Hierarchical Spatio-Temporal Transformer for Coherent Emergency Department Forecasting

O Caos Silencioso dos Prontos-Socorros e a Promessa da IA Hierárquica

Imagine um pronto-socorro de um grande hospital brasileiro numa segunda-feira chuvosa de inverno. Dezenas de pacientes aguardam atendimento, as equipes estão sobrecarregadas e a gestão luta para realocar leitos. Esse cenário, infelizmente corriqueiro no sistema de saúde, revela uma ferida crônica: a incapacidade de prever com precisão a demanda que chega às portas das emergências. O problema não está apenas na imprevisibilidade dos picos sazonais ou no fluxo de casos não urgentes — ele reside na forma fragmentada como enxergamos esses dados. Hospitais planejam isoladamente, regiões ajustam recursos sem coordenação, e o governo federal toma decisões de capacidade com projeções que não conversam entre si. O resultado são previsões incoerentes, onde a soma das estimativas de cada unidade jamais bate com o número projetado para o sistema como um todo.

É exatamente essa lacuna que um novo modelo de inteligência artificial, batizado de HierSTT (Hierarchical Spatio-Temporal Transformer, ou Transformer Hierárquico Espaço-Temporal), se propõe a fechar. Desenvolvido por pesquisadores que analisaram dados reais de 81 hospitais portugueses distribuídos por cinco regiões administrativas de saúde, o framework promete entregar previsões de demanda coerentes em três níveis — hospital, regional e nacional — usando uma arquitetura de aprendizado profundo que penaliza ativamente inconsistências entre as camadas hierárquicas.

Por que Previsões em Silo Já Não Bastam

Empresários do setor de saúde sabem bem: planejamento eficiente de emergências exige múltiplas lentes. O gestor hospitalar precisa dimensionar equipes médicas e ocupação de leitos. O coordenador regional deve orquestrar o fluxo entre unidades, acionar planos de contingência e negociar recursos com o poder público. Já as autoridades nacionais dependem de uma visão macro para políticas de investimento e campanhas de saúde. Contudo, a maioria dos sistemas de Business Intelligence (BI) e modelos preditivos atuais opera em um único nível — ou olham para o hospital isoladamente, ou tentam prever a demanda nacional com granularidade grosseira. Ignora-se deliberadamente a hierarquia que conecta esses mundos.

O estrago aparece na ponta do lápis. Quando cada hospital gera sua previsão de forma independente, sem nenhuma restrição que garanta consistência com o total regional ou nacional, o somatório das estimativas locais pode indicar, por exemplo, 2.300 atendimentos para uma região que, na prática, tem capacidade para 1.800. Ou pior: o governo planeja um repasse de verbas baseado em 10.000 atendimentos diários no país, mas a agregação das previsões locais aponta para 12.500. São dissonâncias que comprometem orçamentos, desgastam a confiança entre entes públicos e privados, e colocam vidas em risco.

HierSTT: Um Cérebro Único para Três Níveis de Decisão

A proposta do HierSTT é elegantemente pragmática. Em vez de treinar três modelos separados e depois tentar reconciliá-los com ajustes postiços, o framework aprende de uma só vez a dinâmica de demanda nos três patamares. O segredo está em uma arquitetura Transformer modificada, que combina três peças fundamentais:

• Transformer de Fusão Temporal (Temporal Fusion Transformer): atua como maestro da camada nacional, capturando padrões de longo prazo, sazonalidades e tendências macro, como ondas de gripe ou envelhecimento populacional.
• Módulos Codificador-Decodificador Espaço-Temporais: modelam a demanda regional e hospitalar, mas com um detalhe crucial — eles são condicionados pelas previsões do nível superior. Ou seja, o algoritmo para um hospital específico no interior de São Paulo não prevê isoladamente; ele "escuta" o que o modelo regional e o nacional estão indicando, ajustando-se de forma harmônica.
• Função de Perda Consciente de Coerência (Coherence-Aware Loss): durante o treinamento, o modelo é penalizado sempre que a soma das previsões hospitalares não bate com a projeção regional, ou quando as regionais não fecham com a nacional. É como um contador interno que rejeita balanços que não fecham, forçando o sistema a encontrar representações verdadeiramente coerentes.

O pulo do gato está justamente nessa penalização integrada ao aprendizado. Métodos clássicos de reconciliação hierárquica, como os baseados em mínimos quadrados ou projeções ótimas, são aplicados depois que os modelos individuais já geraram suas previsões — é uma "colagem" estatística. O HierSTT incorpora a restrição hierárquica desde a raiz, durante a otimização dos pesos da rede neural.

O Teste de Fogo: Dados Reais de Portugal e Resultados Expressivos

Para validar o modelo, os pesquisadores montaram uma base de dados nacional portuguesa que cobre 81 hospitais agrupados em cinco administrações regionais de saúde. Além das séries históricas de atendimento, foram incorporadas covariáveis heterogêneas — isto é, variáveis auxiliares que mudam conforme o nível hierárquico. No âmbito nacional, incluem-se indicadores epidemiológicos e climáticos. No regional, dados de mobilidade urbana e capacidade instalada. No hospitalar, calendários de férias, dias de semana e feriados locais. Essa riqueza de contexto reflete a