Uma estrutura conformal hierárquica para previsão de tempo de internação com consciência de incerteza em cenários multi-hospitalares

Por que previsões de permanência hospitalar importam

Quando alguém é internado, uma das primeiras perguntas feitas por familiares e profissionais é: “Quanto tempo ele ficará aqui?” A resposta vai muito além da curiosidade: impacta a disponibilidade de leitos, escalas de pessoal, planejamento de salas cirúrgicas e até se o paciente pode voltar para casa com segurança ou precisará de suporte adicional. Este artigo descreve uma nova forma de prever o tempo de internação que não se limita a um único número, mas fornece também uma faixa realista que reflete quanta incerteza há na previsão — algo crucial para um cuidado seguro e eficiente.

O desafio de prever o tempo no hospital

Prever o tempo de internação é mais difícil do que parece. Os hospitais atendem uma grande diversidade de pacientes, desde casos rotineiros até emergências complexas, e suas práticas variam conforme porte, propriedade, vínculo acadêmico e região. Isso significa que os pacientes ficam “agregados” em hospitais e regiões, de modo que seus resultados não são independentes. Muitos modelos de aprendizado de máquina oferecem uma melhor estimativa pontual, mas fornecem pouca informação confiável sobre o quanto essa estimativa pode estar errada. Para gestores hospitalares que precisam evitar enfermarias lotadas ou leitos ociosos, essa falta de incerteza pode levar a altas taxas de alta insegura, cancelamentos desnecessários ou buffers ineficientes “por precaução”.

Combinando duas formas de entender a incerteza

Os autores estudaram duas abordagens populares para capturar incerteza e descobriram que cada uma tem desvantagens importantes quando usada isoladamente. Métodos Bayesianos modelam a incerteza diretamente e podem refletir estruturas complexas, como hospitais aninhados em regiões, mas na prática suas faixas de incerteza podem ficar excessivamente confiantes quando as suposições do modelo não são exatamente verdadeiras. Métodos de previsão conformal, por outro lado, fazem quase nenhuma suposição sobre os dados e podem garantir que suas faixas contenham o resultado verdadeiro em uma porcentagem escolhida de vezes; porém, eles normalmente fornecem intervalos de mesma largura para todos os pacientes, ignorando o quão difícil ou fácil é prever um caso específico. A ideia central deste trabalho é criar um híbrido que use cada abordagem para o que melhor faz: modelagem Bayesiana para avaliar quais pacientes são mais ou menos incertos, e previsão conformal para manter a confiabilidade geral das faixas sob controle.

Como o sistema híbrido funciona na prática

O sistema começa com uma “floresta aleatória hierárquica”, um modelo de aprendizado por árvores que aprende padrões em três níveis: pacientes individuais, seus hospitais e as regiões mais amplas a que esses hospitais pertencem. A partir dessa base, uma camada Bayesiana analisa os resíduos dos erros e estima quão incerta é cada nova previsão, levando em conta peculiaridades hospitalares e regionais. Separadamente, uma etapa de calibração conformal examina erros de previsão passados em milhares de pacientes e determina quão largas as faixas precisam ser para atingir um nível de confiabilidade desejado — cerca de 95% neste estudo. O híbrido então ajusta essas correções conformais para cima nos casos que a camada Bayesiana considera arriscados e para baixo nos casos que ela vê como triviais, criando intervalos específicos por paciente que são ao mesmo tempo cautelosos e de tamanho eficiente.

O que os dados dizem sobre o desempenho

Os autores testaram sua estrutura em mais de 61.000 internações de quase 3.800 hospitais dos EUA, usando um banco de dados nacional de pacientes internados. A previsão conformal pura atingiu a meta de 95% quase exatamente, mas usou essencialmente a mesma faixa ampla para todos. Uma adição puramente Bayesiana produziu intervalos muito estreitos, mas capturou o tempo real de internação em apenas cerca de 14% dos casos — valor muito baixo para uso seguro. A abordagem híbrida aproximou-se da meta, cobrindo cerca de 94,3% dos casos, ao mesmo tempo em que diminuiu moderadamente o comprimento médio do intervalo e, mais importante, redistribuiu as larguras: cerca de 21% de intervalos mais estreitos para os pacientes menos incertos e cerca de 6% mais largos para os mais incertos. Essas faixas adaptativas permaneceram estáveis entre diferentes tipos de hospitais e mesmo quando o modelo foi testado em instituições completamente novas.

O que isso significa para pacientes e hospitais

Para não especialistas, a principal conclusão é que esse método transforma previsões em caixas-pretas em ferramentas com margens de erro compreensíveis e confiáveis. Em vez de um único número instável, os hospitais obtêm faixas respaldadas estatisticamente que se ajustam à dificuldade do caso: mais estreitas para pacientes rotineiros, mais largas para aqueles que podem surpreender os clínicos. Isso facilita o planejamento realista de leitos e pessoal, ao mesmo tempo em que sinaliza quais pacientes merecem atenção extra e planejamento de contingência. Embora as faixas atuais ainda sejam relativamente amplas em dias de calendário, a estrutura mostra como estatísticas cuidadosas podem mover os hospitais do palpite para decisões mais confiáveis e conscientes da incerteza, apoiando tanto a segurança quanto a eficiência.

Citação: Shahbazi, M.A., Baheri, A. & Azadeh-Fard, N. A hierarchical conformal framework for uncertainty-aware length of stay prediction in multi-hospital settings. Sci Rep 16, 6564 (2026). https://doi.org/10.1038/s41598-026-37450-w

Palavras-chave: tempo de internação hospitalar, quantificação de incerteza, previsão conformal, modelagem Bayesiana, análise em saúde