Avaliação comparativa de modelos de séries temporais para prever óbitos de pacientes internados e altas contra recomendação médica

Por que os números hospitalares importam

Quando entramos em um hospital, confiamos que médicos e enfermeiros farão tudo o possível para nos manter seguros. Dois sinais de alerta de que algo pode estar piorando são quantos pacientes morrem no hospital e quantos saem contra recomendação médica, indo embora mesmo quando os médicos recomendam que permaneçam. Ser capaz de prever esses números alguns meses à frente pode ajudar os hospitais a detectar problemas cedo, preparar pessoal e leitos suficientes e melhorar o atendimento antes que as dificuldades se agravem.

Dois hospitais, dois sinais de alerta

Este estudo concentrou-se em dois grandes hospitais de referência em diferentes regiões da China. Para cada hospital, os pesquisadores acompanharam dois desfechos principais todo mês, de 2018 a 2024: óbitos de pacientes internados (pacientes que morreram durante a internação) e altas contra recomendação médica (pacientes que optaram por sair cedo, apesar dos avisos médicos). Essas medidas são amplamente usadas como indicadores da qualidade do atendimento e da pressão sobre o sistema. A equipe deliberadamente evitou limpeza ou ajustes intensivos dos dados para que as previsões refletissem as informações desordenadas do mundo real que os gestores hospitalares realmente veem.

Testando ferramentas de previsão

Os autores compararam seis abordagens de previsão comumente discutidas em estatística e inteligência artificial. Algumas, como ARIMA e o Modelo Grey, são ferramentas estatísticas tradicionais. Outras, como NNETAR e LSTM, usam redes neurais que tentam aprender padrões a partir de dados passados. Prophet modela tendências e oscilações sazonais, como ciclos anuais regulares. O mais novo participante, Chronos, é um grande modelo pré-treinado que já aprendeu com vastas coleções de séries temporais e pode ser aplicado a novos problemas com pouco ajuste. Todos os seis métodos foram treinados com dados de 2018 a 2023 e, em seguida, solicitados a prever o que realmente ocorreu em 2024, com a precisão avaliada pela distância entre as previsões e os números mensais reais.

O que funcionou melhor, e quando

Em ambos os hospitais, o Chronos forneceu as previsões mais confiáveis para óbitos de internados. Seus erros foram menores do que os das outras abordagens, e testes estatísticos confirmaram que esses ganhos dificilmente se deviam ao acaso, especialmente em comparação com um modelo de aprendizado profundo popular chamado LSTM. Para altas contra recomendação médica, o quadro foi mais matizado. No hospital onde essas altas eram frequentes e relativamente estáveis ao longo do tempo, o Chronos novamente teve o melhor desempenho. Mas no hospital onde tais altas eram menos comuns e variavam de forma imprevisível de mês a mês, uma rede neural mais simples, NNETAR, produziu previsões mais precisas do que os modelos mais complexos.

Por que complexidade nem sempre é superior

Uma lição marcante do estudo é que adicionar complexidade não garante previsões melhores. O modelo LSTM, que é poderoso em teoria mas tem muitas partes ajustáveis, teve dificuldade com os conjuntos de dados relativamente pequenos disponíveis aqui e frequentemente se ajustou em excesso—capturando ruído em vez de padrões reais. O Chronos, por outro lado, beneficiou-se da ampla experiência adquirida durante o pré-treinamento em outras séries temporais, permitindo-lhe manter robustez mesmo quando cada hospital forneceu apenas alguns anos de dados. Ao mesmo tempo, o sucesso do NNETAR nos dados de altas mais ruidosos mostra que, em alguns cenários, modelos mais leves que fazem menos suposições podem lidar melhor com sinais instáveis e de baixo volume.

O que isso significa para pacientes e hospitais

Para não especialistas, a conclusão é direta: ferramentas de previsão mais inteligentes podem ajudar os hospitais a antecipar problemas. Escolhendo modelos que se ajustem ao formato de seus dados—sistemas pré-treinados como o Chronos para indicadores estáveis e redes mais simples como NNETAR quando os números são pequenos e voláteis—os gestores hospitalares podem receber alertas mais cedo sobre aumento de óbitos ou mudanças súbitas nas altas contra recomendação médica. Essas previsões não são bolas de cristal, especialmente ao lidar com números pequenos e voláteis, mas são painéis informativos. Usadas com sabedoria, podem motivar revisão mais próxima das práticas de cuidado, uma gestão mais ágil de pessoal e leitos, e respostas mais rápidas a problemas emergentes, apoiando finalmente um atendimento mais seguro e confiável aos pacientes.

Citação: Pang, C., Jiayong, D., Jiang, D. et al. A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice. Sci Rep 16, 6607 (2026). https://doi.org/10.1038/s41598-026-37913-0

Palavras-chave: previsão hospitalar, mortalidade de pacientes internados, alta contra recomendação médica, modelos de séries temporais, qualidade da assistência à saúde