Antecipando a demanda de materiais de limpeza hospitalar : avaliação de modelos de séries temporais

Abstract

Resumo: A gestão eficiente de insumos hospitalares é fundamental para garantir a sustentabilidade operacional e a qualidade dos serviços de saúde. Em ambientes caracterizados por alta variabilidade de consumo e complexidade operacional, a previsão de demanda baseada em séries temporais torna-se uma ferramenta estratégica para apoiar a tomada de decisão. Este estudo propõe a aplicação e comparação de diferentes técnicas de previsão para estimar o consumo de materiais hospitalares, com foco em insumos de limpeza. Os dados foram extraídos do sistema corporativo de gestão de almoxarifado do hospital e submetidos a procedimentos de tratamento, incluindo correção de outliers por meio do método do intervalo interquartil e agregação temporal. Foram avaliados modelos estatísticos tradicionais (ARIMA e SARIMA), média móvel, redes neurais LSTM e uma abordagem de rolling forecasting baseada em LSTM. Os resultados indicam que o modelo LSTM com rolling forecasting apresentou o melhor desempenho, com menores erros de previsão, evidenciando maior capacidade de adaptação a mudanças recentes no padrão de consumo e maior adequação ao contexto hospitalar

Abstract: Efficient hospital supply management is essential to ensure operational sustainability and maintain healthcare service quality. In environments characterized by high consumption variability and operational complexity, time series demand forecasting becomes a strategic tool to support decision-making. This study proposes the application and comparison of different forecasting techniques to estimate the consumption of hospital supplies, focusing on cleaning materials. The data were extracted from the hospital’s inventory management system and subjected to preprocessing procedures, including outlier correction using the interquartile range method and temporal aggregation. Traditional statistical models (ARIMA and SARIMA), moving averages, Long Short-Term Memory (LSTM) neural networks, and an LSTM-based rolling forecasting approach were evaluated. The results show that the LSTM model with rolling forecasting achieved the best predictive performance, presenting lower forecast errors and greater adaptability to recent changes in consumption patterns, demonstrating its suitability for dynamic hospital environments