IA preditiva em clínicas: prever no-shows e churn

Em resumo

• Em clínicas portuguesas, a taxa de no-show situa-se tipicamente entre 12% e 22%, com picos acima de 30% em primeiras consultas marcadas com mais de 21 dias de antecedência.
• Modelos preditivos simples, treinados com 6 a 12 meses de histórico, conseguem reduzir faltas entre 25% e 40% e recuperar 80€ a 150€ por slot evitado.
• Identificar pacientes em risco de abandono (churn) nas 4 a 8 semanas seguintes permite intervir com follow-up direcionado, com retorno típico de 3 a 7 vezes sobre o custo da ferramenta.
• Para clínicas com menos de 5000 consultas/ano, soluções de IA não exigem cientistas de dados: bastam dados limpos no software de gestão e regras estatísticas bem desenhadas.

Numa clínica média portuguesa com 4 médicos e 80 consultas por dia, basta uma taxa de no-show de 15% para perder cerca de 12 atendimentos diários. Multiplicado por 22 dias úteis e por uma margem média de 35€ por consulta, falamos de mais de 9000€ mensais que evaporam sem que ninguém receba uma fatura. A IA preditiva não cria pacientes do nada, mas ajuda a antecipar quem vai faltar, quem está prestes a abandonar o acompanhamento e quanto volume esperar nas próximas semanas, transformando dados que já existem no software de gestão em decisões operacionais concretas.

O que é IA preditiva aplicada a clínicas

IA preditiva, no contexto clínico, designa um conjunto de modelos estatísticos e de aprendizagem automática que estimam a probabilidade de eventos futuros: uma falta, um cancelamento, o abandono do plano de tratamento ou o volume de marcações para a próxima semana. Não substitui o juízo clínico nem toma decisões médicas. Atua na camada operacional, ajudando a equipa de receção e a gestão a alocar recursos.

A maioria destes modelos não exige redes neuronais complexas. Para clínicas pequenas e médias, técnicas como regressão logística, árvores de decisão ou gradient boosting com 8 a 20 variáveis chegam para obter precisões úteis. O que distingue uma boa implementação de uma má não é o algoritmo: é a qualidade dos dados históricos e a integração com o fluxo de trabalho. Um modelo com 82% de precisão que ninguém usa vale menos do que uma lista diária com 70% de acerto entregue à recepcionista todas as manhãs às 8h30.

Tipicamente, no setor da saúde em Portugal, o primeiro caso de uso a implementar é o no-show. É o que tem retorno mais rápido, dados mais limpos e impacto financeiro mais visível na primeira fatura.

Caso de uso 1: prever no-shows com antecedência

O modelo de previsão de faltas estima, para cada marcação futura, a probabilidade de o paciente não comparecer. Em média no setor, modelos bem treinados atingem AUC entre 0,72 e 0,85, o que na prática significa identificar correctamente 7 em cada 10 ausências sem disparar demasiados falsos positivos.

As variáveis mais preditivas, observadas em clínicas portuguesas, incluem:

• Antecedência da marcação em dias (consultas marcadas com mais de 21 dias têm 2 a 3 vezes mais faltas)
• Histórico de no-shows do paciente nos últimos 12 meses
• Hora do dia e dia da semana (segundas-feiras de manhã e finais de tarde de sexta concentram faltas)
• Especialidade e tipo de consulta (primeiras consultas faltam mais do que seguimentos)
• Tempo desde a última visita
• Distância da morada do paciente à clínica
• Meio de marcação (online, telefone, presencial)
• Existência ou não de confirmação prévia

A acção operacional típica passa por classificar pacientes em três níveis de risco e ajustar o protocolo de confirmação: SMS automático 48h antes para risco baixo, chamada da recepção 24h antes para risco médio, e overbooking calculado nos slots de risco alto.

Caso de uso 2: identificar pacientes em risco de churn

Churn, no contexto de uma clínica, significa abandono do acompanhamento antes do plano de tratamento concluir, ou ausência de retorno num intervalo esperado (12 meses para medicina dentária, 6 meses para fisioterapia, 4 a 8 semanas para psicologia). Tipicamente, perder um paciente activo custa entre 5 e 12 vezes mais do que mantê-lo, dado o investimento já feito em captação.

Os sinais de risco que os modelos captam são frequentemente subtis: pequenos atrasos na próxima marcação, ausência de resposta a SMS de follow-up, mudança de horário recorrente, queixa registada na ficha sem desfecho documentado. Quando combinados, estes sinais geram um score que permite ao gestor clínico priorizar quem contactar primeiro.

Em clínicas que aplicam esta abordagem, observamos taxas de recuperação entre 18% e 35% nos pacientes contactados, contra menos de 5% quando não há intervenção activa.

Caso de uso 3: forecast de volume e capacidade

Prever o volume de consultas das próximas 4 a 12 semanas permite dimensionar turnos da recepção, escala de auxiliares, encomendas de consumíveis e até campanhas de captação. Modelos de séries temporais como SARIMA ou Prophet, alimentados com 18 a 24 meses de dados, produzem previsões com erro médio de 8% a 15% para clínicas com volume estável.

Aplicações práticas:

• Antecipar semanas de pico (regresso às aulas, pós-férias) para reforçar a equipa
• Identificar quebras sazonais e usar esses períodos para campanhas de retenção
• Calcular o ponto óptimo de marcação online versus reserva para emergências
• Justificar contratações ou desinvestimentos com dados objectivos

Tabela comparativa: abordagens de IA preditiva por dimensão da clínica

Dados mínimos necessários para começar

A barreira de entrada da IA preditiva não está nos algoritmos: está nos dados. Em clínicas portuguesas, observamos frequentemente histórico de marcações guardado em folhas de cálculo paralelas, faltas registadas de forma inconsistente e ausência de timestamps fiáveis de criação versus realização da marcação. Antes de pensar em modelos, é preciso garantir um conjunto mínimo de campos limpos.

O conjunto mínimo recomendado inclui, por marcação: identificador anonimizado do paciente, data e hora da marcação, data e hora em que foi criada, especialidade, profissional, tipo (primeira ou seguimento), canal de marcação, estado final (realizada, faltou, cancelada com antecedência, cancelada à última hora), idade, código postal (primeiros 4 dígitos para análise geográfica) e histórico anterior de faltas. Com 6 a 12 meses deste tipo de registo, é possível treinar um modelo útil.

Clínicas que usam software de gestão como Medicinaone, Smile ou outras soluções nacionais conseguem exportar a maioria destes campos em CSV. O esforço de limpeza inicial costuma representar 60% a 70% do tempo total do projecto.

Integração com o fluxo operacional

Um modelo preditivo só gera valor se as suas previsões chegarem à pessoa certa no momento certo. Implementações que se limitam a um dashboard mensal raramente alteram comportamentos. As implementações com melhor retorno integram-se directamente no software de marcações, sinalizando visualmente os slots de risco e accionando workflows automáticos.

Os pontos de integração mais eficazes:

1. Ícone discreto na agenda da recepção indicando o nível de risco de cada slot
2. Lista diária às 8h00 com os pacientes a contactar para confirmação
3. Trigger automático de SMS personalizado conforme o nível de risco
4. Relatório semanal ao gestor clínico com tendências e pacientes em churn
5. Notificação no telemóvel do gestor quando indicadores ultrapassam limites definidos

A equipa de receção precisa de formação curta, tipicamente 2 a 3 horas, para interpretar os sinais e ajustar o discurso da chamada de confirmação conforme o perfil do paciente.

Métricas para avaliar o impacto real

Implementar IA preditiva sem medir o impacto é desperdiçar a oportunidade. As métricas que importam acompanhar mensalmente são: taxa de no-show global e por especialidade, taxa de recuperação de pacientes em risco, número de slots preenchidos via overbooking calculado, custo por slot recuperado e satisfação reportada pela equipa de receção.

Um ponto crítico: comparar sempre com baseline histórico ajustado à sazonalidade. Atribuir uma queda de 8% nas faltas exclusivamente ao modelo, quando no mesmo período o ano anterior também caiu por motivos externos, leva a decisões erradas. O grupo de controlo (slots ou dias sem intervenção) ajuda a isolar o efeito real.

Conformidade ERS e protecção de dados

A utilização de IA preditiva em clínicas portuguesas está sujeita ao enquadramento da Entidade Reguladora da Saúde, das Ordens profissionais aplicáveis e ao RGPD. Os pontos a observar com rigor:

• Não usar os scores preditivos para discriminar acesso a cuidados: um paciente classificado como alto risco de no-show não pode ser recusado para marcação
• Comunicações de confirmação devem ser factuais, sem criar urgência artificial ou apelo emocional indevido
• Não usar dados clínicos sensíveis (diagnósticos, medicação) para perfilar comportamentos de marcação sem base legal específica
• Garantir base de licitude RGPD adequada: interesse legítimo para previsão operacional, consentimento explícito para comunicações de marketing
• Documentar o modelo, as variáveis usadas e a lógica de decisão (princípio da transparência)
• Permitir ao paciente solicitar revisão humana de qualquer decisão automatizada que o afecte
• Não fazer afirmações públicas sobre "previsão de doenças" ou "diagnóstico assistido por IA" sem enquadramento clínico e validação científica
• Não comparar publicamente taxas de eficiência com concorrentes nomeados, mesmo com dados reais

A subcontratação de fornecedores de IA exige acordo de tratamento de dados nos termos do artigo 28.º do RGPD, com cláusulas explícitas sobre localização dos servidores (preferencialmente UE) e prazo de retenção.

Erros frequentes na implementação

Da observação de projectos em clínicas portuguesas, identificamos padrões recorrentes que levam ao fracasso. Conhecê-los antes ajuda a evitar perda de tempo e investimento.

• Começar pelo algoritmo mais sofisticado em vez de pelo problema mais doloroso
• Ignorar a fase de limpeza de dados e assumir que o software de gestão já entrega tudo pronto
• Não envolver a equipa de receção desde o início, gerando rejeição quando a ferramenta chega
• Medir só o algoritmo (precisão, AUC) e esquecer as métricas de negócio (slots recuperados, euros)
• Apostar tudo num único fornecedor sem cláusula de portabilidade dos dados
• Não rever o modelo após 6 meses, deixando-o degradar com a mudança de padrões pós-projecto

Plano de implementação por fases

Para uma clínica média sem experiência prévia em IA, a sequência que tipicamente entrega resultados em 90 a 120 dias é a seguinte:

Perguntas frequentes

A minha clínica tem só 1500 consultas por ano. Vale a pena?

Sim, embora o investimento deva ser proporcional. Para esse volume, uma solução baseada em regras estatísticas e SMS automáticos custa entre 30€ e 80€ por mês e recupera tipicamente 4 a 6 vezes esse valor em consultas evitadas. Modelos de ML mais sofisticados só compensam acima das 800 consultas mensais.

Quanto tempo demora a ver resultados após implementar?

As primeiras métricas operacionais aparecem em 4 a 8 semanas, mas o ganho estabilizado mede-se aos 90 dias. Antes disso, é difícil distinguir o efeito do modelo das flutuações sazonais. Recomenda-se sempre comparar com baseline ajustado ao mesmo período do ano anterior.

Que dados preciso ter para começar?

O mínimo são 6 meses de histórico de marcações com data de criação, data realizada, estado final (realizada, faltou, cancelada), especialidade, profissional e identificador anonimizado do paciente. Idealmente 12 a 18 meses para captar sazonalidade. A limpeza inicial consome cerca de 60% do tempo do projecto.

Posso usar IA preditiva sem violar o RGPD?

Sim, desde que documentada a base legal (interesse legítimo para previsão operacional), garantida transparência ao paciente, assinado acordo de tratamento com o fornecedor e implementado mecanismo de revisão humana. Decisões totalmente automatizadas com impacto significativo no paciente exigem consentimento explícito.

É preciso contratar um cientista de dados?

Para clínicas com menos de 3000 consultas mensais, geralmente não. Fornecedores especializados em saúde entregam soluções configuráveis sem necessidade de equipa técnica interna. Acima desse volume, faz sentido ter pelo menos um analista de dados a tempo parcial para acompanhar e ajustar modelos.

O modelo substitui a recepcionista nas confirmações?

Não. O modelo prioriza quem deve receber chamada humana versus SMS automático, libertando a recepção para os casos de maior risco. Em clínicas portuguesas, observa-se que a chamada humana mantém eficácia 2 a 3 vezes superior ao SMS para pacientes classificados como alto risco.

Posso usar o score para recusar marcações a quem falta muito?

Não. Recusar acesso a cuidados de saúde com base num score preditivo viola princípios éticos e regulamentares. O score serve para ajustar protocolos de confirmação, não para discriminar acesso. A ERS é clara quanto à igualdade no acesso, independentemente do histórico comportamental.

Quanto custa uma solução típica para clínica média?

Para clínicas com 800 a 3000 consultas mensais, soluções integradas no software de gestão situam-se entre 200€ e 600€ mensais, com setup inicial de 800€ a 2500€. O retorno típico ronda 6 a 10 vezes o custo anual, considerando slots recuperados e pacientes retidos.

Próximos passos

Antes de avaliar fornecedores ou orçamentos, faz sentido perceber em que ponto está a sua clínica: que dados existem, com que qualidade, qual o impacto financeiro real das faltas e do abandono actual, e que processos da recepção poderiam beneficiar de priorização automática. Um diagnóstico estruturado, de 60 a 90 minutos, costuma chegar para mapear o potencial e definir uma sequência realista de implementação.

Se quiser explorar IA preditiva aplicada ao contexto específico da sua clínica em Portugal, com atenção à conformidade ERS e RGPD, Solicite um diagnóstico e construímos consigo o plano adequado à dimensão e maturidade da operação.