Como montar um painel preditivo de no-show com score de risco de falta na clínica odontológica?

"Como eu monto um painel que me diz, antes da consulta, quem provavelmente vai faltar na minha clínica?"

A maioria das clínicas só descobre a falta quando a cadeira já está vazia.

O relatório de no-show conta o que aconteceu. Útil, mas tarde demais: a hora perdida não volta. O que você quer é o contrário, saber antes, enquanto ainda dá pra confirmar, ligar e proteger a agenda.

É isso que um painel preditivo faz. Ele olha cada agendamento e estima a chance de aquele paciente faltar, transformando essa chance num score de risco que orienta a ação da sua equipe.

E não é achismo. A literatura mostra que dá pra prever falta com boa precisão usando dados que a clínica já tem. Em estudo com 196.018 agendamentos odontológicos, o melhor modelo atingiu um AUC de 0,718 (PeerJ Computer Science, 2022), e a antecedência do agendamento foi o fator mais determinante.

Neste guia você vai ver:

• A diferença entre relatório de faltas e painel preditivo (retroativo vs antecipativo)
• Quais dados coletar e qual variável mais prediz a falta
• Como virar o score, do modelo por regras (planilha) ao machine learning
• Como traduzir o score em ação: overbooking, confirmação reforçada, ligação
• Viés, justiça e LGPD, e como medir se o painel está funcionando

O que é um painel preditivo de no-show (e por que não é um relatório de faltas)

Antes de montar, alinhe o conceito. Os dois olham para faltas, mas em direções opostas no tempo.

O relatório de faltas é retroativo. Ele mostra quantos pacientes faltaram no mês, em quais horários, em quais procedimentos. É um espelho retrovisor: bom pra entender o passado, inútil pra mudar a consulta de amanhã.

O painel preditivo é antecipativo. Ele olha para os agendamentos que ainda não aconteceram e estima, pra cada um, a probabilidade de o paciente faltar. Em vez de contar o estrago, ele aponta onde o estrago vai acontecer enquanto ainda dá tempo de agir.

Pensa assim: o relatório diz "perdemos 30% das consultas de sexta à tarde". O painel diz "essas 4 consultas de sexta têm alto risco de falta, ligue hoje".

Aspecto	Relatório de faltas	Painel preditivo de no-show
Direção no tempo	Retroativo (o que já faltou)	Antecipativo (o que vai faltar)
Unidade	Agregado (taxa do mês)	Por agendamento (score individual)
Uso	Diagnóstico	Ação antes da consulta
Pergunta que responde	"Quanto faltou?"	"Quem vai faltar?"

Lembre: medir falta depois que ela aconteceu não recupera a cadeira vazia. O valor do painel está em agir antes, com o paciente certo, na hora que ainda muda o resultado.

O score de risco: o que é e como vira faixa de baixo, médio e alto

Aqui está o coração do painel. O score é um número que resume o risco de cada agendamento em uma só medida.

Tecnicamente, o modelo atribui a cada agendamento um valor entre 0 e 1, que representa a probabilidade estimada de falta. Quanto mais perto de 1, maior a chance de o paciente não comparecer.

Mas um número de 0 a 1 não orienta a recepção. Por isso você define um cut-off (um limiar) e quebra o score em faixas operacionais:

• Risco baixo: score abaixo de um piso (por exemplo, 0,10). Comportamento previsível, paciente que costuma comparecer.
• Risco médio: faixa intermediária. Merece confirmação padrão reforçada.
• Risco alto: score acima de um teto (por exemplo, 0,30). É aqui que mora a maioria das faltas.

E a separação é real. Num modelo de no-show avaliado na prática (em radiologia), os agendamentos de alto risco (score acima de 0,30) faltaram 13,3% a 17,6% das vezes, contra apenas 2,9% nos de baixo risco (score abaixo de 0,1), cerca de 5 vezes mais propensos a faltar, com AUC de 0,73 (Journal of Digital Imaging, 2022).

Repare no que isso significa: você não precisa tratar todos os pacientes igual. O painel te diz onde concentrar o esforço.

Quais dados a clínica precisa coletar pra alimentar o modelo

Sem dado, não há previsão. A boa notícia: quase tudo que o modelo precisa já está no seu sistema de gestão e no histórico de agendamentos.

Os campos que mais importam:

• Histórico de faltas do paciente: quantas vezes ele já faltou ou remarcou. O sinal mais forte de todos.
• Antecedência (lead time): quantos dias entre o momento do agendamento e a data da consulta. Agenda longe tende a faltar mais.
• Dia da semana e mês: sexta à tarde, véspera de feriado, janeiro têm padrões próprios.
• Horário da consulta: primeiro horário da manhã e fim de tarde costumam ter comportamentos distintos.
• Idade e sexo: entram como variáveis demográficas (com cuidado, ver a seção de justiça).
• Tipo de procedimento: avaliação gratuita falta diferente de tratamento já em andamento.
• Confirmação respondida: o paciente respondeu à mensagem de confirmação? Silêncio é sinal.
• Canal de origem: lead de tráfego pago, indicação, retorno. A origem prediz comportamento.

Comece com o que você já tem. Não espere a base perfeita: um histórico de 6 a 12 meses de agendamentos com presença/falta marcada já é suficiente pra um primeiro score.

Dica: padronize o registro de "compareceu / faltou / remarcou" na agenda. Sem esse rótulo limpo, o modelo não aprende. É o dado mais barato de coletar e o mais valioso.

Qual variável mais prediz a falta (e por que isso simplifica tudo)

Aqui vai a notícia que economiza meses de trabalho: poucas variáveis carregam quase toda a previsão.

A literatura é consistente. No estudo odontológico com 196.018 agendamentos, a antecedência do agendamento (lead time) foi a variável mais determinante: removê-la derrubou a capacidade preditiva do modelo em 7,5% a 7,9% conforme o método, e o histórico de faltas anteriores também foi crucial (queda de 4,1% na precisão da regressão logística), segundo PeerJ Computer Science, 2022.

E não é só na odontologia. Em estudo pediátrico com 161.822 agendamentos, o histórico de faltas passadas do paciente foi o preditor mais forte (npj Digital Medicine, 2022). Em estudo de medicina interna com 18.587 pacientes, a análise apontou o número de ausências anteriores, o dia e o mês do agendamento entre os fatores críticos (PMC/NIH, Fundación Valle del Lili).

Três bases diferentes, mesma conclusão: quem já faltou tende a faltar de novo, e agenda marcada com muita antecedência falta mais.

O que isso significa na prática: seu primeiro painel pode usar só essas duas variáveis e já acertar muito. O resto refina, não inventa.

Como montar na prática, do score por regras ao machine learning

Você não precisa de um cientista de dados pra começar. Existe um caminho de maturidade, e o primeiro degrau cabe numa planilha.

Nível 1: score por regras (planilha). Você atribui pontos por fator de risco e soma:

1. Paciente já faltou antes? +30 pontos.
2. Antecedência maior que 14 dias? +20 pontos.
3. Não respondeu à confirmação? +25 pontos.
4. Horário ou dia de pico de falta? +15 pontos.
5. Primeira consulta (avaliação) em vez de retorno? +10 pontos.

Some, normalize numa escala de 0 a 100 e defina os cortes: até 30 baixo, 31 a 60 médio, acima de 60 alto. Pronto, você tem um painel funcional sem uma linha de código.

Nível 2: machine learning. Quando você tiver volume e quiser mais precisão, treina um modelo que aprende os pesos sozinho a partir do seu histórico, em vez de você chutar os pontos. É aqui que entram os algoritmos.

A transição não é tudo ou nada. O score por regras já entrega a maior parte do valor; o modelo aperta a precisão e descobre combinações que você não veria a olho.

Quais modelos usar e que precisão esperar do mundo real

Quando você (ou seu fornecedor de software) for para o machine learning, três famílias de modelo aparecem com mais frequência.

• Regressão logística: simples, interpretável, ótima de partida. Você consegue explicar por que o score subiu.
• Random forest: combina muitas árvores de decisão, captura interações entre variáveis, costuma performar melhor.
• Gradient boosting: refinamento que empilha árvores corrigindo erros, em geral o mais preciso dos três.

Sobre a precisão, a métrica padrão é o AUC (área sob a curva), que vai de 0,5 (chute) a 1,0 (perfeito). Eis o que estudos reais alcançaram:

Estudo	Volume	Taxa de falta	Melhor modelo	AUC
Odontológico (PeerJ, 2022)	196.018 agend.	42,68%	melhor modelo	0,718 (F1 66,5%)
Pediátrico (npj Digital Medicine, 2022)	161.822 agend.	20,3%	rede neural	0,975
Medicina interna (PMC/NIH)	18.587 pac.	~34,6%	bagging random forest	0,89 (acurácia 84,8%)

Calibre a expectativa: um AUC entre 0,7 e 0,9 já é útil pra operação. O número exato depende dos seus dados, e modelos campeões de laboratório costumam cair um pouco no uso real. O ponto não é perseguir AUC perfeito, é separar bem o alto risco do baixo risco.

Como traduzir o score em ação operacional

Score sem ação é só um número bonito no painel. O valor aparece quando a recepção faz coisas diferentes em cada faixa de risco.

A lógica é gastar o esforço caro onde o risco justifica:

• Risco baixo: confirmação padrão (mensagem automática). Como faltam pouco, aqui cabe overbooking controlado, encaixar um paciente extra sabendo que a chance de a cadeira ficar livre é alta.
• Risco médio: confirmação reforçada e lembrete em camadas (mensagem 48h antes, 24h antes, no dia).
• Risco alto: ligação humana da equipe, confirmação ativa em mais de um canal, e atenção redobrada. É a faixa que mais derruba sua taxa de comparecimento.

A confirmação não precisa ser manual. A IA de atendimento dispara a régua de lembretes 24h por dia, e a equipe entra só na ligação de alto risco, onde a voz humana faz diferença. Veja como automatizar a confirmação de consulta para reduzir falta e os mecanismos de como reduzir o no-show.

Lembre: o objetivo do score não é punir quem tem risco alto, é dar pra essa consulta a atenção que ela precisa pra acontecer. Ninguém deixa de ser atendido, alguns só recebem mais confirmação.

Quando o esforço vale a pena: o ROI do overbooking e da intervenção

Aqui entra uma ressalva honesta que separa o painel útil do painel decorativo.

Se a sua taxa de falta já é baixa, intervenções caras podem não se pagar. Os próprios autores do modelo avaliado em radiologia alertam que a baixa incidência de faltas pode limitar o retorno de intervenções caras (Journal of Digital Imaging, 2022). Faz sentido: ligar para 100 pacientes pra evitar 2 faltas custa mais do que vale.

Então a conta é simples. Compare o custo da intervenção (tempo de ligação, sistema, equipe) com o valor da cadeira recuperada.

Na odontologia, essa conta costuma fechar fácil, por dois motivos:

• O ticket por consulta é alto, então uma única avaliação de implante ou protocolo recuperada paga muitas ligações.
• A taxa de falta em saúde não é desprezível. Os números nos estudos variam de ~20% a mais de 40%, e nas clínicas atendidas pela Odonto Results o comparecimento (agendamento até a cadeira) fica entre 20% e 50%, dados internos da Odonto Results.

A regra prática: concentre a intervenção cara no alto risco e na consulta de alto ticket. Para o baixo risco, automação e overbooking bastam. Veja quanto a clínica perde com cadeira vazia e faltas pra dimensionar o tamanho do problema na sua agenda.

Viés, justiça e LGPD: o score não pode discriminar

Um painel preditivo mexe com dado de pessoa. Isso exige cuidado, e não é só ética, é proteção da sua clínica.

Três princípios inegociáveis:

1. Não penalize por característica protegida. O score não pode ser uma desculpa pra tratar pior quem mora em determinado bairro, tem certo perfil socioeconômico ou raça. Variáveis como CEP podem carregar viés disfarçado. Use comportamento (histórico, antecedência, resposta à confirmação), não proxies de discriminação.

2. Alto risco recebe mais atenção, nunca menos acesso. A consequência de um score alto é uma ligação a mais, não a recusa do paciente. Se o painel virar filtro de quem você atende, você quebrou o princípio.

3. Transparência e LGPD. Você trata dado de agendamento com finalidade legítima (operar a clínica), o que a LGPD permite, mas precisa de segurança, transparência e propósito claro. Documente por que coleta cada dado. Veja como tratar dados de leads e pacientes pela LGPD e, na dúvida, valide com seu jurídico.

Um score justo é também um score melhor: modelo enviesado erra mais, porque aprende padrão social em vez de comportamento real.

A confirmação automática como dado de entrada do score

Aqui está um ciclo virtuoso que pouca clínica explora: a resposta à confirmação é, ao mesmo tempo, uma ação e um dado de entrada do próximo score.

Funciona assim. A IA dispara a confirmação no WhatsApp. O paciente responde ou fica em silêncio. Essa resposta (ou a falta dela) alimenta o painel: quem responde à confirmação tende a comparecer; quem some é sinal de risco.

E o comportamento de resposta é mensurável. Na base in-channel da Odonto Results (18 clínicas), o lead responde à primeira mensagem da clínica em 33% a 84% dos casos, e quem responde agenda muito mais (de 15% a 49% dos que respondem viram agendamento), dados internos da Odonto Results.

A leitura pro painel: o silêncio à confirmação é um dos sinais mais baratos e mais fortes de risco de falta. Ele entra no score como variável e dispara a próxima camada (a ligação humana). Veja o papel da IA de agendamento na clínica e quanto a IA de agendamento aumenta o comparecimento.

O resultado é um sistema que aprende sozinho: cada confirmação respondida ou ignorada deixa o score do mês seguinte mais afiado.

KPIs do painel: o que medir pra saber se está funcionando

Você não otimiza o que não mede. Mas medir a coisa errada (o score em si) leva à decisão errada. Meça o impacto na cadeira.

KPI	O que mostra	Por que importa
Taxa de no-show	% de agendamentos que faltaram	O número que o painel existe pra baixar
Taxa de comparecimento	% de agendamentos que viraram paciente na cadeira	O outro lado do no-show, o resultado real
Ocupação por cadeira	% de horas de cadeira efetivamente usadas	Mede se a agenda está cheia de verdade
Faltas evitadas	Diferença vs período sem painel	Prova do retorno da intervenção
Ticket perdido por cadeira vazia	Receita que escorreu pela falta	Traduz no-show em dinheiro

A iteração é mensal. Compare o mês com painel contra o histórico anterior, ajuste os cut-offs (talvez o alto risco precise começar em 0,25, não 0,30), e revise os pesos das variáveis. O comportamento do paciente muda, e o score precisa acompanhar.

Não confunda o KPI do modelo (AUC, precisão) com o KPI do negócio (comparecimento, ocupação). O primeiro diz se o modelo prevê bem; o segundo diz se a clínica está faturando mais. O que paga a conta é o segundo. Veja quais indicadores acompanhar no painel da clínica.

Seu próximo passo

1. Comece pelo score por regras numa planilha. Use só histórico de faltas e antecedência (os dois sinais mais fortes), some pontos, defina baixo, médio e alto risco. Você tem um painel funcional sem código nesta semana.
2. Ligue o score à ação e à confirmação automática. Automação no baixo risco, ligação humana no alto risco, e use a resposta (ou silêncio) à confirmação como dado de entrada do próximo ciclo. Mede tudo: comparecimento, ocupação, faltas evitadas.
3. Itere mensalmente e cuide do viés. Ajuste os cortes, revise os pesos, e garanta que o score nunca penaliza por característica protegida nem nega acesso. Só agir mais, nunca atender menos.

Quer transformar a sua agenda em comparecimento previsível, do anúncio à cadeira, com confirmação automática que já alimenta o seu painel de risco? Agende uma apresentação.