PT
Os Serviços de Urgência (SU) são componentes essenciais dos sistemas de saúde, mas
enfrentam frequentemente problemas crónicos de sobrelotação e limitações de recursos.
Antecipar as flutuações na procura de doentes é, por isso, fundamental para melhorar a
eficiência operacional e garantir um acesso atempado aos cuidados. Esta dissertação avalia e
compara abordagens estatísticas e de aprendizagem supervisionada para a previsão mensal de
atendimentos no Serviço de Urgência da Unidade Local de Saúde Santa Maria, em Lisboa,
Portugal. Utilizando dados do portal SNS Transparência, referentes ao período de 2013 a 2025,
foram implementados vários modelos, incluindo Exponential Smoothing (ETS),
AutoRegressive Integrated Moving Average (ARIMA), Prophet e eXtreme Gradient Boosting
(XGBoost) assim como modelos de ensemble. As previsões foram avaliadas para horizontes de
um, três e seis meses através de validação cruzada com origem móvel (rolling-origin cross-
validation), utilizando métricas como o Mean Absolute Scaled Error (MASE), o symmetric
Mean Absolute Percentage Error (sMAPE) e o Root Mean Squared Error (RMSE).
Os resultados mostram que as abordagens baseadas em aprendizagem supervisionada e
combinações de modelos alcançaram a maior precisão preditiva, com o XGBoost e os modelos
combinados ponderados a superarem os modelos estatísticos tradicionais, sobretudo em
horizontes de curto prazo. No entanto, modelos estatísticos como o ARIMA e o ETS ofereceram
bases interpretáveis e desempenho consistente no médio prazo. O estudo demonstra que a
integração de modelos complementares aumenta a robustez e que as ferramentas de previsão
podem fornecer informação acionável para o planeamento de pessoal e de capacidade
hospitalar. Estas conclusões contribuem para o corpo crescente de investigação sobre previsão
em saúde baseada em dados, salientando o potencial da análise preditiva para apoiar a tomada
de decisão operacional nos hospitais públicos.
EN
Emergency Departments (EDs) are essential to healthcare systems but often face chronic
overcrowding and resource constraints. Anticipating fluctuations in patient demand is therefore
critical for improving operational efficiency and ensuring timely access to care. This thesis
evaluates and compares statistical and machine learning approaches for forecasting monthly
patient attendances at the Emergency Department of Unidade Local de Saúde Santa Maria in
Lisbon, Portugal. Using open administrative data from SNS Transparência covering 2013 to
2025, several models were implemented, including Exponential Smoothing (ETS),
AutoRegressive Integrated Moving Average (ARIMA), Prophet, and eXtreme Gradient
Boosting (XGBoost), alongside benchmark naïve methods. Forecasts were assessed across one-
, three-, and six-month horizons using rolling-origin cross-validation and accuracy metrics such
as Mean Absolute Scaled Error (MASE), symmetric Mean Absolute Percentage Error
(sMAPE), and Root Mean Squared Error (RMSE).
Results show that machine learning and ensemble approaches achieved the highest predictive
accuracy, with XGBoost and weighted model combinations outperforming traditional statistical
models, particularly for short-term horizons. However, statistical models such as ARIMA and
ETS provided interpretable baselines with consistent medium-term performance. The study
demonstrates that integrating complementary models enhances robustness and that forecasting
tools can provide actionable insights for hospital staffing and capacity planning. These findings
contribute to the growing body of research on data-driven healthcare forecasting, highlighting
the potential of predictive analytics to support operational decision-making in public hospitals.
