O Projeto-Piloto de Aprendizagem Automática da UKHSA para Previsão em Tempo Real da Procura de Cuidados de Saúde no Inverno

Os gestores de serviços do NHS precisam de aviso antecipado sobre picos de doenças respiratórias de inverno (impulsionados pelo VSR em crianças com menos de cinco anos) para planear a capacidade, mas historicamente tinham de depender de dados com atraso significativo.

Testar um pipeline automatizado de previsão, construído sobre dados de vigilância sindrómica diária já existentes, para prever o momento e a intensidade dos picos sazonais nas chamadas de "tosse" do NHS 111 e nas idas às urgências por "bronquiolite aguda", com até 28 dias de antecedência.

Durante a época de inverno de 2022-23, os epidemiologistas da UKHSA testaram 252 especificações de modelos, combinando sete métodos de aprendizagem supervisionada (floresta aleatória, máquinas de vetores de suporte, regressão elastic-net, gradient boosting e outros) com diferentes termos de sazonalidade e tendência, publicando a comparação completa numa avaliação revista por pares.

Os modelos de floresta aleatória com termos sazonais de Fourier tiveram o melhor desempenho, alcançando erros de previsão de tempo e intensidade de pico de 0,0195 (chamadas NHS 111) e 0,0267 (idas às urgências). Num teste em tempo real, o modelo previu corretamente a data do pico de bronquiolite de 29 de novembro de 2022 e estimou a sua intensidade com um erro de cerca de 9% em relação ao valor real. Um aumento sem precedentes das chamadas de tosse do NHS 111 em dezembro de 2022, 39,3% acima do recorde anterior, impulsionado em parte pela ansiedade pública com infeções invasivas por estreptococo do grupo A, degradou a especificidade do indicador de tosse e confundiu as previsões treinadas em padrões históricos.

Os autores concluem que as previsões automatizadas ficam fora do seu intervalo de treino em épocas genuinamente atípicas e devem ser sempre acompanhadas de interpretação especializada, em vez de serem utilizadas como uma ferramenta de decisão autónoma.