# ID 217 - Modelo Preditivo para Internações por Doenças Respiratórias e sua Sazonalidade, no Contexto Pós-Pandêmico: estudo de série temporal

## TL;DR

This study develops a predictive model to forecast hospital admissions for respiratory diseases in the post-pandemic era, using time-series data from a major Brazilian health cooperative.

## Contribution

The novel contribution is the application of the STLF model to predict post-pandemic respiratory disease admissions, capturing changes in seasonal patterns.

## Key findings

- The STLF model achieved a 10.84% MAPE for four-week forecasts, indicating high accuracy in short-term predictions.
- Accuracy dropped to 28.79% MAPE for 12-week forecasts, highlighting challenges in capturing medium-term seasonal variability.
- The model proved effective for short-term planning but requires adjustments to handle post-pandemic uncertainties.

## Abstract

A pandemia de covid-19 impactou os padrões de internação por doenças respiratórias, alterando o perfil sazonal tradicionalmente observado em populações mais vulneráveis, como crianças e idosos. Este estudo tem como objetivo desenvolver um modelo preditivo capaz de antever a demanda por internações hospitalares por doenças respiratórias no período pós-pandêmico, utilizando dados da Unimed-BH, uma das maiores cooperativas de saúde do Brasil. O provisionamento de leitos é essencial para a assistência e a alocação de recursos de saúde, especialmente diante das mudanças sazonais causadas pela pandemia.

Foi realizado um estudo retrospectivo de séries temporais, utilizando dados de internação por doenças respiratórias na Unimed-BH, entre 2014 e 2024. Para a previsão de internações no período pós-pandêmico, foi aplicado o modelo STLF ().

O modelo STLF apresentou variações no desempenho ao longo dos horizontes temporais de previsão. Para previsões de quatro semanas, o MAPE ( – em português, erro médio percentual absoluto) foi de 10,84%, indicando uma precisão acurada. No entanto, para previsões de 12 semanas, o MAPE aumentou para 28,79%, refletindo a dificuldade de capturar a variabilidade sazonal em médio prazo. As previsões de oito semanas apresentaram um MAPE intermediário de 18,80%. O modelo mostrou-se eficaz para previsões de curto prazo, mas enfrentou limitações em períodos mais longos, devido à volatilidade introduzida pela pandemia de covid-19.

A utilização do modelo STLF para prever internações por doenças respiratórias demonstrou boa acurácia para antecipar a demanda em horizontes de curto prazo, sendo uma ferramenta útil para gestores de saúde no planejamento de recursos hospitalares. No entanto, a precisão diminui em previsões de médio prazo, evidenciando a necessidade de ajustes contínuos nos modelos preditivos para lidar com a incerteza introduzida por eventos como a pandemia. Este estudo reforça a importância de desenvolver modelos adaptativos para prever picos de internação em cenários de alta variabilidade.