| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 21.22 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A previsão precisa do tempo de ocupação da sala operatória é fundamental para a eficiência hospitalar, uma vez que os blocos operatórios representam uma das áreas mais críticas e financeiramente exigentes do sistema de saúde. Uma estimativa inadequada pode resultar em atrasos, cancelamentos, aumento das listas de espera e de custos, bem como a sobrecarga das equipas e insatisfação dos doentes. Por outro lado, uma previsão mais fiável permite otimizar a gestão a alocação dos recursos humanos e materiais, reduzir desperdícios, melhorar a gestão dos horários e aumentar a produtividade global do bloco operatórios. Neste contexto, a utilização de métodos ba-seados em machine learning surge como uma oportunidade para apoiar as equipas no planeamento, ao permitir integrar múltiplas variáveis clínicas e organizacionais que influenciam a duração da cirurgia, superando as limita-ções das estimativas tradicionais que têm por base essencialmente a experiência clínica. Este estudo teve como objetivo desenvolver um modelo preditivo baseado em machine learning para estimar a duração da ocupação da sala operatória, utilizando variáveis clínicas e organizacionais disponíveis no momento do agendamento. Foram avaliados dois algoritmos, Random Forest e LightGBM, aplicados a um conjunto de dados de 1246 episó-dios cirúrgicos realizados na Unidade Local de Saúde de São João entre janeiro de 2023 e dezembro de 2024. A análise considerou diferentes cenários: inclusão e exclusão de outliers e presença/ausência da variável Tempo Previsto em dois níveis de abordagem: modelo global e modelo específico por especialidade. O desempenho dos modelos foi avaliado através de validação cruzada k-fold (k=5), reportando-se o erro médio absoluto (MAE), a raiz do erro quadrático médio (RMSE) e o coeficiente de determinação (R2) como média ± desvio padrão. Os resultados evidenciaram desempenho preditivo moderado, com destaque para o Random Forest sem outliers e com a inclusão da variável Tempo Previsto, que apresentou MAE de 24,5 minutos e R2 =0,54. A análise por es-pecialidade revelou melhores resultados em Urologia (R2= 0,62) e menor precisão em Cirurgia Geral (R2 = 0,43). A variável Tempo Previsto destacou-se como o preditor mais relevante, mas outras variáveis clínicas e organizaci-onais também contribuíram para a explicação da variabilidade. Conclui-se que, embora com capacidade explicativa moderada, os modelos testados constituem uma ferramenta promissora para apoiar o planeamento cirúrgico e a gestão do bloco operatório. Estudos futuros deverão incluir variáveis adicionais e explorar algoritmos mais avançados, de forma a aumentar a robustez e aplicabilidade prática destas previsões.
Descrição
Palavras-chave
Planeamento cirúrgico Bloco operatório Machine Learning Previsão da duração cirúrgica Random Forest LightGBM