Viabilidade de previsão de curto prazo da demanda hospitalar por máscaras usando uma rede neural de retropropagação sob escassez de dados

Por que o planejamento de máscaras importa em uma crise

Quando uma nova doença infecciosa surge, hospitais podem ficar sem suprimentos simples, porém vitais, como máscaras médicas. Pedir poucas máscaras deixa médicos e enfermeiros desprotegidos, enquanto pedir demais imobiliza recursos financeiros e espaço de armazenamento. Este artigo investiga se um modelo computacional pequeno e com pouca necessidade de dados ainda pode ajudar hospitais a fazer palpites de curto prazo mais precisos sobre a necessidade de máscaras para o dia seguinte quando há apenas alguns dias de histórico disponível.

Acompanhando o uso diário de máscaras no hospital

Os pesquisadores estudaram o uso de máscaras em um grande hospital na China ao longo de apenas 24 dias durante um período epidêmico. Cada ponto de dado correspondia ao número total de máscaras usadas por todo o hospital naquele dia, sem qualquer informação sobre pacientes individuais. Esse registro muito curto espelha os primeiros dias de um novo surto, quando gestores precisam agir rapidamente, mas contam com pouca história para orientar decisões. A demanda nesses dias subiu e desceu bruscamente, refletindo variações na carga de pacientes, comportamento da equipe e medidas de controle, o que torna previsões simples e lineares pouco confiáveis.

Transformando um histórico curto em um problema de aprendizado

Para transformar esses 24 contagens diárias em algo que um computador pudesse aprender, a equipe usou uma abordagem de janela deslizante. Agruparam cada quatro dias consecutivos de uso de máscaras como a “entrada” e pediram ao modelo para prever o uso de máscaras no quinto dia como a “saída”. Movendo essa janela ao longo da série temporal geraram 20 exemplos desse tipo. Os primeiros 17 dias foram usados para treinar os modelos, e os últimos três dias foram reservados para testar quão bem os modelos podiam prever demanda futura verdadeiramente inédita, imitando como um hospital usaria tal ferramenta em tempo real.

Uma rede neural simples versus métodos conhecidos

A principal ferramenta testada foi uma rede neural rasa de retropropagação, uma pilha modesta de nós conectados que pode captar inflexões e complexidades em padrões de dados. A rede tinha uma camada oculta e usou truques comuns de treinamento, como escalonar todos os valores para a mesma faixa e interromper o treinamento cedo quando o desempenho em um pequeno conjunto de validação parou de melhorar. Sua tarefa era aprender a ligação entre o uso de máscaras nos quatro dias anteriores e o dia seguinte. O estudo comparou essa rede com três alternativas padrão: um método ingênuo que simplesmente repete o valor de ontem, um modelo clássico de série temporal ARIMA e um modelo de aprendizado profundo LSTM (long short‑term memory).

Quão bem os modelos seguiram o uso real de máscaras

Apesar do conjunto de dados minúsculo, a rede neural rasa convergiu rapidamente e produziu previsões estáveis. Quando convertidos de volta para contagens reais de máscaras, seu erro médio foi cerca de 415 máscaras por dia, e seu erro quadrático médio (RMSE) foi cerca de 519 máscaras. Neste experimento, isso superou tanto os modelos ARIMA quanto LSTM, e melhorou claramente sobre o palpite ingênuo de “amanhã é igual a hoje”, especialmente durante quedas e picos súbitos na demanda. Verificações comparando valores previstos e reais mostraram forte concordância nos dados de treino e validação, e concordância aceitável, embora mais fraca, nos dias de teste, sugerindo que o modelo podia acompanhar tendências de curto prazo mas ainda enfrentava dificuldades nas mudanças mais abruptas.

Cautela e próximos passos para hospitais reais

Os autores enfatizam que seu modelo é uma prova de viabilidade e não uma ferramenta pronta para implementação. Com apenas 24 dias de dados de um hospital, há um risco real de que a rede tenha aprendido em parte características idiossincráticas dessa série curta em vez de regras gerais, e alguns sinais de overfitting estiveram presentes. Ainda assim, o trabalho mostra que uma rede neural simples pode fornecer orientação de curto prazo mais útil do que várias alternativas comuns quando os dados são escassos. Para planejadores hospitalares, isso sugere que modelos leves podem servir como auxiliares rápidos e provisórios para gerenciar estoques de máscaras nas fases iniciais de um surto, a serem substituídos ou refinados à medida que conjuntos de dados mais longos e ricos de múltiplos hospitais fiquem disponíveis.

Citação: Wang, Y., Han, Y., Wang, S. et al. Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity. Sci Rep 16, 14904 (2026). https://doi.org/10.1038/s41598-026-44754-4

Palavras-chave: suprimentos hospitalares, demanda por máscaras, rede neural, planejamento de epidemias, previsão de séries temporais