Previsão de demanda em serviços de saúde com dados

O pronto-socorro lotou de novo e ninguém viu chegando#

Toda gestão hospitalar já viveu a cena: o pronto-socorro cheio numa segunda-feira, a farmácia sem um insumo básico, leitos ociosos num dia e faltando no outro. A previsão de demanda saúde existe justamente para reduzir o improviso nessas decisões, trocando o "achismo" por padrões que os dados históricos já mostram. Mas antes de qualquer modelo, é preciso ser honesto: previsão não é adivinhação. Ela reduz incerteza, não a elimina.

Este artigo é para quem toca operação, planejamento ou BI em saúde e quer entender o que dá para prever com dados, com que precisão e a que custo. Vou tratar de três frentes, atendimentos, leitos e insumos, sendo claro sobre onde a previsão ajuda muito, onde ajuda pouco e onde não ajuda nada.

Previsão de demanda saúde: o que dá para prever e o que não dá#

A demanda em saúde tem uma característica que facilita a vida de quem modela: boa parte dela é sazonal e recorrente. O volume de um pronto-atendimento na segunda de manhã se parece com o da segunda anterior. Campanhas de vacinação, feriados, clima e surtos sazonais (dengue no verão, síndromes respiratórias no inverno) criam padrões que se repetem. Onde há padrão, há previsão possível.

O problema aparece nos eventos raros e nos choques externos. Nenhum modelo treinado com dados de 2018 previu a demanda de 2020. Um acidente com múltiplas vítimas ou uma mudança abrupta de política pública são difíceis de antecipar. A regra prática: quanto mais agregada e recorrente a demanda, melhor a previsão; quanto mais individual e rara, pior.

A tabela abaixo resume o que costuma ser previsível em cada frente.

Frente	Grão típico	Previsibilidade	Principal fonte de incerteza
Atendimentos (PA e ambulatório)	Diário e por hora, por unidade	Alta para volume agregado	Surtos, clima extremo, campanhas
Ocupação de leitos	Diário, por especialidade	Média a alta	Tempo de permanência variável, altas represadas
Insumos e medicamentos	Semanal e mensal, por item	Média	Lead time de fornecedor, itens de baixo giro
Cirurgias eletivas	Semanal, por sala	Alta (agenda conhecida)	Cancelamentos e no-show
Emergências graves	Individual	Muito baixa	Aleatoriedade intrínseca

Repare que a previsibilidade quase nunca é "muito alta". Quem promete acerto perfeito está vendendo ilusão. O ganho real está em acertar a faixa de demanda com folga para dimensionar equipe e estoque sem desperdício grosseiro.

Atendimentos: o caso mais maduro#

Prever volume de atendimentos é o cenário mais amigável. Você tem histórico longo, granularidade boa (data e hora) e drivers conhecidos. Não precisa de inteligência artificial exótica. Muitas vezes uma boa decomposição de série temporal, separando tendência e sazonalidade semanal e anual, já entrega a maior parte do valor.

Os métodos que costumo recomendar, do mais simples ao mais sofisticado:

• Médias móveis e sazonalidade histórica: baseline honesto. Se seu modelo caro não bate a média dos últimos anos por dia da semana, o modelo caro está errado.
• Suavização exponencial (Holt-Winters): captura tendência e sazonalidade com pouco esforço computacional.
• Regressão com variáveis externas: incorpora clima, feriados e calendário de campanhas. Aqui o dado externo importa mais que o algoritmo.
• Machine learning (gradient boosting, redes neurais): vale a pena com muitas variáveis e volume grande, mas exige governança e monitoramento sério.

Na prática, o pulo do gato raramente é o algoritmo. É a qualidade da base histórica e a inclusão de variáveis externas relevantes. Um modelo simples com bons dados quase sempre vence um modelo complexo com dados sujos. Por isso, o trabalho pesado costuma estar na engenharia de dados, não no modelo em si.

Para exibir o resultado, o padrão de mercado no Brasil é o Power BI, dado o alcance do ecossistema Microsoft e o reconhecimento da Microsoft como Líder no Quadrante Mágico do Gartner para plataformas de Analytics e BI. Um painel combina histórico, previsão e faixa de confiança no mesmo gráfico, e mostra o desvio do realizado contra o previsto. Veja o guia completo de Power BI para empresas no Brasil.

Leitos: prever ocupação é prever permanência#

Leito é onde a previsão fica mais interessante e mais traiçoeira. A ocupação de amanhã depende de duas coisas: quantos pacientes entram e quantos saem. Prever a entrada se parece com prever atendimento. Prever a saída é prever tempo de permanência, e isso varia muito por perfil de paciente, especialidade e por gargalos que nada têm a ver com clínica (uma alta que não sai porque falta transporte ou porque o laudo atrasou).

Por isso, um bom modelo de leitos separa os dois fluxos. A tabela abaixo mostra como pensar cada componente.

Componente	O que modelar	Sinal de qualidade do dado
Admissões	Entradas por especialidade e origem (PA, eletiva, transferência)	Registro de admissão com timestamp confiável
Tempo de permanência	Distribuição por perfil clínico e por leito	Data de alta médica vs. alta administrativa
Altas represadas	Pacientes com alta médica ainda ocupando leito	Diferença entre alta clínica e saída física
Rotatividade	Giro de leito por período	Higienização e liberação registradas

O maior ganho aqui raramente vem de um algoritmo melhor. Vem de expor a diferença entre alta médica e saída física do leito. Muito hospital descobre, ao medir isso, que não falta leito: falta desospitalização.

Um ponto de realismo: previsão de ocupação com dois ou três dias costuma ser útil e confiável. Com trinta dias, serve para planejamento tático, não para escala do plantão. Não confunda os horizontes.

Insumos: onde a previsão salva dinheiro de verdade#

Estoque de insumo é o clássico trade-off entre falta e sobra. Faltou, o atendimento para. Sobrou, o dinheiro fica parado na prateleira e alguns itens vencem. A previsão de consumo, combinada com o lead time do fornecedor, alimenta uma política de ponto de pedido que não precisa ser complexa.

A conta central é simples e vale mais que qualquer modelo sofisticado. O estoque de segurança pode ser aproximado por estoque_seguranca = fator_servico * desvio_padrao_demanda * raiz(lead_time). Ou seja, o que dimensiona a folga não é só a demanda média, é a variabilidade dela e o tempo de reposição. Item estável com fornecedor rápido precisa de pouca folga. Item errático com fornecedor lento precisa de muita.

Um erro comum é tratar todos os itens igual. Não trate. Cruze uma curva ABC (por valor) com uma classificação XYZ (por previsibilidade de consumo):

• Itens A estáveis (AX): previsão vale muito, revisão frequente, estoque enxuto.
• Itens A erráticos (AZ): caros e imprevisíveis, exigem atenção manual e contrato de fornecimento bem negociado.
• Itens C de baixo giro: não invista modelo caro, use regra de estoque mínimo.

Automatizar o disparo do pedido, o alerta de ruptura e a aprovação de compra é território de Power Platform. Um fluxo no Power Automate que avisa o comprador quando o item atinge o ponto de pedido resolve mais dor operacional do que muito dashboard bonito. Para combinar com apps, veja o guia de Power Apps e Power Automate.

Como medir se a previsão presta#

Modelo de previsão sem métrica de erro é fé, não gestão. Antes de confiar em qualquer número, defina como vai medir o acerto. As métricas mais usadas são o MAPE (erro percentual médio absoluto), o MAE (erro absoluto médio) e o viés (se o modelo erra sistematicamente para cima ou para baixo). O viés é o que mais dói: um modelo que subestima leito de forma consistente é pior que um modelo com erro maior, porém equilibrado.

Uma referência honesta de expectativa, que varia caso a caso e deve ser calibrada com seus próprios dados:

Frente	Horizonte útil	Faixa de erro plausível	Uso da previsão
Atendimentos agregados	1 a 14 dias	Erro baixo em volume total	Escala de equipe
Ocupação de leitos	1 a 3 dias	Erro moderado	Gestão de fluxo diário
Consumo de insumos AX	1 a 4 semanas	Erro baixo a moderado	Ponto de pedido
Consumo de insumos Z	qualquer	Erro alto	Gestão manual

Essas faixas são qualitativas de propósito. Prometer um MAPE específico antes de ver seus dados seria irresponsável. O valor de uma consultoria séria está em medir o baseline, testar modelos e só então dizer, com número na mão, quanto dá para melhorar. É o que fazemos num discovery e assessment antes de propor arquitetura.

Dados sensíveis: previsão em saúde é dado de saúde#

Não dá para falar de previsão em saúde sem falar de LGPD. Dado de saúde é dado pessoal sensível pela Lei nº 13.709/2018, com regras mais rígidas. A boa notícia é que previsão de demanda quase sempre trabalha com dados agregados e anonimizados: você quer saber quantos pacientes de determinado perfil, não quem são.

O desenho correto minimiza o uso de dado identificável. Modelos de volume precisam de contagens, datas e especialidade, não de nome, CPF ou prontuário. Ainda assim, o pipeline transita por bases com dado identificável, e é aí que a governança precisa estar firme: controle de acesso por perfil, trilha de auditoria e minimização de dados. Tratamos disso em governança de dados e no artigo sobre governança de dados, Power BI e LGPD.

Arquitetura sem exagero: comece pelo que você tem#

Não é preciso um data lake gigante para começar. Muito hospital já tem o necessário no sistema de gestão hospitalar e nas planilhas de estoque. O caminho pragmático:

1. Consolide o histórico num modelo de dados limpo: datas certas, categorias padronizadas, sem duplicidade.
2. Construa o baseline de sazonalidade e descubra quanto o "modelo bobo" já acerta.
3. Só então avalie modelos mais sofisticados, medindo ganho real sobre o baseline.
4. Publique num painel que a operação use de fato e automatize os alertas.

Sobre plataforma: o Power BI resolve a camada analítica na maioria dos casos, com licenciamento por usuário via Power BI Pro ou PPU, e capacidade dedicada quando o volume cresce. Se a operação caminha para uma plataforma unificada, o Microsoft Fabric, anunciado pela Microsoft em 2023, concentra ingestão, armazenamento no OneLake e consumo, com cobrança em Capacity Units e SKUs que vão do F2 ao F2048. O modo Direct Lake lê direto do OneLake sem duplicar em importação, útil em bases grandes. Vale ler o texto sobre o que é o Microsoft Fabric e se vale a pena. Mas não coloque a plataforma na frente do problema: comece pequeno, prove valor, depois escale.

Uma nota técnica que afeta o custo: o motor VertiPaq, por trás do Power BI e do Fabric, comprime colunas por cardinalidade. Colunas com muitos valores distintos (um timestamp com segundos) pesam bem mais que as de baixa cardinalidade. Em previsão, isso significa modelar datas e categorias com cuidado para não estourar memória à toa. Mais no artigo de modelagem e boas práticas de DAX.

Perguntas frequentes#

Qual a precisão que consigo esperar de uma previsão de demanda em saúde?

Depende da frente e do horizonte. Volume agregado de atendimentos com poucos dias costuma ter erro baixo. Ocupação de leito com um a três dias é razoável. Item de insumo de baixo giro é intrinsecamente errático e não fica preciso com nenhum modelo. Desconfie de quem promete um número fechado antes de ver seus dados: a resposta honesta vem depois de medir seu baseline.

Preciso de inteligência artificial para prever demanda?

Na maioria dos casos, não para começar. Decomposição de série temporal, suavização exponencial e regressão com variáveis externas resolvem boa parte. Machine learning entra com muitas variáveis e volume grande, e ainda assim precisa de monitoramento contínuo. O maior ganho quase sempre está na qualidade dos dados, não no algoritmo.

Quanto tempo de histórico preciso ter?

Como regra prática, ao menos dois anos completos para capturar a sazonalidade anual com alguma confiança, e idealmente três ou mais. Com menos de um ano, você consegue sazonalidade semanal, mas não anual, o que limita a previsão de surtos sazonais. Histórico curto não impede começar, apenas restringe o que dá para prometer.

Dá para prever emergências e picos súbitos?

Volume de emergência agregado, sim, dentro de faixas. O caso individual grave, não: é aleatório por natureza. Picos por causa conhecida (onda de calor, campanha, surto em curso) podem ser antecipados com as variáveis externas certas. Choques totalmente novos, como uma pandemia inédita, nenhum modelo histórico prevê.

Como fica a LGPD nesse tipo de projeto?

Previsão de demanda trabalha bem com dados agregados e anonimizados, o que reduz o risco. Mesmo assim, dado de saúde é sensível pela Lei nº 13.709/2018 e o pipeline precisa de controle de acesso, minimização de dados e trilha de auditoria. O desenho correto usa o mínimo de dado identificável e mantém a governança firme desde a ingestão.

Por onde começo se ainda uso planilhas?

Comece consolidando o histórico num modelo de dados limpo e construindo o baseline de sazonalidade. Isso já entrega valor e revela a qualidade real dos seus dados. Planilha não é impeditivo para o diagnóstico inicial. A partir daí, um projeto de analytics avançado estrutura modelos e painel de forma sustentável.

Onde isso te leva#

Previsão de demanda em saúde não é bola de cristal. É reduzir incerteza o suficiente para dimensionar equipe, leito e estoque com menos desperdício e menos ruptura. O caminho realista é começar simples, medir o baseline, incorporar variáveis externas relevantes e só escalar a plataforma quando o valor estiver provado, sempre tratando dado de saúde com a governança que ele exige.

Se você quer sair do achismo e estruturar previsão de demanda com método, fale com a gente. Comece pelo diagnóstico, não pela ferramenta.