IA e os Problemas Difíceis do Mundo · Medicina e descoberta de medicamentos · arXiv · 2026-10-23
Protocolos proativos de capacidade total guiados por aprendizado de máquina mitigam a superlotação em serviços de emergência? Uma avaliação baseada em simulação
Título original: Do Machine Learning-Guided Proactive Full Capacity Protocols Mitigate Emergency Department Overcrowding? A Simulation-Based Evaluation
O estudo testa se o aprendizado de máquina pode acionar Protocolos de Capacidade Plena em prontos-socorros antes que a superlotação se forme, e não depois que os limites são ultrapassados. Em uma simulação calibrada em um grande hospital dos EUA, um modelo que prevê a superlotação da sala de espera com seis horas de antecedência conduziu a ativação proativa, comparada à ativação reativa ao longo de 365 dias e 10 replicações. A ativação proativa reduziu significativamente o tempo acima do limite de superlotação e a duração do protocolo, além de reduzir a variabilidade da superlotação e o congestionamento extremo, enquanto as diferenças no tempo de internação e no tempo de espera não foram estatisticamente significativas.