APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL NA OTIMIZAÇÃO DO FLUXO DE ATENDIMENTO EM UNIDADES DE PRONTO ATENDIMENTO DO DISTRITO FEDERAL

Resumo

Contexto: A saturação das Unidades de Pronto Atendimento (UPAs) do Distrito Federal é um desafio histórico, agravado por alta demanda e desigualdade de recursos. Fluxos assistenciais ineficientes, como longos tempos de espera, sobrecarga profissional e alta ocupação de leitos, comprometem qualidade, segurança e resolutividade. A Inteligência Artificial (IA) surge como ferramenta estratégica para analisar grandes volumes de dados, prever picos de procura e otimizar alocação de recursos. Estudos indicam que algoritmos de machine learning melhoram triagem e reduzem espera, mas faltam pesquisas robustas integrando bases administrativas e assistenciais brasileiras (UPA × dia) Objetivo: Avaliar a capacidade de técnicas de IA aplicadas a bases secundárias das UPAs do DF para identificar padrões de tempo de espera, classificação de risco e desfecho, comparando desempenho com modelo tradicional, entre 2019 e 2024 Método: Estudo observacional retrospectivo, unidade de análise UPA × dia e secundária UPA × turno. Incluídos atendimentos com dados completos de espera e escalas profissionais. Fontes: CNES, DATASUS (SIH/SUS, SIA/SUS), SES-DF, escalas profissionais e dados IBGE/Codeplan. Desfechos: tempo médio de espera; sobrecarga (>percentil 95) e probabilidade de internação/transferência. Modelos: regressão linear regularizada, Random Forest, Gradient Boosting, ARIMA, Prophet e redes neurais (MLP, LSTM/GRU). Validação: treino 2019–2022, validação 2023, teste 2024, com janelas deslizantes. Métricas: RMSE, MAE, R², AUC-ROC, sensibilidade, especificidade, F1-score, Brier score. Interpretabilidade: SHAP, curvas de dependência parcial. Comparador: fluxo manual Resultado: IA previu sobrecarga e tempo médio de espera com maior acurácia, destacando número de atendimentos, ocupação de leitos e disponibilidade de profissionais. Observou-se redução da espera e melhor alocação de recursos, com antecipação de picos Conclusão: Modelos de IA aplicados às bases das UPAs do DF otimizam fluxo assistencial, reduzem espera e subsidiam decisões gerenciais, representando avanço relevante para políticas públicas de urgência e emergência