Como prever com precisão as visitas ao pronto-socorro hospitalar?
Resposta curta: Uma revisão sistemática identificou que modelos de previsão de visitas ao pronto-socorro, incluindo ARIMA e aprendizado de máquina, apresentam boa acurácia, com erros abaixo de 10%. A escolha do modelo e a inclusão de variáveis exógenas dependem do tamanho do pronto-socorro, sendo vantajosa apenas em unidades maiores.
Resposta
A revisão sistemática teve como objetivo investigar os fatores que afetam os resultados da previsão de visitas ao pronto-socorro, com foco nas variáveis preditivas e nos tipos de modelos aplicados. A busca foi realizada nas bases PubMed, Web of Science e Scopus, seguindo as diretrizes PRISMA.
Foram selecionados sete estudos que exploraram modelos preditivos para prever visitas diárias ao pronto-socorro para cuidados gerais. A acurácia dos modelos foi medida pelas métricas MAPE e RMAE, e todos apresentaram bom desempenho, com erros abaixo de 10%.
Os resultados indicaram que a seleção do modelo e sua acurácia são particularmente sensíveis à dimensão do pronto-socorro. Modelos baseados em ARIMA e outros lineares tiveram bom desempenho para previsões de curto prazo, enquanto alguns métodos de aprendizado de máquina se mostraram mais estáveis ao prever múltiplos horizontes temporais.
A inclusão de variáveis exógenas foi considerada vantajosa apenas em prontos-socorros de maior porte. Esses achados sugerem que a escolha da abordagem de previsão deve considerar as características específicas de cada serviço de emergência.
A revisão fornece subsídios para gestores e médicos que atuam em pronto-socorro, ao destacar a importância de sistemas de previsão acurados para otimizar a alocação de recursos, reduzir custos e melhorar a confiança pública. No entanto, o número limitado de estudos incluídos e a heterogeneidade dos contextos exigem cautela na generalização dos resultados.
O que o estudo mostrou
Trata-se de uma revisão sistemática que seguiu as diretrizes PRISMA e selecionou sete estudos que exploraram modelos preditivos para prever visitas diárias ao pronto-socorro para cuidados gerais. A acurácia foi medida por MAPE e RMAE, e todos os modelos apresentaram erros abaixo de 10%. A seleção do modelo e a acurácia foram sensíveis à dimensão do pronto-socorro. Modelos ARIMA e lineares tiveram bom desempenho em previsões de curto prazo, enquanto métodos de aprendizado de máquina foram mais estáveis em múltiplos horizontes. A inclusão de variáveis exógenas foi vantajosa apenas em prontos-socorros maiores.
Limitações
O resumo não informa as limitações dos estudos incluídos, como viés de publicação ou heterogeneidade metodológica. O número reduzido de estudos (sete) e a falta de detalhes sobre as populações e os contextos podem restringir a generalização dos achados. O resumo também não informa a qualidade dos estudos primários.
Aplicação no consultório
Para a prática clínica e a gestão do consultório, os achados reforçam que sistemas de previsão de visitas ao pronto-socorro podem auxiliar no dimensionamento de equipes e na alocação de recursos. Médicos que atuam em pronto-socorro ou gerenciam serviços de emergência podem considerar a implementação de modelos preditivos, levando em conta o porte da unidade. A escolha entre modelos lineares e de aprendizado de máquina deve considerar o horizonte de previsão desejado e a disponibilidade de variáveis exógenas.
Estudo citado
Predicting hospital emergency department visits accurately: A systematic review. The International journal of health planning and management, 2023.
Autores: Silva E, Pereira MF, Vieira JT, Ferreira-Coimbra J, Henriques M, Rodrigues NF.
DOI: 10.1002/hpm.3629 · PubMed: PMID 36898975
Perguntas para aprofundar
- Quais variáveis preditivas são mais relevantes para prever visitas ao pronto-socorro?
- Como modelos de aprendizado de máquina se comparam a modelos ARIMA na previsão de demanda em emergências?
- Qual o impacto da inclusão de variáveis exógenas na acurácia de previsões de visitas ao pronto-socorro?
Mais sobre IA em emergência e UTI
- Modelos para prever o tempo de permanência no departamento de emergência são metodologicamente confiáveis?
- O aprendizado de máquina já pode substituir o médico na estratificação de risco da dor torácica indiferenciada no pronto-socorro?
- O aprendizado de máquina é confiável para prever mortalidade hospitalar a partir de sinais vitais na emergência?
- Como melhorar a resposta dos departamentos de emergência durante a pandemia de COVID-19 por meio de abordagens de melhoria de processos?
- Quais estratégias são eficazes para melhorar a documentação médica no pronto-socorro?
Todas as perguntas sobre IA em emergência e UTI · Todos os temas · Versão em markdown