Previsão de Durações de Cirurgias - O Caso do Hospital do Espírito Santo de Évora

O crescente número de cirurgias programadas ao longo dos anos tem-se mostrado um problema recorrente em Portugal, dado que a consequência deste aumento se traduz em listas de espera extensas e de difícil gestão por parte dos hospitais. Assim, surge a necessidade de se desenvolverem modelos que tenham a capacidade de apoiar o planeamento e o agendamento de cirurgias. No entanto, isto nem sempre se mostra uma tarefa fácil devido a toda a imprevisibilidade que envolve o decorrer de uma cirurgia, havendo fatores externos que por vezes acabam por influenciar a duração da mesma. Desta forma, o foco deste estudo é criar modelos de previsão para durações de cirurgias, através de variáveis obtidas antes dessas mesmas cirurgias, recorrendo a dois modelos distintos: Regressão Linear Múltipla e XGBoost. O primeiro torna-se útil pela fácil interpretação de resultados, servindo de base de comparação para avaliar o desempenho de modelos de ensemble como o XGBoost. Para além da dualidade de modelos, são ainda utilizados dois conjuntos distintos de dados: o primeiro é compostos por todos os dados recolhidos e o segundo corresponde ao primeiro conjunto desagregado por especialidade cirúrgica. Esta divisão em dois conjuntos de dados ocorre dado que, teoricamente, as durações de cirurgias têm a particularidade de estarem dependentes da especialidade na qual se inserem. Posteriormente, são utilizados dois indicadores para efetuar as comparações entre os modelos, nomeadamente o R2 e o Root Mean Squared Error. Com os dados do Hospital do Espírito Santo de Évora, podemos concluir que a um modelo mais complexo não correspondente necessariamente uma melhor performance, estando isto dependente de características específicas de cada conjunto de dados e do próprio objetivo do estudo. Relativamente aos modelos obtidos para ambos os conjuntos de dados, conclui-se ainda que um modelo construído tendo por base cada especialidade pode de facto apresentar resultados piores do que um modelo agregado, acontecendo particularmente quando o número de observações em cada modelo se mostra insuficiente para produzir previsões precisas.