Predicting the Number of Open Operating Rooms to Enhance Resource Allocation and Patient Quality of Care

Resumo Técnico: Predição do Número de Salas de Operação Abertas para Otimizar a Alocação de Recursos e a Qualidade do Cuidado ao Paciente

Definição do Problema
A natureza dinâmica da demanda cirúrgica cria desafios significativos para o planejamento e o agendamento de recursos dentro das suítes cirúrgicas. A incerteza na carga de trabalho frequentemente força os administradores a tomar decisões conservadoras de alocação de recursos a montante, levando a frequentes erros de alocação de pessoal. Isso resulta tanto em subdimensionamento, que causa cargas de trabalho excessivas, burnout e custos de horas extras, quanto em superdimensionamento, que gera tempo ocioso e ineficiência. Uma lacuna crítica na literatura existente é a falta de uma métrica interpretável que traduza o volume de pacientes em um requisito direto de pessoal com antecedência suficiente para o gerenciamento de escalas de médio prazo (ex: concessão de folgas remuneradas ou dias de pesquisa). Embora estudos anteriores tenham focado na predição de volumes de casos cirúrgicos, utilização de blocos ou durações de cirurgias, estes não abordam diretamente a demanda máxima simultânea necessária para o gerenciamento de escalas de médio prazo.

Metodologia
Os autores desenvolveram um framework de aprendizado profundo baseado em uma arquitetura Wide-and-Deep para prever o número máximo diário de salas de operação (ORs) abertas. Esta métrica serve como um proxy para a intensidade máxima de recursos e necessidades de pessoal.

• Fonte de Dados: O modelo foi treinado com dados cirúrgicos históricos da Mayo Clinic em Rochester, Minnesota, abrangendo de 5 de maio de 2018 a 8 de outubro de 2023 (332.904 casos cirúrgicos). Dados de fins de semana, feriados e o período inicial da COVID-19 (março a maio de 2020) foram excluídos para garantir a consistência. O conjunto de dados foi dividido em conjuntos de treinamento (1.028 dias), validação (254 dias) e teste (257 dias).
• Engenharia de Atributos (Feature Engineering): O modelo incorpora atributos ao longo de um horizonte de previsão de 90 dias (Janelas 1–90, onde a Janela 1 é o dia anterior à cirurgia). Os principais atributos incluem:
  • Métricas de Volume: Número de listagens cirúrgicas e cirurgiões únicos calculados ao longo da janela de 90 dias.
  • Métricas de Tendência: Média, mínimo, máximo e desvio padrão de ORs abertas nos precedentes 5, 10, 20 e 30 dias.
  • Indicadores Temporais/Sazonais: Dia da semana, número da semana, número do mês, dia do mês, código de cor do dia cirúrgico (Azul/Laranja) e indicadores binários para pré/pós-feriados e férias de primavera (spring breaks).
  • Identificadores Categóricos: Divisão de anestesia (9 divisões agrupadas em 5 categorias operacionais baseadas em padrões de uso compartilhados).
• Arquitetura do Modelo:
  • Componente Wide (Largo): Lida com atributos categóricos (ex: dia da semana, divisão) e atributos numéricos discretizados (listagens/cirurgiões agrupados em 20 baldes) para memorizar interações específicas e evitar a perda de informação decorrente da codificação one-hot esparsa. Inclui cruzamentos de atributos (ex: mês × dia).
  • Componente Deep (Profundo): Utiliza múltiplas camadas densas com ativação Rectified Linear Unit (ReLU) e regularização por dropout para aprender relações complexas e não lineares nos atributos numéricos e em atributos categóricos selecionados.
• Treinamento e Otimização: Os modelos foram treinados usando o otimizador Adam com uma função de perda de Erro Quadrático Médio (MSE) ao longo de 500 épocas. Hiperparâmetros (taxa de aprendizado, profundidade, largura, taxa de dropout, regularização L2) foram ajustados via otimização Bayesiana. Modelos separados foram treinados para cada um dos 5 grupos de divisões de anestesia para capturar dinâmicas operacionais únicas.
• Implantação: O pipeline de inferência executa um job em lote sem servidor no Google Cloud Platform (Google Cloud Run), gerando predições diárias para até 90 dias úteis de antecedência. Os resultados são visualizados via um dashboard do Tableau para gestores operacionais.

Principais Contribuições

1. Métrica Operacional Inovadora: O estudo introduz o "número máximo diário de ORs abertas" como uma métrica específica e interpretável para o dimensionamento de pessoal. Diferente de volumes agregados ou alocações de blocos, esta métrica reflete diretamente a demanda máxima simultânea que dita o número mínimo de anestesiologistas e pessoal de apoio necessários.
2. Framework Preditivo: Os autores demonstram que modelos de aprendizado profundo podem prever com precisão esta métrica com até 90 dias úteis de antecedência, um intervalo de tempo anteriormente difícil de abordar devido à falta de dados detalhados por caso.
3. Aplicação Arquitetural: A aplicação de uma arquitetura Wide-and-Deep a dados longitudinais cirúrgicos captura efetivamente tanto padrões categóricos memorizados (via componente wide) quanto tendências não lineares complexas (via componente deep).

Resultados

• Acurácia Preditiva: O modelo demonstrou um forte desempenho em todos os horizontes de previsão. O Erro Quadrático Médio (RMSE) para o campus agregado de Rochester variou de 5 a 7 ORs abertas. Para campi específicos, o RMSE foi menor: Saint Marys Campus (SMC) variou de 4 a 5, Methodist Campus (RMC) de 2 a 4, e o Gonda Building de 1 a 3.
• Distribuição de Erro: A análise de erro mostrou que os erros de predição foram aproximadamente normais e centrados em zero (ex: erro médio de -0,27 para RMC na Janela 4), indicando que o modelo não apresenta viés sistemático de super ou subpredição.
• Rastreamento de Tendências: Visualizações confirmaram que os modelos rastreiam com precisão picos diários, quedas e tendências gerais no uso de ORs entre diferentes divisões de anestesia.
• Estabilidade do Horizonte: O desempenho permaneceu estável conforme o horizonte de previsão se estendia dos dias imediatos para vários meses, validando a utilidade do framework para o planejamento de escalas de médio prazo.

Significância e Alegações
O artigo afirma que este trabalho preenche uma lacuna na gestão de operações perioperatórias ao traduzir a demanda cirúrgica incerta em uma métrica relevante para o dimensionamento de pessoal. Ao fornecer previsões precisas de médio prazo sobre a concorrência de pico de ORs, o framework permite que gestores de saúde possam:

• Alinhar a capacidade de pessoal mais proximamente com a demanda antecipada.
• Reduzir o superdimensionamento conservador e os custos associados de horas extras e burnout.
• Minimizar o subdimensionamento e as resultantes interrupções no cuidado ao paciente.
• Conceder maior controle aos provedores sobre suas agendas, facilitando o planejamento de atividades não clínicas (ex: pesquisa, folga remunerada).

Os autores observam que, embora a aplicação específica seja na Mayo Clinic, o framework conceitual e a abordagem metodológica são generalizáveis para outros sistemas de saúde. Eles reconhecem limitações quanto à intensidade computacional do ajuste exaustivo de modelos e sugerem que trabalhos futuros possam explorar Busca de Arquitetura Neural (NAS) automatizada ou IA agêntica para otimizar ainda mais a seleção de modelos entre as muitas configurações necessárias.