Previsão de ocupação em hospitais públicos utilizando modelos de séries temporais e aprendizado de máquina

Abstract

A previsão da demanda por internações hospitalares é fundamental para o planejamento de leitos, insumos e equipes, sobretudo em contextos marcados por sazonalidade e surtos epidemiológicos. Este trabalho teve como objetivo avaliar e comparar diferentes modelos de previsão aplicados a série temporal de internações mensais no Brasil, construída a partir de dados do SIHSUS integrados a informações epidemiológicas do SINAN. Inicialmente, foram realizadas análises estatísticas descritivas para caracterizar o comportamento da série e identificar padrões de tendência, sazonalidade e possíveis valores extremos. Em seguida, procedeu-se a análise inferencial e a construção do conjunto de dados experimental, incluindo tratamento de valores ausentes, geração de defasagens e análise de sensibilidade ao tratamento de outliers. No experimento foram ajustados modelos estatísticos clássicos e modelos de aprendizado de máquina, avaliados por meio de RMSE, MAE e MAPE em um esquema de validação temporal com divisão de dados para treinamento e para teste. Os resultados indicaram que a Regressão Linear com três defasagens apresentou o melhor desempenho preditivo, superando tanto o modelo SARIMA quanto o Random Forest, especialmente em termos de erro percentual médio. A análise de sensibilidade mostrou ainda que o desempenho do SARIMA é fortemente influenciado por valores extremos associados a surtos.