OBJETIVOS: O estudo explorou diferentes métodos de séries temporais visando desenvolver um modelo para a previsão do volume diário de pacientes no Pronto Socorro do Instituto Central do Hospital das Clínicas da Faculdade de Medicina da USP. MÉTODOS: Foram explorados seis diferentes modelos para previsão do número diário de pacientes no pronto socorro de acordo com algumas variáveis relacionadas ao calendário e à temperatura média diária. Para a construção dos modelos, utilizou-se a contagem diária de pacientes atendidos no pronto socorro entre 1° de janeiro de 2008 a 31 de dezembro de 2010. Os primeiros 33 meses do banco de dados foram utilizados para o desenvolvimento e ajuste dos modelos, e os últimos três meses foram utilizados para comparação dos resultados obtidos em termos da acurácia de previsão. A acurácia foi medida a partir do erro médio percentual absoluto. Os modelos foram desenvolvidos utilizando-se três diferentes métodos: modelos lineares generalizados, equações de estimação generalizadas e modelos sazonais autorregressivos integrados de média móvel (SARIMA). Para cada método, foram testados modelos que incluíram termos para controlar o efeito da temperatura média diária e modelos que não incluíram esse controle. RESULTADOS: Foram atendidos, em média, 389 pacientes diariamente no pronto socorro, número que variou entre 166 e 613. Observou-se uma sazonalidade semanal marcante na distribuição do volume de pacientes ao longo do tempo, com maior número de pacientes às segundas feiras e tendência linear decrescente ao longo da semana. Não foi observada variação significante no volume de pacientes de acordo com os meses do ano. Os modelos lineares generalizados e equações de estimação generalizada resultaram em melhor acurácia de previsão que os modelos SARIMA. No primeiro horizonte de previsão (outubro), por exemplo, os erros médios percentuais absolutos dos modelos lineares generalizados e de equação de estimação generalizada foram ambos 11,5% e 10,8% (modelos que incluíram e que não incluíram termo para controlar o efeito da temperatura, respectivamente), enquanto os erros médios percentuais absolutos para os modelos SARIMA foram 12,8% e 11,7% (modelos que incluíram e que não incluíram termo para controlar o efeito da temperatura, respectivamente). Para todos os modelos, incluir termos para controlar o efeito da temperatura média diária não resultou em melhor acurácia de previsão. A previsão a curto prazo (7 dias) em geral resultou em maior acurácia do que a previsão a longo prazo (30 dias). CONCLUSÕES: Este estudo indica que métodos de séries temporais podem ser aplicados na rotina do serviço de pronto socorro para a previsão do provável volume diário de pacientes no serviço. A previsão realizada para o curto prazo tem boa acurácia e pode ser incorporada à rotina do serviço, de modo a subsidiar seu planejamento e colaborar com a adequação de recursos materiais e humanos. Os modelos de previsão baseados unicamente em variáveis relacionadas ao calendário foram capazes de prever a variação no volume diário de pacientes, e os métodos aqui aplicados podem ser automatizados para gerar informações com antecedência suficiente para decisões de planejamento do serviço de pronto socorro / OBJECTIVES: This study aims to develop different models to forecast the daily number of patients seeking emergency department (ED) care in a general hospital according to calendar variables and ambient temperature readings and to compare the models in terms of forecasting accuracy. METHODS: We developed and tested six different models of ED patient visits using total daily counts of patient visits to the Instituto Central do Hospital das Clínicas Emergency Department from January 1, 2008 to December 31, 2010. We used the first 33 months of the dataset to develop the ED patient visits forecasting models (the training set), leaving the last 3 months to measure each model\'s forecasting accuracy by the mean absolute percentage error. Forecasting models were developed using 3 different time series analysis methods: generalized linear models, generalized estimating equations and seasonal autoregressive integrated moving average (SARIMA). For each method, we explored models with and without the effect of mean daily temperature as a predictive variable. RESULTS: Daily mean number of ED visits was 389, ranging from 166 to 613. Data showed a weekly seasonal distribution, with highest patient volumes on Mondays and lowest patient volumes on weekends. There was little variation in daily visits by month. Generalized linear models and generalized estimating equation models showed better forecasting accuracy than SARIMA models. For instance, the mean absolute percentage errors from generalized linear models and generalized estimating equations models at the first month of forecasting (October, 2012), were 11.5% and 10.8% (models with and without control for the temperature effect, respectively), while the mean absolute percentage errors from SARIMA models were 12.8% and 11.7% (models with and without control for the temperature effect, respectively). For all models, controlling for the effect of temperature resulted in worse or similar forecasting ability than models with calendar variables alone, and forecasting accuracy was better for the short term horizon (7 days in advance) than for the longer term (30 days in advance). CONCLUSIONS: Our study indicates that time series models can be developed to provide forecasts of daily ED patient visits, and forecasting ability was dependent on the type of model employed and the length of the time-horizon being predicted. In our setting, generalized linear models and generalized estimating equation models showed better accuracy, and including information about ambient temperature in the models did not improve forecasting accuracy. Forecasting models based on calendar variables alone did in general detect patterns of daily variability in ED volume, and thus could be used for developing an automated system for better planning of personnel resources

OBJETIVOS: O estudo explorou diferentes métodos de séries temporais visando desenvolver um modelo para a previsão do volume diário de pacientes no Pronto Socorro do Instituto Central do Hospital das Clínicas da Faculdade de Medicina da USP. MÉTODOS: Foram explorados seis diferentes modelos para previsão do número diário de pacientes no pronto socorro de acordo com algumas variáveis relacionadas ao calendário e à temperatura média diária. Para a construção dos modelos, utilizou-se a contagem diária de pacientes atendidos no pronto socorro entre 1° de janeiro de 2008 a 31 de dezembro de 2010. Os primeiros 33 meses do banco de dados foram utilizados para o desenvolvimento e ajuste dos modelos, e os últimos três meses foram utilizados para comparação dos resultados obtidos em termos da acurácia de previsão. A acurácia foi medida a partir do erro médio percentual absoluto. Os modelos foram desenvolvidos utilizando-se três diferentes métodos: modelos lineares generalizados, equações de estimação generalizadas e modelos sazonais autorregressivos integrados de média móvel (SARIMA). Para cada método, foram testados modelos que incluíram termos para controlar o efeito da temperatura média diária e modelos que não incluíram esse controle. RESULTADOS: Foram atendidos, em média, 389 pacientes diariamente no pronto socorro, número que variou entre 166 e 613. Observou-se uma sazonalidade semanal marcante na distribuição do volume de pacientes ao longo do tempo, com maior número de pacientes às segundas feiras e tendência linear decrescente ao longo da semana. Não foi observada variação significante no volume de pacientes de acordo com os meses do ano. Os modelos lineares generalizados e equações de estimação generalizada resultaram em melhor acurácia de previsão que os modelos SARIMA. No primeiro horizonte de previsão (outubro), por exemplo, os erros médios percentuais absolutos dos modelos lineares generalizados e de equação de estimação generalizada foram ambos 11,5% e 10,8% (modelos que incluíram e que não incluíram termo para controlar o efeito da temperatura, respectivamente), enquanto os erros médios percentuais absolutos para os modelos SARIMA foram 12,8% e 11,7% (modelos que incluíram e que não incluíram termo para controlar o efeito da temperatura, respectivamente). Para todos os modelos, incluir termos para controlar o efeito da temperatura média diária não resultou em melhor acurácia de previsão. A previsão a curto prazo (7 dias) em geral resultou em maior acurácia do que a previsão a longo prazo (30 dias). CONCLUSÕES: Este estudo indica que métodos de séries temporais podem ser aplicados na rotina do serviço de pronto socorro para a previsão do provável volume diário de pacientes no serviço. A previsão realizada para o curto prazo tem boa acurácia e pode ser incorporada à rotina do serviço, de modo a subsidiar seu planejamento e colaborar com a adequação de recursos materiais e humanos. Os modelos de previsão baseados unicamente em variáveis relacionadas ao calendário foram capazes de prever a variação no volume diário de pacientes, e os métodos aqui aplicados podem ser automatizados para gerar informações com antecedência suficiente para decisões de planejamento do serviço de pronto socorro / OBJECTIVES: This study aims to develop different models to forecast the daily number of patients seeking emergency department (ED) care in a general hospital according to calendar variables and ambient temperature readings and to compare the models in terms of forecasting accuracy. METHODS: We developed and tested six different models of ED patient visits using total daily counts of patient visits to the Instituto Central do Hospital das Clínicas Emergency Department from January 1, 2008 to December 31, 2010. We used the first 33 months of the dataset to develop the ED patient visits forecasting models (the training set), leaving the last 3 months to measure each model\'s forecasting accuracy by the mean absolute percentage error. Forecasting models were developed using 3 different time series analysis methods: generalized linear models, generalized estimating equations and seasonal autoregressive integrated moving average (SARIMA). For each method, we explored models with and without the effect of mean daily temperature as a predictive variable. RESULTS: Daily mean number of ED visits was 389, ranging from 166 to 613. Data showed a weekly seasonal distribution, with highest patient volumes on Mondays and lowest patient volumes on weekends. There was little variation in daily visits by month. Generalized linear models and generalized estimating equation models showed better forecasting accuracy than SARIMA models. For instance, the mean absolute percentage errors from generalized linear models and generalized estimating equations models at the first month of forecasting (October, 2012), were 11.5% and 10.8% (models with and without control for the temperature effect, respectively), while the mean absolute percentage errors from SARIMA models were 12.8% and 11.7% (models with and without control for the temperature effect, respectively). For all models, controlling for the effect of temperature resulted in worse or similar forecasting ability than models with calendar variables alone, and forecasting accuracy was better for the short term horizon (7 days in advance) than for the longer term (30 days in advance). CONCLUSIONS: Our study indicates that time series models can be developed to provide forecasts of daily ED patient visits, and forecasting ability was dependent on the type of model employed and the length of the time-horizon being predicted. In our setting, generalized linear models and generalized estimating equation models showed better accuracy, and including information about ambient temperature in the models did not improve forecasting accuracy. Forecasting models based on calendar variables alone did in general detect patterns of daily variability in ED volume, and thus could be used for developing an automated system for better planning of personnel resources