💻 computer science

Machine Learning Approaches for Hourly Emergency Department Patient Arrival Forecasting: A Multi-Horizon Comparison with Operational Benchmarking at a Norwegian Hospital

Este estudo demonstra que modelos de aprendizado de máquina, particularmente uma arquitetura Direct LSTM+Optuna que evita o problema de "recursos congelados" inerente às abordagens autorregressivas recursivas, superam significativamente o baseline operacional baseado em calendário da Noruega para a previsão horária de chegada de pacientes ao departamento de emergência em ambos os horizontes de planejamento de curto e longo prazo.

Autores originais: Md Ariful Islam Foysal, Gustav Trygve Siqueland, Vetle Ellingsen Hauge, Rasmus Rimestad, Vimala Nunavath, Bjørn-Jostein Singstad

Publicado 2026-08-25

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Md Ariful Islam Foysal, Gustav Trygve Siqueland, Vetle Ellingsen Hauge, Rasmus Rimestad, Vimala Nunavath, Bjørn-Jostein Singstad

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

Os hospitais são lugares de movimento constante, onde o fluxo de pessoas é tão crítico de gerenciar quanto o fluxo de sangue ou eletricidade. Em um departamento de emergência, a diferença entre um turno tranquilo e uma crise caótica muitas vezes reside no tempo. Se um hospital souber exatamente quantos pacientes chegarão na próxima hora, poderá abrir o número certo de leitos, escalar o número correto de enfermeiros e preparar equipamentos de diagnóstico antes que a primeira pessoa atravesse a porta. Por décadas, administradores hospitalares confiaram em médias históricas simples para tomar essas decisões, observando o que aconteceu em uma terça-feira às 14h ao longo dos últimos meses e assumindo que hoje será o mesmo. Este método funciona bem o suficiente para padrões amplos, mas é cego à realidade imediata: uma tempestade repentina, um surto de casos de gripe ou um fluxo inesperado de feridos podem tornar uma média histórica inútil. O desafio para a medicina moderna é passar de adivinhar com base no passado para prever o futuro com a ajuda de computadores que possam aprender com dados complexos e em constante mudança.

Uma equipe de pesquisadores do Vestfold Hospital Trust, na Noruega, propôs-se a resolver este problema específico construindo um sistema de aprendizado de máquina capaz de prever a chegada de pacientes hora a hora. Eles reuniram um ano de dados, rastreando mais de 35.000 visitas de pacientes, e combinaram isso com informações em tempo real sobre o clima, taxas de infecção locais e feriados. Em seguida, treinaram cinco tipos diferentes de modelos computacionais para aprender os padrões ocultos nesses dados. O objetivo não era apenas ver se um computador poderia prever o futuro melhor do que uma simples consulta ao calendário, mas entender até que ponto essa previsão poderia permanecer precisa. Os pesquisadores compararam seus novos modelos com o sistema atual do hospital, que simplesmente consulta a mediana de chegadas para um dia e horário específicos.

Os resultados mostraram que, para o futuro imediato, os modelos de aprendizado de máquina eram significativamente mais precisos do que o método tradicional. Ao prever apenas uma hora à frente, o melhor modelo de aprendizado de máquina reduziu o erro médio em quase um paciente inteiro por hora em comparação com a abordagem padrão do hospital. Isso pode parecer um número pequeno, mas em uma sala de emergência movimentada, saber se deve esperar quatro ou seis pacientes pode determinar se um médico é chamado mais cedo ou se fica esperando. Os modelos computacionais alcançaram isso ao notar sinais sutis que um calendário não consegue ver, como a forma como a taxa de chegada está mudando agora ou como o clima atual pode influenciar as decisões das pessoas de buscar atendimento.

No entanto, o estudo revelou uma falha surpreendente e crítica na forma como alguns desses modelos computacionais avançados funcionam quando solicitados a olhar mais longe no futuro. Quando os pesquisadores pediram aos modelos para prever doze ou vinte e quatro horas à frente, os sistemas de aprendizado profundo (deep learning) mais sofisticados subitamente falharam. Suas previsões tornaram-se tão imprecisas que foram piores do que simplesmente adivinhar a média. Os pesquisadores descobriram a causa: um problema estrutural que chamaram de "problema da característica congelada" (frozen-feature problem). Esses modelos foram projetados para olhar para uma janela do passado para prever o próximo passo e, em seguida, usar essa previsão para adivinhar o passo seguinte. Ao fazer isso, eles mantiveram a informação da hora do dia fixa no ponto de partida da janela. Como a hora do dia é o fator mais importante para prever a chegada de pacientes, o modelo efetivamente esqueceu que o tempo estava passando. Ele continuou prevendo o futuro como se ainda fosse a mesma hora em que começou, levando a um colapso total na precisão conforme o horizonte de previsão se estendia.

Para corrigir isso, a equipe desenvolveu uma abordagem diferente que não tenta prever uma hora de cada vez e alimentar o resultado de volta no sistema. Em vez disso, construíram um modelo que calcula as vinte e quatro horas do futuro em um único passo simultâneo. Este método, que nomearam de modelo LSTM Direto (Direct LSTM), evitou a armadilha de esquecer a passagem do tempo. Embora fosse ligeiramente menos preciso para a primeiríssima hora em comparação com os outros modelos, ele permaneceu confiável até um dia inteiro. Na marca de doze horas, onde os outros modelos avançados haviam colapsado em inutilidade, esta nova abordagem ainda fornecia uma previsão significativa. Na marca de vinte e quatro horas, era o único modelo capaz de oferecer uma previsão útil, superando tanto o sistema tradicional do hospital quanto as outras tentativas de aprendizado de máquina.

O estudo conclui que não existe um único "melhor" modelo para todas as situações. Para decisões imediatas, como o dimensionamento de pessoal para a próxima hora, os modelos tradicionais de aprendizado profundo funcionam melhor. Mas para o planejamento de longo prazo, como a preparação para o dia seguinte, a nova abordagem direta é essencial. Os pesquisadores já transformaram esta solução em uma ferramenta protótipo que o hospital pode usar diretamente, alimentando-a com dados atuais para gerar uma previsão de vinte e quatro horas que se integra perfeitamente ao seu painel de planejamento existente. Este trabalho demonstra que, embora a inteligência artificial possa melhorar dramaticamente as operações hospitalares, a maneira como a tecnologia é construída importa tanto quanto os dados dos quais ela aprende. Ao identificar e corrigir uma fraqueza estrutural específica na forma como esses modelos lidam com o tempo, os pesquisadores forneceram um caminho prático para que hospitais em todo o mundo gerenciem seu recurso mais precioso: o tempo.

Resumo Técnico: Abordagens de Aprendizado de Máquina para a Previsão Horária de Chegada de Pacientes em Departamentos de Emergência

Declaração do Problema
A superlotação dos Departamentos de Emergência (DE) é uma crise global ligada ao aumento da mortalidade e à redução da satisfação do paciente. A gestão eficaz requer a previsão precisa dos volumes de chegada de pacientes para permitir o planejamento de pessoal e a alocação de recursos de forma proativa. Embora a literatura de previsão tenha evoluído de métodos estatísticos (ex: ARIMA) para o aprendizado de máquina (ML), lacunas significativas permanecem:

A maioria dos estudos opera em resolução diária, em vez da resolução horária operacional necessária para o planejamento de turnos.
O desempenho da previsão multi-passo (multi-step) frequentemente degrada-se severamente em horizontes mais longos, sem que as causas estruturais dessa degradação sejam totalmente isoladas.
Poucas abordagens realizam o benchmarking contra os sistemas operacionais reais que os hospitais utilizam (ex: buscas de mediana baseadas em calendário), limitando a relevância prática.

Este estudo aborda essas lacunas desenvolvendo e avaliando frameworks de ML para a previsão horária de chegadas ao DE no Vestfold Hospital Trust (SiV) na Noruega, comparando explicitamente múltiplas famílias de modelos contra a linha de base operacional existente do hospital em horizontes de 1 a 24 horas.

Metodologia
O estudo utilizou 12 meses de dados de visitas ao DE (35.674 pacientes, outubro de 2023–outubro de 2024) combinados com covariáveis externas para criar um conjunto de características de 46 variáveis. As fontes de dados incluíram:

Características temporais: Codificações cíclicas (seno/cosseno) para o tempo, características de defasagem (lag) e médias móveis exponenciais (EMA).
Covariáveis externas: Dados meteorológicos horários, estatísticas mensais de infecção (influenza, COVID-19) e indicadores de feriados públicos.

O conjunto de dados foi dividido cronologicamente (80/10/10) para evitar vazamento de informação. Cinco modelos foram treinados e avaliados:

Linha de Base de Mediana (Median Baseline): O sistema operacional do hospital, uma tabela de busca 7×24 de medianas de chegadas baseada nos quatro meses anteriores.
LightGBM: Um modelo de gradient boosting com recomputação explícita de características temporais em cada etapa de previsão.
LSTM / BiLSTM: Redes de Long Short-Term Memory padrão e Bidirecionais utilizando rollout autorregressivo recursivo.
LSTM+Optuna: Uma arquitetura LSTM otimizada via busca de hiperparâmetros Bayesiana (Optuna).
Direct LSTM+Optuna: Um modelo de múltiplas saídas (multi-output) que prevê todas as 24 horas futuras simultaneamente em uma única passagem direta (forward pass), eliminando o rollout recursivo.

O desempenho foi avaliado usando RMSE, MAE, $R^2$ e MAPE em horizontes de 1, 2, 6, 12 e 24 horas.

Principais Contribuições e Descobertas

1. Desempenho de Curto Horizonte (1–6 Horas)
No horizonte de 1 hora, todos os modelos de ML autorregressivos superaram a Linha de Base de Mediana operacional em RMSE.

O LSTM+Optuna alcançou o menor RMSE (1,75 pacientes/hora) comparado aos 2,43 da linha de base.
O LightGBM alcançou o maior coeficiente de determinação ( $R^2 = 0,46$ ), indicando uma captura superior da variância de chegada em comparação com a família LSTM ( $R^2 \approx 0,36–0,39$ ).
A análise de importância de características revelou que, embora as características temporais (especificamente hour cos) dominassem, o LightGBM aproveitou sinais em tempo real (tendências de EMA, taxas de infecção, pressão) para melhorar a explicação da variância, capacidades que a linha de base baseada apenas em calendário não possui.

2. O "Problema da Característica Congelada" na Previsão de Longo Horizonte
Uma descoberta crítica foi a falha catastrófica dos modelos LSTM autorregressivos no horizonte de 12 horas.

Observação: Todas as três variantes de LSTM autorregressiva (LSTM, BiLSTM, LSTM+Optuna) produziram valores de $R^2$ negativos no horizonte de 12 horas (variando de -0,08 a -0,45), performando pior do que uma simples média global.
Mecanismo: O estudo identifica o "problema da característica congelada" (frozen-feature problem) como a causa. No rollout recursivo, as características temporais dentro da janela de observação escalonada (especificamente hour cos) permanecem fixas em seus valores iniciais em vez de atualizarem para refletir a hora de previsão alvo. Como o hour cos é a característica mais importante (ganho de importância 119.021), esse erro estrutural desorienta sistematicamente as previsões.
Contraste: O LightGBM evitou esse colapso porque recomputa explicitamente as características temporais em cada etapa de rollout, mantendo um $R^2$ positivo (0,14) às 12 horas.

3. Saída Direta Multi-Saída como Solução
O modelo Direct LSTM+Optuna, que prevê a trajetória completa de 24 horas em uma única passagem direta, eliminou com sucesso tanto o acúmulo de erro quanto o problema da característica congelada.

Ele manteve $R^2$ positivo em todos os horizontes, declinando suavemente de 0,29 (1h) para 0,26 (12h) e 0,18 (24h).
Nas 12 e 24 horas, ele superou significativamente as variantes de LSTM autorregressivas, alcançando o maior $R^2$ de qualquer modelo no horizonte de 24 horas.

Significância e Alegações
O artigo afirma que, embora os modelos de ML ofereçam melhorias significativas sobre as linhas de base operacionais para o planejamento de curto prazo, a arquitetura do modelo é crítica para horizontes mais longos.

Recomendação Estratégica: Os autores propõem uma estratégia de seleção de modelo por horizonte: usar LSTM+Optuna ou BiLSTM para janelas de 1–6 horas (minimizando o RMSE) e mudar para Direct LSTM+Optuna para janelas de planejamento de 12–24 horas para evitar a degradação estrutural.
Generalização: O "problema da característica congelada" é identificado como uma causa estrutural geral da degradação de longo horizonte em qualquer previsor recursivo baseado em LSTM que incorpore codificações temporais cíclicas. A arquitetura de saída direta (direct multi-output) é apresentada como um remédio geral.
Integração Operacional: O modelo Direct LSTM+Optuna foi implantado como um protótipo de API de inferência no Hugging Face, projetado para se alinhar diretamente ao dashboard de planejamento de 24 horas do SiV sem exigir pipelines de pré-processamento personalizados.

O estudo conclui que o aprendizado de máquina pode melhorar as operações dos DE, mas apenas quando escolhas arquitetônicas específicas são feitas para abordar os desafios únicos da previsão de séries temporais recursivas em ambientes de saúde.

Resumo Técnico: Abordagens de Aprendizado de Máquina para a Previsão Horária de Chegada de Pacientes em Departamentos de Emergência

Mais como este