PT
Globalmente, os sistemas de saúde enfrentam pressão significativa devido à persistente
sobrelotação, um obstáculo à devida prestação de cuidados e um problema de saúde pública.
Em Portugal, a taxa de admissão nos serviços de urgência (SU) é a mais elevada entre países
da Organização para a Cooperação e Desenvolvimento Económico. As readmissões
pressionam os SU e limitam recursos com aumento dos custos. Os efeitos afetam doentes,
profissionais e sistemas de saúde e público, o que realça a necessidade por estratégias para
atenuá-los.
Para colmatar esta lacuna, este estudo visa desenvolver um modelo interpretável de
machine learning para prever o risco de readmissão nos SU durante 6 meses e apoiar a
gestão dos cuidados de saúde. Baseia-se em dados de 1.806 doentes admitidos no SU
durante 1 ano e 4 meses, que abrange 4.965 admissões e mais de 400 variáveis adiante
reduzidas a 19 preditores. O modelo, Random Survival Forest, avalia a evolução temporal do
risco e atingiu um índice-c de 71,84% e um IBS de 0,13. A comparação com modelos de
classificação revela desempenho ligeiramente inferior. O desempenho mínimo é de accuracy
de 72,98%, sensibilidade de 71,75% e AUC de 0,83. Para melhor interpretabilidade, a
relevância das variáveis, caraterização de perfis, análise de sensibilidade e regressão
logística explicam o comportamento preditivo.
Este estudo alinha-se com a necessidade por soluções baseadas em dados como apoio
à intervenção clínica. A aplicação de business analytics promove avanços na previsão de
readmissões e oferece sugestões de futura investigação e de desenvolvimento de soluções.
EN
Global healthcare systems face considerable pressure from persistent overcrowding, a major
barrier to optimal care and nowadays a critical public health issue. In Portugal, the emergency
department (ED) admission rate is the highest among countries in the Organisation for
Economic Co-operation and Development. Readmissions burden overstretched ED services,
which strains limited resources and increases health costs. It affects patients but also
healthcare professionals, health systems and public, and thus demands effective strategies to
predict readmissions and alleviate these far-reaching effects.
To bridge this gap, this study aims to develop an interpretable machine learning model to
assess ED readmission risk within a 6-month timeframe to support clinical decision-making
and management strategies. The analysis is built upon data of 1,806 ED-admitted patients for
one year and four months, resulting in a dataset of 4,965 visits with over 400 variables, later
narrowed down to 19 predictors. The model, Random Survival Forest, estimates risk over time
and achieved a c-index of 71.84% and an IBS of 0.13. Comparison with classification models
at various time points reveals a slightly lower performance. The lowest metrics are 72.98%
accuracy, 71.75% recall and an AUC of 0.83. To enhance interpretability, feature importance,
profile characterisation, sensitivity analysis and logistic regression offer transparency into
predictive behaviour.
This study is in line with growing demand for data-driven tools to support adequate
healthcare interventions. The application of business analytics advances readmission
prediction and provides a foundation for future research and development of clinical solutions.
