Nationwide Prediction of Missed and Cancelled Appointments Using Real-World EHR Data

Este estudo retrospectivo utilizou dados reais de prontuários eletrônicos de saúde de uma base nacional dos EUA para desenvolver e avaliar modelos de aprendizado de máquina, demonstrando que é possível prever com alta precisão (AUC de 0,95) quais consultas ambulatoriais serão perdidas ou canceladas, permitindo otimizar a gestão de agendamentos.

O essencial

Imagine que o sistema de saúde é como uma enorme estação de trem cheia de trens (os médicos) e passageiros (os pacientes). O problema é que, todos os dias, muitos passageiros compram o bilhete, chegam à plataforma, mas simplesmente não entram no trem. Outros cancelam a viagem de última hora. Isso deixa os trens vazios, os médicos ociosos e o sistema todo mais lento e caro.

Este estudo foi como uma investigação de detetives de dados que usaram um mapa gigante (um banco de dados nacional de registros médicos dos EUA) para tentar prever quem vai "faltar ao trem" antes mesmo da viagem acontecer.

Aqui está a história simplificada do que eles fizeram:

1. O Grande Mapa (Os Dados)

Os pesquisadores olharam para um mapa digital colossal contendo milhões de agendamentos de pacientes adultos nos Estados Unidos. Eles não olharam apenas para um hospital, mas para um "universo" de dados que cobria mais de 5,7 milhões de encontros entre 2010 e 2025. Foi como analisar o histórico de viagem de quase toda a população adulta do país.

2. A Missão: Prever o Futuro

O objetivo era simples: criar um "oráculo" capaz de dizer, com antecedência, se um paciente vai comparecer à consulta ou se vai deixar o médico esperando (seja por cancelar ou por não aparecer).

Eles testaram três tipos de "cérebros" diferentes para fazer essa previsão:

• A Lógica Clássica (Regressão Logística): Como um professor de matemática tradicional, que segue regras fixas.
• A Floresta de Árvores (Random Forest): Como uma equipe de especialistas consultando várias árvores de decisão para chegar a um consenso.
• O Super-Computador (XGBoost): Um sistema de inteligência artificial muito avançado, capaz de encontrar padrões complexos que os outros não veem.

3. As Pistas (Os Fatores)

Para fazer a previsão, o sistema olhou para várias pistas, como:

• Quem é o passageiro: Idade, tipo de seguro de saúde.
• Quando é a viagem: Dia da semana, hora do dia, época do ano.
• O histórico do passageiro: Quantas vezes essa pessoa já cancelou antes? Quanto tempo passou desde a última vez que ela foi ao médico?

4. O Resultado: Quem Venceu?

Adivinhe? O Super-Computador (XGBoost) foi o campeão!

• Ele acertou a previsão com uma precisão de 95% (uma pontuação altíssima).
• A "Floresta" ficou em segundo lugar com 92%.
• O "Professor Clássico" ficou em terceiro com 89%.

Isso significa que a inteligência artificial conseguiu entender padrões muito sutis. Por exemplo, ela percebeu que um paciente que mora longe, tem um seguro específico e costuma cancelar às terças-feiras de manhã tem uma probabilidade muito maior de faltar do que a lógica simples conseguiria prever.

5. O Segredo Revelado (Inteligência Explicável)

Um dos pontos mais legais foi que eles não deixaram o computador apenas "adivinhar". Eles usaram uma ferramenta para "abrir a caixa preta" e explicar por que o computador chegou naquela conclusão. Foi como dar uma lupa no pensamento da máquina para ver exatamente quais pistas pesaram mais na decisão.

Conclusão: Por que isso importa?

Imagine se, na estação de trem, o sistema pudesse avisar: "Atenção! O passageiro João tem 90% de chance de não vir. Vamos ligar para ele agora ou oferecer um horário diferente?"

Se os hospitais usarem essa tecnologia, eles podem:

• Reduzir o desperdício: Menos médicos esperando em salas vazias.
• Melhorar o acesso: Oferecer os horários que sobram para quem realmente precisa.
• Economizar dinheiro: O sistema de saúde fica mais eficiente.

Em resumo: Os pesquisadores provaram que, usando os dados que já temos (e um pouco de inteligência artificial), podemos prever quem vai faltar à consulta com muita precisão. É como ter um "raio-x do futuro" para organizar melhor a agenda dos médicos e garantir que ninguém fique sem atendimento.

Resumo técnico

Resumo Técnico: Predição Nacional de Consultas Perdidas e Canceladas usando Dados Reais de Prontuários Eletrônicos

1. Problema e Objetivo

O estudo aborda o desafio crítico de ineficiência nos sistemas de saúde causado por consultas ambulatoriais não utilizadas (seja por falta de comparecimento ou cancelamento). O objetivo principal foi desenvolver e avaliar modelos preditivos capazes de identificar com precisão quais consultas ambulatoriais serão perdidas ou canceladas, utilizando um grande repositório nacional de Prontuários Eletrônicos de Saúde (EHR) nos Estados Unidos. A previsão precisa desses eventos visa otimizar a gestão de agendamentos e melhorar a eficiência operacional.

2. Metodologia

• Desenho do Estudo: Estudo observacional retrospectivo.
• Base de Dados: Utilizou-se o Cerner Real World Database, um repositório nacional de EHR dos EUA, cobrindo encontros de saúde de 2010 a 2025.
• População: A amostra final consistiu em 5.699.861 encontros ambulatoriais, selecionados aleatoriamente (um por paciente) de adultos (≥18 anos) com consultas de rotina.
• Variável de Desfecho: O status do encontro (comparecido vs. não utilizado [perdido ou cancelado]).
• Variáveis Preditivas (Features):
  • Características do paciente (demografia e tipo de seguro).
  • Características do agendamento (dia, hora, estação do ano e urbanidade).
  • Histórico do paciente (taxa de cancelamento anterior).
  • Intervalo de tempo entre a consulta atual e a visita anterior.
• Abordagem de Modelagem:
  • Comparação entre três modelos: Regressão Logística (linha de base estatística), Classificador de Floresta Aleatória (Random Forest) e Extreme Gradient Boosting (XGBoost).
  • Avaliação de desempenho utilizando Área Sob a Curva Característica Operacional do Receptor (AUC), sensibilidade e especificidade.
  • Aplicação de Inteligência Artificial Explicável (XAI) no modelo final (XGBoost) para quantificar o impacto das características e melhorar a interpretabilidade.

3. Resultados Principais

• Distribuição dos Dados: Das 5,69 milhões de consultas, 64,0% foram atendidas e 36,0% foram não utilizadas.
• Desempenho dos Modelos: O modelo de Machine Learning baseado em XGBoost superou os demais, alcançando uma AUC de 0,95.
  • Random Forest: AUC de 0,92.
  • Regressão Logística: AUC de 0,89.
• Análise de Impacto: A análise de XAI revelou que as associações entre os preditores e o risco de não utilização são altamente não lineares no nível individual, destacando a superioridade dos modelos de boosting em capturar essas complexidades em comparação com modelos lineares tradicionais.

4. Contribuições Chave

1. Escala e Generalização: Utilização de um dos maiores conjuntos de dados de EHR nacionais disponíveis, permitindo que os modelos sejam robustos e generalizáveis para o contexto dos EUA.
2. Comparação de Algoritmos: Demonstração empírica de que algoritmos avançados de machine learning (especificamente XGBoost) superam significativamente a regressão logística tradicional neste cenário específico.
3. Interpretabilidade: Integração de métodos de IA explicável para ir além da "caixa preta", fornecendo insights sobre quais fatores (como histórico de cancelamento e intervalos de tempo) mais influenciam a probabilidade de uma consulta ser perdida.
4. Aplicabilidade Prática: Validação de que dados rotineiramente coletados nos EHRs são suficientes para construir ferramentas preditivas de alta precisão.

5. Significado e Implicações

A capacidade de prever com alta precisão (AUC 0,95) quais consultas serão perdidas permite que as instituições de saúde implementem intervenções proativas. A integração desses modelos nos fluxos de trabalho de agendamento pode:

• Reduzir o desperdício de recursos clínicos.
• Otimizar a gestão de agendas (ex: oferecer listas de espera dinâmicas para pacientes de alto risco de cancelamento).
• Melhorar o acesso dos pacientes aos cuidados de saúde ao reduzir tempos de espera.

Limitações Notadas: O estudo é retrospectivo e depende da qualidade dos dados coletados rotineiramente, o que pode introduzir viés ou variáveis de confusão não medidas. Além disso, a base de dados não distinguiu claramente entre "cancelamentos" e "faltas" (no-shows), tratando-os como um único desfecho de "não utilizado".