# Modelos preditivos para cancelamento de cirurgia no dia do procedimento têm bom desempenho e podem ser usados na prática?

> Uma revisão sistemática identificou 6 estudos com modelos para prever cancelamento de cirurgia no dia do procedimento. A discriminação variou de 0,75 a 0,92 em desenvolvimento e de 0,70 a 0,74 em validação. Há heterogeneidade entre estudos e poucos relatos de calibração, limitando a aplicação clínica imediata.

Estudo citado: Sardesai T, Hobbs L, Phillips C, Ang G, Bashford T, Kohler K et al.. A systematic review of efforts to predict day of surgery cancellation. European journal of anaesthesiology. 2026. DOI: https://doi.org/10.1097/EJA.0000000000002370. PubMed: https://pubmed.ncbi.nlm.nih.gov/42383309/

## Resposta

A revisão sistemática buscou evidências sobre modelos estatísticos para prever o cancelamento de cirurgias eletivas no dia do procedimento. Foram incluídos estudos que desenvolveram, validaram ou atualizaram modelos preditivos, com dados de 759 337 cirurgias e 47 609 cancelamentos. Os métodos incluíram regressão logística, aprendizado de máquina e modelos de regressão espacial, utilizando variáveis demográficas, socioeconômicas, comorbidades, cirúrgicas e de agendamento.

O desempenho discriminatório dos modelos, medido pela área sob a curva ROC, variou de 0,75 a 0,92 nos conjuntos de desenvolvimento e de 0,70 a 0,74 nos de validação. Um estudo mostrou melhor calibração em nível de setor censitário com modelos espaciais que incorporaram dados de inquéritos locais, em comparação com modelos de agregação de predições individuais.

Apesar da discriminação moderada, a heterogeneidade entre os estudos foi significativa e houve poucos relatos de calibração. Isso limita a comparação direta e a implementação imediata desses modelos na rotina. A revisão fornece uma síntese útil e serve como referência para novos estudos na área.

Para o médico, os resultados indicam que modelos preditivos podem auxiliar na identificação de pacientes com maior risco de cancelamento, mas ainda não há um padrão-ouro estabelecido. A aplicação clínica requer validação externa e avaliação da calibração antes de serem incorporados à gestão do consultório ou de serviços cirúrgicos.

## O que o estudo mostrou

Revisão sistemática com síntese qualitativa pelo framework SWiM, que identificou 7154 estudos e incluiu 6 na síntese final. Esses estudos abrangeram 759 337 cirurgias eletivas, com 47 609 cancelamentos, em cirurgias adultas e pediátricas. Os métodos de predição foram regressão logística, aprendizado de máquina e regressão espacial, usando fatores demográficos, socioeconômicos, comorbidades, cirúrgicos e de agendamento. A melhor discriminação variou de 0,75 a 0,92 no desenvolvimento e de 0,70 a 0,74 na validação. Um estudo mostrou melhor calibração em nível de setor censitário com modelos espaciais incorporando dados de inquéritos locais.

## Limitações

O resumo não informa detalhes sobre as limitações individuais dos estudos incluídos, mas aponta heterogeneidade significativa entre eles e relatos limitados de calibração. O risco de viés foi avaliado pelo PROBAST, porém os resultados dessa avaliação não são descritos no resumo. A revisão não realizou meta-análise, o que impede estimativas sumárias de desempenho. O resumo também não informa a população exata ou os critérios de validação externa dos modelos.

## Aplicação no consultório

Os modelos preditivos para cancelamento de cirurgia no dia do procedimento ainda não estão prontos para uso rotineiro no consultório, devido à heterogeneidade e à falta de calibração adequada. O médico pode utilizar os fatores identificados (demográficos, socioeconômicos, comorbidades, cirúrgicos e de agendamento) para identificar pacientes de maior risco e reforçar orientações pré-operatórias. Na gestão do consultório, a revisão destaca a necessidade de validação local antes de adotar qualquer modelo, além de considerar a coleta sistemática de dados para futuras análises. A aplicação de modelos de aprendizado de máquina ou regressão espacial pode ser explorada, mas requer infraestrutura e validação externa.

## Perguntas para aprofundar

- Quais fatores estão associados ao cancelamento de cirurgia no dia do procedimento?
- Como a calibração de modelos preditivos de cancelamento cirúrgico pode ser avaliada na prática?
- Modelos de aprendizado de máquina são superiores à regressão logística para prever cancelamento cirúrgico?

Tema: IA para previsão de no-show, agendamento e gestão de clínicas. Página: https://alphadoctor.com.br/ciencia/ia-no-show-agendamento/modelos-preditivos-para-cancelamento-de-cirurgia-no-dia-do-procedimento-tem-bom/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.