Previsão de durações de cirurgias : o caso do Hospital do Espírito Santo de Évora

Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e EmpresarialO 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.The growing number of surgeries scheduled over the years has been a recurring problem in Portugal, as the consequence of this increase translates into long waiting lists that are difficult to manage by hospitals. Thus, there is a need to develop models that have the ability to support the planning and scheduling of surgeries. However, this is not always an easy task due to the unpredictability that involves the course of a surgery, with external factors that sometimes end up influencing its duration. Thus, the focus of this study is to create prediction models for surgery durations, through variables obtained a priori from these surgeries, using two different models: Multiple Linear Regression and XGBoost. The first one becomes useful due to the interpretability of its results, serving as a base for comparison to evaluate the performance of ensemble models such as XGBoost. In addition to the the comparison of the two models, two distinct datasets are also used: the first is composed of all the data collected and the second corresponds to the first dataset disaggregated by surgical specialty. This division into two datasets occurs given that, in theory, the surgery durations have the particularity of being dependent on the specialty in which they are inserted. Subsequently, two indicators are used to make comparisons between the models, namely the R2 and the Root Mean Squared Error. With the data from Hospital do Espírito Santo in Évora, we can conclude that a more complex model does not necessarily correspond to a better performance, this being dependent on the specific characteristics of each data set. Regarding the models obtained for both datasets, we can also conclude that a model built based on each specialty may in fact present worse results than an aggregated model, especially when the number of observations in each specialty proves to be insufficient to produce accurate predictions.