O painel preditivo de no-show precisa de ajuste diferente em época de alta demanda, tipo dezembro ou volta às aulas, ou o modelo já se adapta sozinho?

"O painel preditivo de no-show precisa de ajuste diferente em época de alta demanda, tipo dezembro ou volta às aulas, ou o modelo já se adapta sozinho?"

Dezembro chega. A agenda enche, o encaixe vira rotina, e o painel continua pintando as mesmas linhas de vermelho e verde como se nada tivesse mudado.

E aí bate a dúvida certa: isso ainda vale?

A pergunta mais útil não é se o painel está errado. É de que jeito ele está errado, porque um modelo preditivo erra de duas formas diferentes e só uma delas aparece na tela.

A resposta curta: ele não se adapta sozinho. Um modelo preditivo é uma fotografia estatística do passado congelada no dia do treino. Se ninguém retreinar ou recalibrar, ele repete a estatística de um período que já acabou.

E existe medida disso. No estudo australiano que testou dez cadências de retreino para um modelo de admissão em pronto-socorro pediátrico (409.307 atendimentos entre jul/2018 e jun/2024), o drift foi mais pronunciado justamente no modelo estático, que chegou a erro médio (AMDBE) de 10,6 em 2024, contra 1,79 do modelo retreinado semanalmente, segundo pesquisa publicada na Emergency Medicine Australasia e disponível no PMC / National Library of Medicine.

Neste guia você vai ver:

• Por que o painel continua "parecendo certo" enquanto o número já saiu do lugar
• A diferença entre sazonalidade de volume e sazonalidade de falta (o erro mais caro)
• O que de fato muda no pico: lead time, mix de paciente, histórico prévio
• Os três níveis de ajuste (limiar, intercepto, refit) e quando usar cada um
• A cadência de retreino sustentada por evidência e o custo de cada uma
• O protocolo de seis semanas antes de dezembro e da volta às aulas
• As perguntas exatas para levar ao fornecedor do painel

A resposta direta: o modelo não se adapta sozinho

Existe uma confusão comum entre ler dado novo e aprender com dado novo.

O painel lê dado novo todo dia: puxa a agenda de amanhã, calcula o score de cada agendamento, pinta a tela. Isso não é aprendizado. É aplicação de uma regra que foi fixada lá atrás.

Aprender com dado novo exige alguém rodar um processo: recalcular os pesos, medir de novo o acerto, publicar a versão nova. Isso não acontece por vontade própria do software.

Foi o que o estudo australiano mediu ao comparar as dez cadências: entre todas as versões testadas, a que ninguém tocou foi a que mais sofreu drift ao longo do período, e a distância para as versões retreinadas cresceu com o tempo, não diminuiu.

Um cuidado de leitura, porque isso importa: esse estudo é sobre admissão em pronto-socorro pediátrico na Austrália, não sobre falta em clínica odontológica no Brasil. O número não é o seu. O mecanismo é: modelo preditivo em ambiente que muda degrada quando ninguém mexe nele.

Lembre: painel que nunca foi retreinado não é um painel neutro. É um painel que aposta que a sua clínica de hoje se comporta como a sua clínica do dia do treino.

Drift em linguagem de clínica: por que o pico é o pior momento

Drift é o nome técnico para "o mundo mudou e o modelo não". Ele aparece em duas formas que você precisa saber separar.

Concept drift é quando a RELAÇÃO entre as variáveis e a falta muda. No pico, um agendamento marcado para daqui a dois dias pode significar coisa diferente do que significava em maio: antes era paciente decidido, agora é encaixe de última hora com pouco compromisso.

Calibration drift é quando o NÍVEL do risco sai do lugar. O modelo continua ordenando certo, mas o número que ele imprime (digamos, 35% de risco) deixa de corresponder ao que acontece de verdade.

Por que exatamente no pico? Porque o pico é uma mudança de composição concentrada em poucas semanas. Entra outro tipo de paciente, por outro canal, com outra antecedência, em outro horário. Nada disso está no treino do modelo.

E tem um agravante prático: no pico você toma mais decisões por hora com base no painel (encaixe, overbooking, priorização de contato do CRC). O erro do modelo custa mais caro justamente quando ele fica maior.

Discriminação x calibração: o que degrada primeiro

Este é o ponto que separa quem entende do painel de quem só olha a tela.

O estudo publicado no Journal of the American Medical Informatics Association (JAMIA, 2017) desenvolveu 7 modelos de risco de lesão renal aguda com internações de 2003 no sistema hospitalar do Department of Veterans Affairs (EUA) e os validou nos 9 anos seguintes. O achado: a discriminação se manteve em todos os modelos, enquanto a calibração caiu, com todos passando a superestimar o risco, conforme o artigo disponível no PMC / National Library of Medicine.

Traduzindo para a sua agenda: o painel continua sabendo quem tem mais chance de faltar comparado a quem, e por isso continua parecendo certo. O que ele perde é o número.

Dimensão	O que é	Como você percebe	O que acontece no pico	O ajuste
Discriminação	Ordenar risco: quem falta recebe score maior que quem comparece	O ranking do dia continua fazendo sentido para a recepção	Costuma resistir mais	Refit do modelo (caro, demorado)
Calibração	Acertar o número (exemplo: numa faixa marcada como 30% de risco, faltar perto de 30%)	Só aparece se você comparar previsto x observado	Degrada primeiro e em silêncio	Recalibração de intercepto (rápida)

Por que essa distinção decide dinheiro: overbooking e esforço de CRC usam o NÚMERO, não a posição na fila. Suponha que o painel diga 30% e a realidade seja 45%: você sobrepõe pouco e deixa cadeira ociosa. Se ele diz 30% e a realidade é 18%, você sobrepõe demais e enche a sala de espera. Os dois números do exemplo são ilustrativos.

Se você ainda não mediu discriminação e calibração no seu painel, comece por aqui: como saber se o painel preditivo de no-show está certo.

Sazonalidade de volume não é sazonalidade de falta

Aqui mora o erro mais caro dessa discussão inteira. São duas curvas diferentes, e elas não andam necessariamente juntas.

• Sazonalidade de volume: quantas pessoas procuram e agendam num mês.
• Sazonalidade de falta: qual percentual dos agendados não comparece.

O estudo australiano documentou sazonalidade forte de VOLUME no pronto-socorro pediátrico analisado (Austrália, jul/2018 a jun/2024): agosto foi o mês mais movimentado, com média de 214 atendimentos por dia (DP 17), e janeiro o menos movimentado, com média de 161 por dia (DP 10).

Repare no que esse dado diz e no que ele não diz. Ele mostra que o volume oscila muito ao longo do ano naquele serviço. Ele não diz que a taxa de falta acompanhou.

Na sua clínica, dezembro pode ser cheio e ter falta menor (paciente querendo resolver antes do fim do ano) ou cheio e com falta maior (agenda comprimida, viagem, imprevisto). As duas coisas são plausíveis, e a única forma de saber é olhar a sua própria série mês a mês.

Mãos à obra: monte uma tabela simples com uma linha por mês dos últimos 24 meses, três colunas (agendamentos, comparecimentos, faltas) e uma quarta com a taxa. Você vai enxergar as duas curvas separadas em cinco minutos.

Um aviso sobre benchmark de fora: as faixas de no-show publicadas variam muito por país, tipo de serviço e especialidade, e por isso não servem de régua para decidir a sua calibração. A referência que importa é a taxa-base medida na sua base, na janela que você está avaliando.

O que muda de verdade no pico (as variáveis que se mexem)

Sazonalidade de calendário é só o rótulo. O que quebra o modelo são as variáveis por trás dela.

1. O lead time encolhe

Lead time é a antecedência entre a marcação e a data da consulta, e costuma ser um dos preditores mais fortes de falta: quanto mais longe a data, mais chance de o paciente esquecer, mudar de ideia ou ter conflito de agenda.

No pico acontece o oposto do que você imagina: a agenda lota, mas o encaixe cresce. Você passa a ter muito agendamento marcado para dali a poucos dias, quando o modelo aprendeu numa distribuição com lead time mais longo.

Resultado: uma variável central do modelo passa a operar numa faixa pouco representada no treino. É a receita clássica de erro.

2. O histórico prévio de falta some para quem é novo

Outro preditor forte costuma ser o histórico do próprio paciente: quem já faltou tende a faltar de novo.

Só que essa variável não existe para paciente de primeira vez. Ela entra como vazia, ou como um valor padrão que o modelo interpreta do jeito dele.

Quando o pico traz uma onda de paciente novo, a proporção de agendamentos com histórico vazio dispara. O modelo passa a decidir com menos informação, sem avisar você disso na tela.

3. O mix novo x retorno vira

Paciente de retorno e paciente novo têm comportamento de comparecimento diferente. Um já conhece a clínica, o estacionamento, o profissional. O outro está testando.

Se em maio a sua agenda era majoritariamente retorno e em dezembro vira majoritariamente novo, a taxa-base muda por composição, não por sazonalidade. É a mesma clínica atendendo outra mistura de gente.

4. Horário e dia da semana se redistribuem

Horário do dia costuma pesar no comparecimento: primeiro horário da manhã, janela de almoço e fim do dia carregam atritos diferentes (trânsito, trabalho, cansaço).

Já o dia da semana não tem direção estável: em algumas operações a segunda é a pior, em outras o meio de semana. Isso é sinal de que o efeito depende da população e da operação, não de uma lei universal.

A conclusão prática é direta: não hardcode regra de dia da semana no painel. Meça na sua base, e remeça depois do pico, porque a distribuição de horários muda quando você abre agenda extra.

Mudança de mix disfarçada de sazonalidade

Antes de acusar dezembro, faça o teste que separa as duas coisas. Muita "sazonalidade" é na verdade mudança de composição da base.

Decomponha o período de pico contra um período de referência, célula por célula:

Corte	O que comparar	O que significa se mudou
Canal de origem	% de agendamentos por canal	O mix de tráfego mudou, não o mês
Novo x retorno	% de primeira consulta	Taxa-base muda por composição
Lead time	mediana de dias entre marcação e data	Encaixe cresceu, preditor saiu de faixa
Especialidade	% por procedimento	Outro tipo de compromisso, outra falta
Horário	distribuição por turno	Agenda extra mudou a mistura

Se a taxa de falta subiu dentro de cada célula, você tem sazonalidade real. Se a taxa dentro de cada célula ficou estável e só o peso das células mudou, você tem mudança de mix.

A diferença não é acadêmica. Sazonalidade real pede recalibração temporária que volta ao normal depois. Mudança de mix pede revisão permanente, porque a clínica de fato mudou.

A taxa-base muda e empurra o painel para o erro

Taxa-base é a prevalência de falta na sua janela. Ela é o chão do modelo.

Quando a taxa-base cai e o modelo continua treinado numa taxa mais alta, ele superestima o risco de todo mundo. Foi exatamente o padrão observado no estudo do JAMIA (2017), onde todos os 7 modelos passaram a superestimar risco ao longo dos 9 anos de validação.

Quando a taxa-base sobe e o modelo veio de um período mais tranquilo, ele subestima. Você olha uma agenda cheia de "risco baixo" e leva falta em cima.

Os dois erros têm o mesmo diagnóstico e o mesmo remédio de primeira linha: comparar previsto x observado por faixa e corrigir o nível.

Três níveis de ajuste: limiar, intercepto, refit

Nem toda correção precisa mexer no modelo. Existe uma escada, e quase ninguém sobe ela na ordem certa.

Nível	O que muda	Quando usar	Custo e prazo	Risco principal
1. Limiar de ação (cutoff)	Só o ponto de corte que define "risco alto"	Ajuste rápido de operação no pico	Muito baixo, mesmo dia	Você trata mais gente do que consegue contatar
2. Recalibração de intercepto	O nível geral do risco previsto, sem tocar nos pesos	Janela sazonal curta, modelo deslocado para cima ou para baixo	Baixo, dias	Corrigir nível quando o problema era a relação
3. Refit completo	Todos os pesos, com dados novos	Concept drift confirmado, mudança estrutural da clínica	Alto, semanas, exige volume	Overfitting em janela curta e pouco dado

Por que mexer no limiar é o primeiro movimento: ele não altera o modelo, não exige retreino, não depende do fornecedor e você reverte em um clique. O score continua o mesmo, muda só a régua de quem entra na fila de ação do CRC.

Exemplo de raciocínio (hipotético, só para ilustrar a mecânica): suponha que o seu CRC consiga fazer contato reforçado em 20 agendamentos por dia. Se no pico o volume dobra, manter o mesmo limiar joga 40 nomes na fila e o time entrega metade mal feita. Baixar a régua para caber nos 20 mais arriscados preserva a qualidade do contato sem tocar no modelo.

Recalibração de intercepto é o passo dois: você mantém a ordenação (que resiste bem, como mostrou o JAMIA) e ajusta só o nível para bater com a taxa observada. É o ajuste natural para janela sazonal curta, porque precisa de menos dado que um refit.

Refit completo é o passo três, e só faz sentido quando a evidência aponta que a RELAÇÃO mudou, não só o nível. Refit em cima de seis semanas de pico ensina o modelo a achar que a clínica inteira funciona como dezembro.

Cadência de retreino: com que frequência mexer

Aqui a evidência ajuda a cortar duas conversas improdutivas de uma vez: a de que retreinar é caro demais, e a de que precisa ser em tempo real.

No estudo australiano de dez cadências (409.307 atendimentos, jul/2018 a jun/2024), as cadências quinzenal e mensal foram não inferiores à semanal (AMDBE 2,61 e 2,73), e o retreino mensal exigiu apenas 25% da carga computacional do semanal, segundo a Emergency Medicine Australasia via PMC / National Library of Medicine.

O que você tira disso para negociar com o fornecedor:

1. Retreino mensal é uma cadência defensável, não um capricho de perfeccionista.
2. Custo computacional não é argumento para ficar no anual, porque a diferença medida foi grande justamente no barato.
3. O extremo ruim é o estático, aquele que ninguém toca. Foi ele que acumulou o maior erro no estudo.
4. A sua cadência ideal é medida na sua base. Esse número veio de outro serviço, outro país e outro desfecho.

Calendário fixo x gatilho por monitoramento

A pergunta original tem uma armadilha embutida: ela sugere escolher entre "ajustar em dezembro" e "deixar o modelo se virar". Existe uma terceira opção, e é a melhor.

A conclusão do estudo do JAMIA (2017) é que protocolos de atualização de modelo devem responder a períodos de drift rápido, em vez de ficarem limitados a intervalos fixos anuais ou semestrais, conforme o artigo no PMC / National Library of Medicine.

Traduzindo para a operação da clínica: o monitoramento é contínuo, a intervenção é por gatilho.

E o pico entra nessa lógica como um caso especial: ele é um período de drift rápido que você consegue prever no calendário. Então você faz as duas coisas.

• Contínuo: um painel de controle que compara previsto x observado toda semana.
• Agendado: uma janela de revisão marcada antes de dezembro e antes da volta às aulas, porque você sabe que o mix vai mudar.
• Por gatilho: quando o desvio passa do limite combinado, abre chamado com o fornecedor, independente do calendário.

O que monitorar semanalmente, sem virar projeto de dados:

• Taxa de falta observada da semana contra a taxa média prevista pelo painel.
• Desvio por faixa de risco (a faixa alta está entregando o que promete?).
• Distribuição das variáveis de entrada: lead time mediano, % de paciente novo, % por canal.
• Volume de agendamentos, que é o gatilho de atenção redobrada.

Amostra mínima: quando NÃO recalibrar

Recalibrar com pouco dado é pior que não recalibrar, porque você troca um erro conhecido por um erro aleatório com cara de precisão.

O problema aparece quando alguém tenta recalibrar por célula: uma faixa de risco de uma especialidade, de um canal, num mês. Essas células ficam pequenas rápido.

Três regras práticas para não overfitar em janela de pico:

1. Exija o n de cada célula antes de aceitar qualquer ajuste segmentado. Sem o n, o ajuste é opinião com gráfico.
2. Peça o intervalo de confiança da taxa observada. Se o intervalo cobre a taxa antiga, não há evidência de que algo mudou.
3. Prefira ajuste global a ajuste segmentado quando o dado é curto. Um intercepto único, medido no total, é mais estável que dez interceptos medidos em migalhas.

E uma regra de bom senso que vale mais que qualquer fórmula: se a mudança que você quer fazer some quando você tira uma semana da janela, ela era ruído.

Split temporal: por que o painel acerta no laboratório e erra em dezembro

Tem um erro de validação que faz o painel parecer excelente e quebrar no pico.

É treinar o modelo com os dados embaralhados no tempo. O software sorteia a maior parte dos agendamentos para treino e o resto para teste, sem respeitar a ordem cronológica.

O problema: o modelo treina com dados de dezembro e é testado com outros dados de dezembro. Ele já viu o padrão do pico do lado de dentro. O resultado infla.

O jeito certo tem dois passos:

1. Split temporal: treinar até uma data de corte e testar SÓ no período posterior. É assim que o painel vai funcionar na vida real, prevendo o futuro que ainda não aconteceu.
2. Backtest sazonal: rodar o modelo, treinado antes do pico, contra um pico passado inteiro. Isso responde a pergunta exata que você fez, com o histórico da sua clínica.

Peça esses dois ao fornecedor por escrito. É a evidência mais barata de que o painel aguenta alta demanda.

O que fazer com o score no pico: overbooking, CRC e lembrete

Score não é decisão. Decisão é o que você faz com ele, e no pico as três ações principais mudam de peso.

Overbooking. A ideia é sobrepor agendamentos na proporção do risco previsto, para a cadeira não ficar ociosa. O detalhe é que overbooking amplifica o erro de calibração: se o painel superestima a falta, você lota a sala de espera e destrói a experiência; se subestima, mantém a ociosidade que queria eliminar. Antes de subir a sobreposição no pico, confira a calibração da semana anterior. O passo a passo está em como calibrar a taxa de overbooking por no-show.

Acionamento do CRC. Contato humano no agendamento de risco alto é a ação de maior alavanca, e é limitada pela capacidade do time. É por isso que o limiar (nível 1 da escada) é a variável mais útil no pico: ele encaixa a fila de risco na capacidade real de contato. O detalhe operacional está em quando a IA deve acionar o CRC no no-show previsto.

Lembrete e confirmação. Funcionam, mas são ação a jusante do score: agem depois que o painel decidiu quem é risco. Lembrete genérico disparado para toda a agenda não conserta calibração ruim, só espalha esforço.

E tem um fator de tempo que o pico expõe. Nas clínicas atendidas pela Odonto Results, a IA responde o lead em mediana 4,4 segundos, 43,8% dos leads chegam fora do horário comercial e a mediana entre a primeira mensagem e o agendamento dentro do WhatsApp é de 2h57, com cerca de 23% dos leads que respondem virando agendamento nesse mesmo canal (recorte in-channel), segundo dados internos da Odonto Results. No pico, essa janela de resposta é o que separa o encaixe confirmado do encaixe que evapora.

Quanto o pico custa na agenda

O impacto financeiro da falta é o que justifica todo esse trabalho, e ele é sensível à taxa de um jeito que assusta quando você faz a conta.

A estrutura da conta é simples: cadeiras ativas x atendimentos por cadeira por dia x ticket médio do tipo de consulta x taxa de falta. O que muda tudo é o terceiro fator, porque falta de avaliação e falta de procedimento em andamento custam coisas diferentes.

Exemplo hipotético, só para mostrar a sensibilidade: suponha uma agenda com 40 atendimentos por dia. Uma taxa de falta de 15% deixa 6 horários vazios por dia; a mesma agenda com 25% deixa 10. São 4 horários por dia de diferença, o que ao longo de um mês de pico vira uma pilha de cadeira parada em cima do mês de maior demanda do ano. Os números do exemplo são ilustrativos, não referência de mercado.

É por isso que o erro de calibração no pico é o mais caro do ano: ele acontece quando a agenda vale mais.

Governança: quem olha, quando, e o que aciona o fornecedor

Painel sem dono vira decoração. No pico, painel sem dono vira decoração cara.

Monte a governança em três camadas, com gatilho escrito:

Camada	Quem	Frequência	O que olha	Gatilho
Operacional	Coordenação da recepção / CRC	Diária	Fila de risco alto do dia e capacidade de contato	Fila maior que a capacidade: ajusta o limiar
Tática	Gestor da clínica	Semanal	Previsto x observado da semana, por faixa	Desvio acima do limite combinado por 2 semanas: abre chamado
Estratégica	Sócio / diretoria + fornecedor	Mensal e antes de cada pico	Calibração, mix, lead time, cadência de retreino	Concept drift confirmado: agenda refit

Escreva o limite de desvio no contrato ou no acordo de serviço, junto com o prazo de resposta do fornecedor. Sem número combinado, "o painel está estranho" nunca vira ação.

Protocolo de seis semanas antes do pico

Este é o passo a passo para dezembro e para a volta às aulas. Rode na ordem.

1. Semana 6: levante a sua série mensal dos últimos 24 meses, com as duas curvas separadas (volume de agendamento e taxa de falta). Só isso já resolve metade da dúvida.
2. Semana 5: compare o último pico contra o mês de referência célula por célula (canal, novo x retorno, lead time, especialidade, horário). Separe sazonalidade real de mudança de mix.
3. Semana 4: peça ao fornecedor o backtest do modelo atual contra o último pico, com split temporal. Se ele não tiver, esse é o pedido mais importante do ano.
4. Semana 3: defina o limiar de ação do pico a partir da capacidade real de contato do CRC, não da estética do gráfico.
5. Semana 2: se a comparação mostrou deslocamento de nível, aplique recalibração de intercepto. Guarde a versão anterior para poder voltar.
6. Semana 1: ligue o monitoramento semanal de previsto x observado e combine por escrito o gatilho que aciona o fornecedor durante o pico.

Depois do pico, faça o movimento que quase todo mundo esquece: volte o limiar e a calibração ao normal, ou você entra em fevereiro operando com a régua de dezembro.

As perguntas para levar ao fornecedor do painel

Leve esta lista para a próxima reunião. As respostas dizem mais sobre o painel que qualquer demonstração de tela.

1. Qual a data do último retreino do modelo que está rodando na minha clínica?
2. Qual a cadência contratada de retreino, e ela é por calendário ou por gatilho de drift?
3. Como vocês validaram: split temporal ou amostra embaralhada no tempo?
4. Vocês rodaram backtest do modelo contra um período de pico passado da minha base?
5. Qual foi a taxa-base de falta na janela de treino, e qual é a taxa observada agora?
6. Vocês monitoram calibração continuamente ou só discriminação?
7. Qual o desvio que dispara alerta, e qual o prazo de vocês para responder?
8. Dá para recalibrar só o intercepto sem refazer o modelo inteiro, e em quanto tempo?
9. Qual o n mínimo de cada célula que vocês exigem antes de ajustar um segmento?
10. Como o modelo trata paciente sem histórico prévio de falta?

Se as perguntas 1, 3 e 6 não tiverem resposta objetiva, você não tem um painel preditivo em operação. Tem um relatório com cores.

Para entender o que o score deveria estar entregando antes de discutir ajuste, vale revisar como funciona o painel preditivo de no-show com score de risco de falta.

Seu próximo passo

1. Separe as duas curvas hoje. Monte a série mensal de volume de agendamento e de taxa de falta dos últimos 24 meses. Sem isso, qualquer decisão sobre dezembro é palpite.
2. Faça as três perguntas que expõem o painel. Data do último retreino, tipo de validação (split temporal ou embaralhado) e se a calibração é monitorada. A resposta define se você precisa ajustar ou trocar.
3. Instale o gatilho antes do pico. Defina o limiar pela capacidade do CRC, ligue o comparativo semanal de previsto x observado e combine por escrito o desvio que aciona o fornecedor.

Quer transformar previsão de falta em cadeira ocupada, com medição do anúncio ao comparecimento? Agende uma apresentação.