💻 computer science

An Enhanced Memetic Algorithm for Emergency Outpatient Physician Scheduling Considering Patient Psychological Distress and Physician Fatigue in Fuzzy-CPT Framework

Este estudo propõe um algoritmo memético aprimorado dentro de uma estrutura fuzzy-CPT para otimizar a escala de médicos de pronto atendimento, minimizando simultaneamente o sofrimento psicológico do paciente e a percepção de fadiga do médico, validado por meio de dados reais de um hospital de Xangai durante a pandemia da COVID-19.

Autores originais: Junji Zhou, Jiawei Wu

Publicado 2026-09-22

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Junji Zhou, Jiawei Wu

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No ambiente de alto risco de uma sala de emergência de um hospital, o tempo não é apenas uma métrica; é uma força psicológica. Quando os pacientes esperam, sua ansiedade não aumenta simplesmente em uma linha reta; ela dispara bruscamente assim que a fila cresce demais, criando um estado de angústia que pode parecer avassalador. Simultaneamente, os médicos que os tratam não estão imunes à pressão. Sua exaustão não é meramente uma questão de horas trabalhadas; é um sentimento que se aprofunda desproporcionalmente uma vez que ultrapassam um limite pessoal, e é fortemente influenciado pelo fato de seus colegas estarem compartilhando o fardo ou se eles sentem que são os únicos que restaram de pé. Por décadas, administradores hospitalares tentaram resolver o quebra-cabeça de quem trabalha quando, muitas vezes baseando-se em escalas rígidas que tratam a fadiga como um custo simples e as filas de espera como uma fila simples. No entanto, esses métodos tradicionais frequentemente falham em capturar a complexa realidade humana de como o estresse e o cansaço realmente são sentidos durante uma crise.

Um novo estudo realizado pelos pesquisadores Junji Zhou e Jiawei Wu aborda este problema construindo uma ferramenta de escalonamento sofisticada que escuta a mente humana. Eles focaram no escalonamento semanal de médicos de atendimento ambulatorial de emergência durante grandes emergências de saúde pública, como o auge da pandemia de COVID-19. Os pesquisadores perceberam que, para criar um cronograma verdadeiramente eficaz, precisavam levar em conta dois fatores invisíveis, mas poderosos: o sofrimento psicológico dos pacientes que esperam e a fadiga subjetiva dos médicos. Eles combinaram dois conceitos comportamentais para modelar esses sentimentos. Primeiro, utilizaram um método para descrever como a fadiga é sentida de forma difusa e gradual, em vez de uma mudança súbita de "cansado" para "exaurido". Segundo, aplicaram uma teoria de tomada de decisão que reconhece que as pessoas sentem a dor de trabalhar demais de forma muito mais intensa do que o prazer de trabalhar menos, especialmente quando se comparam aos seus pares. Ao tecer esses comportamentos humanos em um modelo matemático, criaram um sistema que busca um equilíbrio entre manter os pacientes calmos e evitar o esgotamento dos médicos.

Os pesquisadores testaram sua abordagem usando dados reais de um grande hospital terciário em Xangai durante o auide da pandemia. Eles compararam seu novo método com algoritmos de escalonamento padrão e mais antigos. Os resultados mostraram uma vantagem clara para a abordagem deles. Em uma série de testes envolvendo doze semanas diferentes de dados de pacientes, seu novo algoritmo produziu consistentemente resultados melhores. Foi particularmente bem-sucedido em eliminar o sofrimento psicológico dos pacientes que esperavam; em sete das doze situações de teste, o novo método conseguiu manter a fila de espera curta o suficiente para que os pacientes não sentissem angústia, enquanto os métodos antigos falharam em alcançar isso em nenhum desses casos. O novo sistema também conseguiu reduzir o "custo" geral do cronograma, que incluía a fadiga sentida pelos médicos, o dinheiro gasto para trazer ajuda extra e a ansiedade da sala de espera. O algoritmo alcançou isso não simplesmente trabalhando mais horas, mas organizando os turnos de forma mais inteligente, combinando o número de médicos de plantão com a chegada flutuante de pacientes ao longo do dia e da noite.

Um dos aspectos mais reveladores do estudo foi como as diferenças culturais na psicologia humana podem alterar os resultados. Os pesquisadores testaram seu modelo usando dois conjuntos diferentes de parâmetros comportamentais: um baseado em estudos conduzidos nos Estados Unidos e outro baseado em estudos conduzidos na China. Eles descobriram que os números específicos usados para descrever como as pessoas valorizam o tempo e se comparam aos outros alteraram significativamente o cronograma final. Ao usar os parâmetros derivados de estudos chineses, o modelo tendia a criar cronogramas mais sensíveis ao sentimento de injustiça quando apenas poucos médicos trabalhavam horas extras. Isso sugere que uma abordagem de escalonamento única para o mundo todo pode não funcionar globalmente; o que parece um cronograma justo e eficiente em uma cultura pode parecer estressante ou ineficiente em outra. O estudo confirmou que a compreensão dessas nuances psicológicas sutis é essencial para criar cronogramas que funcionem no mundo real.

Para resolver este quebra-cabeça complexo, os pesquisadores desenvolveram um programa de computador especializado, uma versão aprimorada de um tipo de algoritmo conhecido como algoritmo memético. Pense neste programa como um planejador altamente qualificado que pode testar milhares de combinações de cronogramas em um curto período de tempo. Diferente de planejadores antigos que poderiam ficar presos em uma solução local, este novo programa utiliza uma estratégia de busca de múltiplas camadas. Ele observa o cronograma de diferentes ângulos: deslocando o horário de início de um único turno em uma hora, adicionando ou removendo um médico para um dia específico, ou reorganizando toda a rotação da equipe. Ele também utiliza uma abordagem de "dois estágios" para iniciar seu trabalho, primeiro construindo um rascunho do cronograma usando duas estratégias diferentes — uma focada em turnos noturnos e outra em turnos diurnos — e depois refinando-o. Isso permitiu que o programa encontrasse soluções que fossem tanto justas para os médicos quanto eficientes para os pacientes, algo que o escalonamento manual ou programas de computador mais simples não conseguiriam alcançar.

O estudo também explorou como a mudança de regras específicas afetaria o resultado, um processo conhecido como análise de sensibilidade. Eles descobriram que o número de médicos disponíveis era um ponto de inflexão crítico. Quando o hospital tinha menos médicos, o sistema lutava para manter a fila de espera curta, levando a alta angústia do paciente e alta fadiga do médico. No entanto, uma vez que o número de médicos atingia um certo limiar, o sistema conseguia gerenciar o fluxo facilmente, e a angústia caía para zero. Curiosamente, descobriram que simplesmente permitir que os médicos trabalhassem mais horas por dia nem sempre ajudava; havia uma faixa ideal onde a flexibilidade era possível sem causar fadiga extrema. Eles também descobriram que o custo de trazer médicos extras de outros departamentos desempenhava um papel importante. Se trazer ajuda extra fosse barato, o sistema preferia usá-la para manter a equipe principal descansada. Se fosse caro, o sistema tentava otimizar mais a equipe existente, embora isso às vezes levasse a uma maior fadiga.

Em última análise, esta pesquisa fornece uma ferramenta cientificamente fundamentada para gestores hospitalares enfrentando o caos de uma crise de saúde pública. Ela vai além da matemática simples para incluir a experiência humana de esperar e trabalhar. Ao reconhecer que a fadiga é um sentimento que cresce com a comparação e que a espera é um fardo psicológico que dispara em certos pontos, o estudo oferece uma maneira de tomar decisões de escalonamento que não são apenas eficientes, mas humanas. As descobertas sugerem que, durante emergências, a melhor maneira de proteger tanto os pacientes quanto os médicos é usar sistemas de escalonamento que entendam a mente tão bem quanto o relógio. Os pesquisadores concluem que seu método oferece uma maneira robusta de lidar com a incerteza de futuras crises de saúde, garantindo que as linhas de frente da assistência médica permaneçam sustentáveis mesmo sob a pressão mais intensa.

1. Definição do Problema

O estudo aborda o problema de otimização do escalonamento semanal de médicos de ambulatório de emergência durante grandes emergências de saúde pública (ex: pandemias). Diferente dos ambientes ambulatoriais convencionais, as clínicas de emergência enfrentam chegadas de pacientes altamente estocásticas e variáveis no tempo, requisitos rigorosos de controle de infecção e a vulnerabilidade psicológica dos pacientes.

O desafio central é um duplo compromisso (trade-off):

Sofrimento Psicológico do Paciente: Pacientes em espera experimentam sofrimento psicológico não linear (ansiedade, sofrimento) que escala bruscamente conforme o comprimento das filas aumenta além de um limiar crítico, eventualmente estabilizando-se em um limite de tolerância.
Percepção de Fadiga do Médico: Médicos trabalhando sob alta pressão não experimentam a fadiga de forma linear. Sua percepção é influenciada por:
- Aversão à Perda: Eles são significativamente mais sensíveis às horas de trabalho que excedem um ponto de referência psicológico subjetivo do que às horas dentro de uma faixa aceitável.
- Dinâmica de Grupo: A percepção de fadiga individual é amplificada quando apenas alguns colegas trabalham horas extras (injustiça), mas atenuada quando as horas extras são generalizadas (assimilação de grupo).
- Fronteiras Difusas (Fuzzy): Os níveis de fadiga transitam gradualmente em vez de possuírem limiares rígidos.

Modelos existentes frequentemente tratam a fadiga como uma penalidade linear ou ignoram a psicologia do paciente, falhando em capturar essas complexidades comportamentais. O objetivo é minimizar uma função objetivo unificada que compreende os custos de percepção de fadiga do médico, custos de sofrimento psicológico do paciente e custos de remanejamento (secondment) de médicos, sujeitos a restrições operacionais complexas (limites de turno, períodos de descanso, regulamentações de turno noturno e limiares de comprimento de fila).

2. Metodologia

A. O Modelo de Estrutura "Fuzzy-CPT"

Os autores propõem um framework unificado integrando a Teoria dos Conjuntos Difusos (Fuzzy Set Theory) e a Teoria do Prospecto Cumulativo (CPT) para quantificar custos:

Custo de Sofrimento Psicológico do Paciente ( $C_{tor}$ ): Modelado usando uma função ALO-S2 modificada (uma curva do tipo sigmoide) para capturar a relação não linear entre o comprimento da fila e o sofrimento. O sofrimento é zero abaixo de um limiar ( $L_c$ ), aumenta rapidamente em um intervalo sensível e atinge um limite superior ( $L_{ul}$ ).
Custo de Percepção de Fadiga do Médico ( $C_{tir}$ ): Construído através de uma lógica de três camadas:
1. Grau de Pertencimento de Fadiga Difusa: Funções de pertinência trapezoidais mapeiam as horas de trabalho semanais objetivas para três níveis de fadiga difusa (Leve, Moderada, Severa), capturando a natureza contínua e ambígua da fadiga.
2. Função de Valor CPT: Uma função de valor $\nu(T_n)$ modela a aversão à perda. Horas de trabalho abaixo de um ponto de referência ( $T_{ref}$ ) estão no domínio do "ganho", enquanto as horas acima estão no domínio da "perda", onde a dor das horas extras é amplificada por um coeficiente de aversão à perda ( $\lambda$ ).
3. Efeito de Equipe: Uma função de ponderação de probabilidade $w(p)$ ajusta a fadiga individual com base na proporção da equipe que está trabalhando horas extras ( $p$ ). Isso captura o efeito de comparação social, onde as horas extras isoladas parecem mais onerosas do que as coletivas.
Custo de Remanejamento/Segundo (Secondment Cost - $C_{bor}$ ): Um custo linear para médicos temporariamente designados de outros departamentos para atender à demanda.

B. O Algoritmo Memético Aperfeiçoado (EMA)

Como o problema é NP-difícil com restrições não lineares, os autores projetam um Algoritmo Memético Aperfeiçoado (EMA) para resolver o modelo. O EMA melhora um Algoritmo Memético Básico (BMA) através de três principais aperfeiçoamentos:

Codificação Hierárquica e Decodificação Multiobjetivo:
- Utiliza uma estrutura de cromossomo hierárquica onde cada médico é uma unidade de gene contendo sequências de turnos e metadados.
- Inclui "genes de cache de custo" para armazenar custos de fadiga, sofrimento e remanejamento pré-calculados, permitindo a avaliação de fitness em tempo real sem computação redundante.
Inicialização de População em Dois Estágios Adaptativa:
- Estágio 1: Gera um esqueleto de escalonamento usando duas estratégias gananciosas (greedy) distintas (uma focada na distribuição de turnos noturnos e outra no equilíbrio de turnos diurnos).
- Estágio 2: Refina o esqueleto via ajuste iterativo com um mecanismo de reset para evitar ótimos locais e garantir diversidade.
Busca de Vizinhança Colaborativa de Multigranularidade:
- Integra Descida de Vizinhança Variável (VND), Busca de Vizinhança Variável (VNS) e VNS Generalizada (GVNS).
- Define quatro níveis de operadores de vizinhança: Nível de Hora (Mover, Encurtar, Estender), Nível de Turno (Aumentar, Diminuir), Nível de Médico (Adicionar, Reduzir) e Nível de Grupo (Rearranjar).
- Utiliza um critério de aceitação de decaimento exponencial para equilibrar velocidade de convergência e qualidade da solução.

3. Principais Contribuições

O artigo reivindica quatro contribuições primárias:

Framework Teórico: Desenvolvimento de uma perspectiva "Fuzzy-CPT" que constrói uma estrutura de avaliação de fadiga tridimensional (carga fisiológica, percepção subjetiva e influência do grupo), indo além dos modelos de penalidade linear.
Modelo de Otimização: Formulação de um modelo de escalonamento semanal que minimiza simultaneamente a percepção de fadiga do médico, o sofrimento psicológico do paciente e os custos de remanejamento, incorporando restrições comportamentais complexas.
Inovação Algorítmica: Design do EMA, que apresenta codificação hierárquica, uma estratégia de inicialização de dois estágios e busca colaborativa de multigranularidade para resolver efetivamente o modelo NP-difícil.
Validação Empírica e Adaptabilidade Cultural: Validação usando dados reais de um hospital terciário de Xangai durante o pico da COVID-19. O estudo inclui uma comparação transcultural de parâmetros CPT (configurações chinesas vs. americanas), demonstrando a adaptabilidade do modelo a diferentes contextos comportamentais.

4. Resultados Experimentais

Experimentos numéricos foram conduzidos usando 12 semanas de dados reais de um grande hospital de Xangai.

Desempenho do Algoritmo: O EMA superou significativamente o Algoritmo Memético Básico (BMA) e um algoritmo de Busca de Vizinhança Variável Melhorado (IVNS).
- O EMA alcançou os menores valores de objetivo total ( $Z$ ) em todos os casos de teste.
- O EMA conseguiu reduzir o custo de sofrimento psicológico do paciente ( $C_{tor}$ ) para zero em 7 de 12 casos, enquanto o BMA conseguiu isso em apenas 1 caso e o IVNS em nenhum.
- O EMA demonstrou uma responsividade dinâmica superior às flutuações de chegada de pacientes em comparação ao escalonamento real rígido e aos resultados atrasados do IVNS.
Sensibilidade de Parâmetros:
- Diferenças Culturais: Resultados de escalonamento usando parâmetros CPT chineses (maior sensibilidade ao risco $\alpha, \beta$ ) geralmente geraram custos de fadiga mais altos do que os parâmetros dos EUA, destacando o impacto dos traços comportamentais culturais nos resultados de otimização.
- Limiares ( $L_c, L_{ul}$ ): O aumento dos limiares de comprimento de fila expandiu a região viável, permitindo uma melhor gestão da fadiga sem aumentar o sofrimento.
- Contagem de Médicos ( $N_1$ ): Um efeito de escala crítico foi observado; aumentar o número de médicos até um ponto crítico reduziu drasticamente os custos, enquanto aumentos posteriores geraram retornos decrescentes.
- Horas de Referência ( $T_{ref}$ ): Elevar o ponto de referência psicológico deslocou o espaço de otimização, permitindo uma melhor distribuição da fadiga.
- Custo de Remanejamento ( $P_{bor}$ ): Custos de remanejamento mais altos forçaram o algoritmo a otimizar o escalonamento interno, às vezes aumentando a fadiga, mas mantendo o controle da fila.

5. Significância e Alegações

Os autores afirmam que esta pesquisa fornece uma ferramenta de suporte à decisão cientificamente fundamentada para o escalonamento de ambulatórios de emergência durante crises de saúde pública.

Realismo Comportamental: Ao integrar a lógica difusa e a teoria do prospecto, o modelo captura as respostas psicológicas "irracionais", mas previsíveis, tanto de pacientes quanto de médicos, que os modelos lineares perdem.
Aplicabilidade Prática: O uso de dados do mundo real e a demonstração da capacidade do EMA de lidar com a demanda variável no tempo validam sua utilidade para administradores hospitalares.
Visão Transcultural: O estudo destaca que os parâmetros de escalonamento (especificamente atitudes de risco e efeitos de grupo) são dependentes da cultura, sugerindo que as ferramentas globais de escalonamento devem ser calibradas para os contextos comportamentais locais.
Insights Gerenciais: As análises de sensibilidade oferecem orientação acionável, como identificar níveis críticos de pessoal médico e os compromissos entre a flexibilidade do escalonamento interno e o remanejamento de recursos externos.

O artigo conclui que o framework e o algoritmo propostos equilibram efetivamente a eficiência do serviço, a experiência do paciente e o bem-estar do médico, oferecendo uma solução robusta para o ambiente complexo e de alta pressão da medicina de emergência.