IA na Saúde: Auditoria de Dados e Previsão de Stocks

O modelo não prevê quem vai adoecer. Prevê onde a procura pode aumentar.

É a distinção que define o projeto inteiro. Previsão clínica é identificar pessoas com maior probabilidade de desenvolver uma doença. Previsão operacional é olhar para tendências agregadas e perguntar: de que produtos e consumíveis vamos provavelmente precisar nas próximas semanas?

Uma organização da área da saúde tinha a informação relevante no software de contabilidade e no sistema de faturação. Os dados existiam — separados, e usados sobretudo para registo administrativo. A BigLearn transformou esses ficheiros numa visão integrada que relaciona compras, vendas, movimentos de stock, consumo de materiais, períodos do ano, padrões históricos, calendário e condições meteorológicas.

Comprar depois de a procura chegar já é comprar tarde

Em clínicas e farmácias a procura não é constante. Alguns produtos têm consumo previsível; outros sobem em épocas do ano, com alterações de temperatura, períodos de chuva ou vagas de calor.

Sem visão integrada, a decisão de compra apoia-se em experiência individual, comparação manual de ficheiros, no stock que se vê hoje, na memória do ano anterior — ou na reação a uma rutura que já aconteceu. O problema não era falta de dados. Era a dificuldade de os ligar a tempo de decidir.

Prever com dados incoerentes produz erros com melhor apresentação

Por isso o projeto começou por uma auditoria, não por um modelo. Foram analisadas as diferenças entre compras, faturação, consumo e stock à procura de produtos com designações diferentes em sistemas diferentes, movimentos difíceis de reconciliar, consumos sem correspondência clara nas compras, artigos comprados com regularidade mas com pouca rotação, alterações súbitas por validar e períodos com informação incompleta.

Nenhuma destas situações foi tratada automaticamente como erro. Foram apresentadas como pontos a rever pela equipa responsável. A IA ajuda a encontrar a agulha; o que ela significa continua a ser decisão humana.

A parte mais importante do início do projeto não foi escolher tecnologia — foi tornar os dados comparáveis. Não foi preciso substituir os sistemas: a contabilidade exportou um CSV de compras, a faturação exportou outro de vendas, e a partir daí reconstruiu-se o histórico.

A sazonalidade estava nos dados, só não estava visível

Organizados cronologicamente, os dados mostraram padrões: categorias com maior procura em épocas específicas, outras a acompanhar o número e o tipo de procedimentos realizados, umas com picos curtos e outras a subir gradualmente ao longo de semanas.

Passou a ser possível comparar meses e estações, dias da semana, períodos de férias, anos diferentes, e a duração e intensidade dos picos — e comparar a procura prevista com a que realmente aconteceu, que é a única forma de saber se a previsão presta. Em vez de assumir que o próximo ano será igual ao anterior, o sistema procura padrões recorrentes e pesa também o que aconteceu recentemente.

A meteorologia é um sinal de procura, não uma explicação clínica

O histórico interno explica o que aconteceu; os dados externos ajudam a perceber o que se aproxima. Temperatura, alterações bruscas, precipitação, humidade e vagas de calor ou frio entraram como mais um sinal para o modelo de procura — nunca como relação de causa e efeito com doença.

Se o histórico mostrar que certas categorias sobem habitualmente depois de determinados padrões meteorológicos, o sistema chama a atenção para uma possível subida nas semanas seguintes. O resultado não é uma ordem de compra. É um aviso antecipado para quem gere o stock.

Houve ainda um sinal que a análise financeira sozinha não mostrava: alguns materiais não são vendidos, são consumidos durante procedimentos. Considerar volumes agregados de procedimentos explicou por que motivo certos artigos saíam de stock sem aparecerem como venda — por período, unidade e categoria, nunca por profissional.

Um alerta sem contexto não ajuda ninguém a decidir

O sistema assinala risco de rutura antes de um período de procura elevada, stock excessivo com rotação reduzida, aumento anormal de consumo, compras que não acompanham a tendência, sazonalidade a aproximar-se, produtos com histórico insuficiente para uma previsão segura e diferenças entre movimentos registados e stock esperado.

Mas «há uma anomalia» não é informação útil. Cada alerta mostra o produto ou categoria, o período analisado, o comportamento habitual, o que mudou, os dados que suportam o aviso e o grau de confiança disponível — porque uma combinação invulgar pode ser um erro de registo, uma alteração de processo, uma situação excecional ou uma decisão perfeitamente justificada.

Não é preciso saber quem é o doente para prever o stock

A minimização de dados aqui não é uma conformidade acrescentada no fim — é uma consequência do objetivo. Para prever procura basta produto, categoria, quantidade, data, unidade, tipo agregado de atividade, compra, venda ou consumo, stock e fatores sazonais. A identidade de pacientes ou clientes não acrescenta nada à previsão.

Sempre que possível, os dados são agregados e reduzidos ao mínimo necessário para o objetivo — o que reduz simultaneamente o risco e a superfície de exposição, sem custo nenhum para a qualidade do resultado.

O que muda em relação a um dashboard

Uma ferramenta de business intelligence mostra o que aconteceu. Aqui juntaram-se as duas perspetivas: histórico → o que aconteceu · auditoria → os dados são coerentes? · análise → que padrões existem · previsão → o que poderá acontecer · alerta → o que merece atenção agora · decisão humana → o que vamos fazer.

A IA não substituiu os relatórios existentes; acrescentou antecipação. E o valor não esteve em criar mais informação — esteve em aproveitar melhor a que a organização já produzia todos os dias. Os CSV deixaram de ser ficheiros exportados ao fim do mês.

A mesma arquitetura serve farmácias e outras clínicas

Uma farmácia já tem compras a fornecedores, vendas, stock, rotação, categorias, datas, devoluções, ruturas e períodos promocionais. Cruzar isso com sazonalidade e sinais externos permite antecipar procura por categoria — preparar o inverno, reduzir excesso de rotação lenta, comparar lojas ou regiões, ajustar encomendas a prazos de entrega, acompanhar produtos perto do fim do prazo de venda — sem analisar a saúde de nenhuma pessoa concreta.

Em clínicas médicas, dentárias ou veterinárias, a mesma lógica apoia o planeamento de consumíveis, a preparação de períodos sazonais, a previsão por unidade e a comparação entre stock esperado e registado. E não é preciso começar por uma integração complexa: um primeiro projeto pode usar apenas exportações periódicas e dados agregados, validando o valor antes de se ligar seja o que for.

A pergunta deixa de ser «quanto temos hoje?» e passa a ser «quanto vamos provavelmente precisar, quando e porquê?»