorado pelo Instituto de Ciências Matemáticas e Computação da Universidade São Paulo, campus São Carlos (2014), Pós-doutorado pelo Instituto Tecnológico de Aeronáutica (2011), Doutorado em Engenharia Eletrônica e Computação pelo Instituto Tecnológico de Aeronáutica (2002). Profesor de la Pontifícia Universidade Católica de Goiás. Coordinador del Laboratório de Computação Científica (LCC). Tem interesse em computação científica e na construcción de modelos matemáticos y algoritmos para soluciones numéricas de problemas en ciencia e ingeniería con ênfase no Processamento digital de imagem, calibração multivariada y reconhecimento de padrões.

Citas

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

Blue-toned illustration with a bar time series, a forecast curve with uncertainty bands and a grid of beds, some of them occupied, in orange.

Publicado

15/11/2026

Cómo citar

Coelho, G., Correa da Silva, D., Perroud Júnior, M. W., & Coelho, C. J. (2026). Integración de la predicción de demanda mediante aprendizaje automático y el control operativo adaptativo en la atención hospitalaria al ACV: un análisis con datos hospitalarios reales. Journal of Health Informatics, 18(1), 1684. https://doi.org/10.59681/2175-4411.v18.2026.1684

Número

Sección

Artículo Original

Artículos similares

1 2 3 4 5 6 7 8 9 10 > >> 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.