O painel preditivo marcou paciente de implante como risco de falta: vale tratar ele como risco ou o erro custa mais caro?

"O painel preditivo marcou paciente de implante como risco de falta: vale tratar ele como risco ou o erro custa mais caro?"

O alerta acendeu em vermelho na agenda de quinta. Paciente de implante, cirurgia marcada há semanas, plano de tratamento fechado.

E agora? Você liga, cobra sinal, encaixa outro paciente no mesmo bloco ou ignora?

A pergunta certa não é "esse paciente vai faltar?". É qual erro sai mais caro para cada ação que o alerta pode disparar.

A resposta direta: trate o alerta como risco de falta, nunca como paciente de risco. Ação barata que adiciona cuidado (ligação humana, confirmação reforçada, checagem de logística) compensa mesmo com probabilidade baixa.

Ação cara (overbooking no bloco cirúrgico, sinal exigido só dele, horário pior) só entra depois que o score provar calibração na sua base.

O motivo é estatístico. Num modelo com AUC de 0,83 da rede rural Marshfield Clinic Health System, nos EUA, só 18% das consultas marcadas como risco eram de fato faltas. As demais não eram. No alto ticket, é justamente esse paciente que você não pode irritar.

Neste guia você vai ver:

• Os dois erros do painel e por que o ticket muda o preço de cada um
• Por que AUC alta não impede que a maioria dos alertas esteja errada
• A conta do limiar: quando ligar compensa e quando overbooking compensa
• O que a evidência diz sobre ligar para o alto risco (e sobre o lembrete genérico)
• Calibração e validação externa: quando o "risco alto" do painel está inflado
• A matriz de decisão por faixa de risco x ticket e como medir se está pagando

Os dois erros do painel: falso positivo e falso negativo

Todo painel de no-show erra de dois jeitos. E eles não custam o mesmo.

• Falso positivo: o painel marcou risco e o paciente compareceu.
• Falso negativo: o painel não marcou e a cadeira ficou vazia.

Na consulta de rotina, os dois erros são baratos. O falso positivo vira uma ligação a mais. O falso negativo vira um horário curto vazio, que um encaixe resolve.

No paciente de implante, os dois ficam caros, e de jeitos diferentes. É isso que muda a decisão.

Erro	O que acontece	Custo na consulta de rotina	Custo no paciente de implante
Falso positivo	Painel marcou risco, paciente compareceu	Uma ligação a mais	Atrito com quem fechou plano caro; se houve overbooking, colisão no bloco cirúrgico
Falso negativo	Painel não marcou, paciente faltou	Horário curto vazio, fácil de repor	Bloco cirúrgico parado, equipe e material preparados sem uso, cronograma do caso atrasado

Repare na assimetria: o custo do falso positivo depende da ação que você dispara.

Se a ação é uma ligação de cuidado, o falso positivo quase não custa. Se a ação é encaixar outra cirurgia no mesmo horário, o falso positivo vira o pior erro possível.

Lembre: o score não decide se o paciente é "de risco". Ele decide se uma ação específica vale o preço de errar.

Por que um painel com AUC alta pode errar a maioria dos alertas

O fornecedor mostra uma AUC bonita e você conclui que o alerta é confiável. É aqui que mora o engano.

A AUC mede se o modelo ordena bem quem falta mais e quem falta menos. Ela não diz quantos alertas viram falta.

Quem diz isso é o valor preditivo positivo (VPP): a fração dos alertas que virou falta de verdade. E o VPP despenca quando a falta é rara.

Veja o caso real. Num modelo da rede rural Marshfield Clinic Health System, em Wisconsin (EUA), publicado na BMC Health Services Research em 2023, com dados de 2021 (1.260.083 consultas de 263.464 pacientes):

• A taxa de no-show foi de 6,0% nas bases de treino e de teste.
• A AUC foi 0,84 no treino e 0,83 no teste.
• Com o corte em 0,4, a sensibilidade foi 0,71 e o VPP foi 0,18.

Traduzindo: o modelo pegou boa parte das faltas, mas só 18% das consultas marcadas como risco eram de fato faltas.

Esse é o efeito da taxa base. Quando pouca gente falta, até um modelo bom acende muito alerta em quem comparece.

O dado brasileiro ajuda a calibrar a expectativa. Num modelo desenvolvido e validado na atenção primária pública de Porto Alegre (PLoS One, 2019), com consultas de 2011 a 2014, a falta foi de 13,0% e o melhor modelo chegou a AUC de 80,9%.

Os preditores mais importantes desse modelo foram o comparecimento prévio e o agendamento no mesmo dia. Guarde isso: vai importar quando falarmos do paciente de implante.

AUC de 80,9% é desempenho bom. Mesmo assim, a pergunta "quantos dos meus alertas viram falta?" só se responde com o VPP medido na sua agenda, no corte que você usa.

E aqui vai a consequência para o implante: se a falta na sua agenda cirúrgica for menor que a da agenda geral, o VPP dos alertas nesse grupo tende a cair ainda mais. Meça antes de agir. O passo a passo está em como medir a precisão do painel preditivo antes de confiar.

Escolha o limiar de corte pelo custo do erro, não pela acurácia

O limiar é o número a partir do qual o painel acende o alerta. Quase todo painel vem com um corte padrão. Esse corte não foi escolhido para a sua clínica.

O Machine Learning Crash Course do Google é direto: as métricas que você prioriza ao avaliar o modelo e escolher o limiar dependem dos custos, benefícios e riscos do problema específico.

O mesmo material descreve o trade-off: subir o limiar tende a reduzir os falsos positivos e aumentar os falsos negativos. Baixar o limiar faz o contrário.

Na prática:

• Limiar baixo: pega mais faltas, mas acende alerta em muita gente que comparece. Combina com ação barata.
• Limiar alto: acende menos e erra menos no alerta, mas deixa mais faltas passarem. É o mínimo para ação cara.

O próprio estudo de Marshfield trabalhou assim. Segundo os autores, o corte de 0,4 entrega equilíbrio: sensibilidade suficiente com o volume de falsos positivos sob controle.

A conclusão desta seção cabe numa linha.

Um painel, vários limiares: um para ligar, outro bem mais alto para qualquer ação que custe caro se errar.

A conta do limiar de ação: a partir de que risco agir compensa

Agora a parte que decide. Toda ação disparada pelo score tem uma conta simples por trás.

Agir compensa quando o ganho esperado supera o custo da ação. Para uma ação que só adiciona cuidado (sem dano relevante a quem ia comparecer), a conta é:

Limiar de ação = custo da ação ÷ ganho de evitar a falta

O "ganho de evitar a falta" é o valor perdido numa falta multiplicado pela fração de faltas que a ação de fato evita.

O precedente clássico é de 1983. Num estudo randomizado publicado no JAMA por Bigby e colegas, 590 consultas de retorno de um centro de atenção primária de medicina interna para adultos foram sorteadas entre nenhum lembrete, carta gerada por computador e ligação telefônica.

Os resultados:

• A falta caiu de 24% no grupo controle para 14% nos grupos com lembrete.
• A carta gerada por computador foi estimada como custo-efetiva sempre que a probabilidade de falta passava de 5%.
• A ligação telefônica ou a carta manual, sempre que passava de cerca de 11%.
• Cerca de dois terços da economia vieram de 23% dos pacientes, os que tinham probabilidade prevista de falta acima de 20%.

Repare na lógica: a ação mais cara (ligação) exige um limiar mais alto que a mais barata (carta). É a mesma régua que você vai usar no implante.

Exemplo: a ligação de cuidado na agenda cirúrgica

Exemplo hipotético, em unidades para facilitar: suponha que a ligação da CRC custe 1 unidade, que uma falta numa cirurgia de implante custe 200 unidades e que a ligação evite um terço das faltas de quem é contatado.

O limiar fica em 1 ÷ (200 × 1/3), cerca de 1,5%.

O que isso significa? Que, no paciente de cirurgia, a ligação de cuidado compensa para praticamente todo mundo, com ou sem alerta.

O score não precisa decidir se você liga. Ele ajuda a decidir a ordem e a intensidade do contato.

Exemplo: o overbooking no bloco cirúrgico

Agora a ação cara. No overbooking, o ganho vem quando o paciente falta (o horário é aproveitado) e o dano vem quando ele comparece (colisão).

A conta vira outra: overbooking compensa quando a probabilidade de falta passa de dano da colisão ÷ (dano da colisão + ganho do horário aproveitado).

Exemplo hipotético: se colidir duas cirurgias no mesmo bloco custa três vezes o que você ganha aproveitando um horário vago, o limiar sobe para 3 ÷ (3 + 1), ou seja, 75%.

Compare com o painel de Marshfield: entre as consultas marcadas como risco no corte de 0,4, só 18% viraram falta. É por isso que overbooking cirúrgico guiado por score dificilmente fecha a conta.

Decision curve analysis: o limiar já diz quanto pesa cada erro

Existe um método formal para essa conta, e você pode exigi-lo do fornecedor.

A decision curve analysis, proposta por Vickers e Elkin na Medical Decision Making (2006), parte de uma ideia simples: o limiar de probabilidade em que alguém escolhe agir informa como ele pesa os danos relativos de um falso positivo e de um falso negativo.

O benefício líquido do modelo subtrai a proporção de falsos positivos da proporção de verdadeiros positivos, ponderando pelo dano relativo dos dois erros. O peso é o limiar dividido por (1 menos o limiar).

Na prática, escolher o limiar já é declarar quanto pesa cada erro. As linhas abaixo são exemplos aritméticos dessa fórmula, não recomendações universais:

Limiar escolhido	Um falso positivo pesa...	Combina com
10%	cerca de 1/9 de um falso negativo	ligação de cuidado, confirmação reforçada
20%	1/4 de um falso negativo	contato humano mais insistente, checagem de logística
50%	o mesmo que um falso negativo	ação com custo parecido nos dois lados
75%	3 vezes um falso negativo	ação cara, como overbooking em bloco longo

O pedido ao fornecedor fica claro: mostre a curva de decisão do modelo na faixa de limiar que eu vou usar.

Se, nessa faixa, o benefício líquido do modelo não supera a estratégia de agir para todos, o score não está agregando nada naquela ação.

Essa conta já foi feita num modelo de prateleira. Na validação externa do modelo de falta do Epic no norte do Texas (JAMA Network Open, 2025), detalhada mais abaixo, a curva de decisão mostrou benefício líquido modesto do modelo frente às estratégias de contatar todos ou não contatar ninguém, em alguns limiares de decisão entre 20% e 30% daquela população.

Ação barata x ação cara: o que o alerta pode disparar

Com a conta na mão, separe as ações em dois grupos. O critério é o que acontece com o paciente se o alerta estiver errado.

Ações baratas (o erro quase não custa):

• Ligação humana de confirmação, com tom de cuidado, não de cobrança.
• Confirmação reforçada em mais de um canal.
• Checagem de logística da cirurgia: acompanhante, transporte, exames pré-operatórios, orientações.
• Oferta ativa de remarcação, se houver impedimento.

Ações caras (o erro custa caro com paciente de alto ticket):

• Overbooking no mesmo bloco cirúrgico.
• Sinal ou garantia exigidos só de quem o painel marcou.
• Rebaixar prioridade: horário pior, encaixe adiado, menos esforço da recepção.
• Tom de desconfiança no contato ("vimos que você costuma faltar").

Ação	Custo se o alerta errar (falso positivo)	Benefício se o alerta acertar	Regra no paciente de implante
Ligação humana de cuidado	Quase nenhum, se o tom for de cuidado	Evita parte das faltas e antecipa remarcação	Para toda a agenda cirúrgica; o score define a ordem
Confirmação reforçada multicanal	Baixo	Reduz falta por esquecimento	Padrão para cirurgia
Checagem de pré-operatório e logística	Nenhum; melhora a experiência	Remove barreira prática	Padrão para cirurgia
Overbooking no bloco cirúrgico	Alto: espera, hora extra, procedimento atrasado	Aproveita horário vago	Só com calibração local provada e limiar alto
Sinal exigido só do marcado	Alto: atrito e quebra de confiança	Filtra parte das faltas	Evitar; política de sinal, se houver, vale para todos
Rebaixar prioridade ou horário	Alto e invisível: alimenta a própria falta	Nenhum ganho real	Nunca

A última linha merece atenção. Quando a ação tira acesso de quem foi marcado, a falta aumenta e o painel parece cada vez mais certo. É o mecanismo descrito em quando o paciente marcado como alto risco vira profecia autorrealizável.

Overbooking em procedimento longo: o falso positivo vira espera e hora extra

Overbooking é a ação mais tentadora para quem acabou de ganhar um painel preditivo. E é a que menos combina com cirurgia de implante.

O motivo é a duração. Pesquisadores da King Saud University, em Riade (Arábia Saudita), argumentam na PeerJ Computer Science (2022) que a consulta odontológica é notavelmente mais longa que a consulta médica comum.

Por isso, segundo os autores, a falta odontológica custa mais e o overbooking às cegas é impraticável.

Agora veja o que acontece mesmo quando o overbooking dá certo. Num centro de diagnóstico por imagem do sul da Itália (IRCCS SDN, Nápoles; BMC Health Services Research, 2018), nos exames de ressonância de janeiro a junho de 2015, a estratégia de overbooking:

• aumentou a receita por hora em 15,4%, diferença estatisticamente significativa;
• reduziu o tempo ocioso em 9 minutos e 6 segundos;
• aumentou a espera do paciente em 6 minutos e 12 segundos e a hora extra da equipe em 10 minutos.

Essas três últimas diferenças não foram estatisticamente significativas. Numa ressonância, alguns minutos de espera se absorvem.

Numa cirurgia de implante, a colisão não se mede em minutos. Se o paciente marcado comparece, os dois pacientes disputam o mesmo bloco, a mesma equipe e o mesmo material.

E repare como quem defende overbooking guiado por score o dilui. Em Marshfield, a recomendação foi de 1 encaixe extra a cada 6 consultas em risco, por profissional por dia, justamente porque o VPP da faixa de risco era de 17%. Não é um encaixe por alerta.

Se você quer usar overbooking, use em procedimento curto (avaliação, retorno, manutenção), com lista de espera pronta. Nunca no bloco cirúrgico.

O que a evidência diz sobre ligar para quem o modelo marca

Se a ação barata é a certa, ela funciona? A evidência diz que sim, com uma ressalva importante.

• Revisão rápida no JAMIA (2022). Em 3 ensaios randomizados de lembrete por ligação guiado por modelo preditivo, o risco relativo mediano de falta foi 0,61 (IQR 0,49 a 0,68), com certeza moderada. Na mediana desses ensaios, a falta de quem recebeu a ligação ficou em cerca de 61% da falta do grupo controle.
• Ensaio no Journal of General Internal Medicine (2016). Numa clínica de atenção primária do Massachusetts General Hospital (EUA), 2.247 pacientes com risco previsto de falta acima de 15% foram sorteados. O grupo colocado na fila para receber a ligação de um coordenador 7 dias antes da consulta teve falta de 22,8%, contra 29,2% no controle (diferença absoluta de 6,4 pontos). Os dois grupos receberam a ligação automática de rotina.
• Hospital pediátrico de Santiago, Chile (Health Care Management Science, 2023). Num desenho experimental de 8 semanas, a estratégia de ligar para as consultas com maior risco previsto reduziu a falta em 10,3 pontos percentuais em relação ao grupo controle.

Agora a ressalva. A própria revisão do JAMIA conclui que o valor agregado de direcionar a intervenção por modelo preditivo é incerto: ela não encontrou nenhum estudo comparando lado a lado intervenção direcionada e não direcionada.

Traduzindo para a sua clínica: há evidência de que ligar para o alto risco reduz falta. Não há evidência de que ligar só para o alto risco é melhor que ligar para todos.

E a mesma revisão do JAMIA registra que uma revisão anterior sobre ligação de lembrete não direcionada, comparada a nenhum lembrete, mostrou benefício pelo menos comparável ao da ligação guiada por modelo preditivo.

No paciente de implante, onde a ligação custa pouco perto do que está em jogo, a resposta prática é ligar para toda a agenda cirúrgica e usar o score para priorizar.

Por que o lembrete genérico sozinho não resolve

O outro extremo também falha: mandar o mesmo lembrete automático para todo mundo e achar que o problema acabou.

No Michael E. DeBakey VA Medical Center, em Houston (EUA; BMC Health Services Research, 2016), a central de lembrete por telefone reduziu a falta de 16,3% para 15,8%, e a taxa seguiu alta.

O estudo da King Saud University chega à mesma conclusão por outro caminho: as estratégias clássicas, overbooking e lembrete, têm sucesso limitado porque podem não considerar o paciente individualmente.

Repare no detalhe do ensaio do Massachusetts General Hospital: o grupo controle já recebia a ligação automática de rotina. O ganho veio da ligação a mais, para quem o modelo marcou.

É aí que o score se paga. Não para punir, e sim para dizer onde a atenção humana rende mais.

O tamanho da lista de ação: custo-efetividade e capacidade da CRC

Mesmo a ação barata tem limite. A sua CRC faz um número finito de ligações bem feitas por dia.

O estudo chileno resolve isso de forma elegante: para cada dia e especialidade, gera uma lista curta das consultas com maior probabilidade de falta, e o comprimento da lista é definido por critério de custo-efetividade.

O estudo do JAMA de 1983 mostra por que isso funciona: cerca de dois terços da economia vieram de 23% dos pacientes, os de probabilidade prevista acima de 20%. O retorno se concentra no topo do ranking.

Para montar a sua lista:

1. A agenda cirúrgica e de alto ticket entra inteira, independente do score. O valor em jogo justifica.
2. Os demais procedimentos entram por ordem de risco, até o limite de ligações que a CRC consegue fazer bem feitas no dia.
3. O corte da lista é revisto pelo resultado, não pelo palpite. Se as últimas posições quase nunca viram falta, encurte.

Calibração: quando o "risco alto" do painel está inflado

Toda conta de limiar acima tem uma premissa escondida: que a probabilidade do painel é verdadeira. Exemplo: um score de 40% precisa significar cerca de 4 faltas a cada 10 pacientes com esse score. Isso se chama calibração.

Quando o risco previsto está inflado, você trata gente demais. O exemplo clássico está em Van Calster e colegas, na BMC Medicine (2019).

Usando o limiar tradicional de 20% de risco cardiovascular, o QRISK2-2011 selecionaria 110 a cada 1.000 homens de 35 a 74 anos. O NICE Framingham selecionaria quase o dobro, 206 a cada 1.000, porque um risco previsto de 20% nesse modelo correspondia a uma taxa real de eventos menor.

A conclusão dos autores: superestimar o risco leva a sobretratamento; subestimar, a subtratamento.

No painel de no-show, sobretratamento é exatamente o falso positivo caro: overbooking, sinal e desconfiança em quem ia comparecer.

E a superestimação tende a morar onde você mais age. Na validação externa do modelo de falta do Epic publicada no JAMA Network Open (2025), com 92.457 pacientes de 12 clínicas comunitárias de uma rede urbana de atendimento a população vulnerável no norte do Texas (EUA), a AUC geral foi 0,58.

Nessa mesma validação, as probabilidades previstas foram superestimadas para os pacientes de alto risco e subestimadas para os de baixo risco.

Há ainda um motivo técnico comum para o risco sair inflado. Um estudo de simulação na Statistics in Medicine (2025) mostrou que corrigir o desbalanceamento de classes introduz uma descalibração caracterizada por superestimação do risco, e que modelos desenvolvidos sem essa correção tiveram, de forma consistente, calibração igual ou melhor.

Como a falta é a classe minoritária, essa correção é tentadora para quem constrói o modelo. Pergunte ao fornecedor se ela foi usada e peça o gráfico de calibração na sua base.

Validação externa: o modelo pronto do fornecedor não nasceu na sua base

Modelo de prateleira aprende com a agenda de outra pessoa. Quando muda a população, muda o desempenho.

Na validação externa publicada no Journal of Medical Internet Research (2023), feita na University of Chicago Medicine (EUA), o modelo de no-show do Epic aplicado a 674 pessoas vivendo com HIV (1.406 consultas) teve AUC de 0,65 em todas as consultas ambulatoriais e de 0,63 nas consultas de HIV.

Um modelo desenvolvido localmente para as consultas de HIV chegou a AUC de 0,78, melhora significativa sobre o modelo do Epic restrito a essas mesmas consultas.

Na odontologia, a base de evidência ainda é estreita. A revisão sistemática do International Dental Journal (2026), que incluiu 4 estudos de machine learning para falta em consulta odontológica, concluiu que os estudos existentes eram limitados por amostras pequenas, desenho de centro único e ausência de validação externa.

A regra prática: antes de deixar o score disparar qualquer ação cara, rode o painel em silêncio na sua agenda e compare previsão com comparecimento real.

O paciente de implante não é o paciente médio do treino

Esse é o ponto que costuma ficar de fora da demonstração do painel. O seu paciente de implante pode acender o alerta por causa do próprio jeito que a cirurgia é agendada.

A revisão do International Dental Journal lista como preditores-chave dos modelos de falta odontológica:

• intervalo longo entre a marcação e a data da consulta (lead time);
• mensagens de confirmação não respondidas;
• histórico de falta anterior;
• fatores temporais, como o dia da semana.

E o modelo de Porto Alegre teve como preditores mais importantes o comparecimento prévio e o agendamento no mesmo dia.

Agora pense na cirurgia de implante. Ela costuma ser marcada com antecedência, depois de avaliação, exames e planejamento. Não é agendamento do mesmo dia.

Ou seja: só pelo lead time, o paciente de implante pode parecer "de risco" para um modelo treinado majoritariamente em consulta de rotina, mesmo tendo fechado um plano caro e tendo todo motivo para comparecer.

O que fazer:

1. Separe a agenda cirúrgica no painel e meça a falta real desse grupo antes de confiar em qualquer alerta.
2. Olhe o motivo do score, não só a nota. Alerta puxado só por lead time longo tem peso diferente de alerta puxado por histórico real de falta.
3. Dê mais peso ao histórico de falta do próprio paciente e à confirmação não respondida, e menos ao lead time longo de uma cirurgia planejada.

O custo do falso negativo no alto ticket: a cadeira vazia do bloco cirúrgico

Quando o paciente de implante falta sem aviso, o prejuízo não é um horário curto. É um bloco longo de cadeira, equipe escalada e material preparado sem uso.

O paciente muitas vezes dá para recuperar. O bloco de cadeira daquele dia, não.

E há o custo de repor a agenda pela aquisição. Segundo dados internos da Odonto Results (2026), o lead de clínica odontológica custa de R$12 a R$14 no Meta Ads (WhatsApp R$14,10 e formulário R$12,14 na mediana entre clínicas, com faixas sobrepostas). Base: cerca de 94,6 mil leads, 36 meses. Janela: agosto de 2023 a agosto de 2026. É o lead médio de clínica, não especificamente o de implante.

Lead, porém, não é paciente na cadeira. Segundo dados internos da Odonto Results, no funil completo (IA, equipe e telefone) de 20% a 40% dos leads viram agendamento e de 20% a 50% dos agendados comparecem. É uma faixa da operação de atendimento das clínicas OR, não uma medição de recorte datado.

Exemplo hipotético para fazer a conta na sua clínica: suponha um custo por lead de R$ 40 no seu canal de implante, 25% dos leads agendando avaliação e 40% dos agendados comparecendo. Cada avaliação realizada custa R$ 400 em mídia (40 ÷ 0,25 ÷ 0,40), antes de qualquer fechamento.

Por isso o falso negativo do implante pesa tanto: a falta atrasa um caso que já custou caro para chegar até a cadeira. Veja como fazer essa conta completa em quanto vale um paciente para a clínica odontológica.

O custo do falso positivo no alto ticket: atrito com quem ia comparecer

Agora o outro lado. O paciente de implante fechou um plano de tratamento caro. Ele confiou na clínica.

Se ele recebe tratamento de "suspeito de falta", o falso positivo cobra em três moedas:

• Atrito no contato: a ligação de cobrança ("vimos que você costuma faltar") soa como desconfiança para quem nunca pensou em faltar.
• Quebra de confiança no fechamento: o paciente que ainda vai decidir as próximas etapas do plano (prótese, outros implantes) percebe a mudança de tom.
• Efeito rótulo na recepção: quando a equipe vê o alerta vermelho, o esforço muda, mesmo com o mesmo script.

Repare que nenhum desses custos aparece no relatório do painel. O painel registra se o paciente compareceu. Não registra se ele saiu irritado.

Por isso, a regra para o paciente de alto ticket é uma só: o alerta pode aumentar a atenção, nunca diminuir o acesso.

A matriz de decisão: faixa de risco x ticket do procedimento

Junte tudo numa matriz. Ela diz o que o score pode disparar em cada combinação.

Faixa de risco do painel	Procedimento de rotina (ticket menor, horário curto)	Implante e cirurgia (ticket alto, bloco longo)
Baixo	Lembrete automático padrão	Confirmação reforçada e checagem de logística, como todo paciente cirúrgico
Médio	Lembrete automático e confirmação ativa	Ligação humana de cuidado, com prioridade na fila da CRC
Alto, puxado por lead time longo	Ligação humana; overbooking leve em horário curto, se calibrado	Ligação humana prioritária, conversa sobre impedimentos, remarcação facilitada; sem overbooking
Alto, com histórico real de falta ou confirmação não respondida	Ligação humana e overbooking calibrado em horário curto	Ligação humana mais insistente, confirmação na véspera, lista de espera de procedimentos curtos para o mesmo dia; overbooking cirúrgico só com calibração local provada

O que o score pode disparar no paciente de implante:

• A ordem e a intensidade das ligações da CRC.
• Conversa ativa sobre impedimentos práticos (transporte, acompanhante, exames).
• Oferta de remarcação facilitada.
• Lista de espera de procedimentos curtos pronta para aproveitar uma eventual vaga.

O que o score não pode disparar no paciente de implante:

• Overbooking no bloco cirúrgico sem calibração local provada.
• Sinal ou garantia exigidos só de quem foi marcado.
• Horário pior, encaixe adiado ou menor esforço de atendimento.
• Comunicação que diga ao paciente que ele foi classificado como risco.

Lembre: no alto ticket, o score serve para colocar mais atenção no paciente certo, não para tirar o paciente da agenda.

Como medir se tratar o alerta como risco está pagando

Sem medição, a matriz vira opinião. Quatro indicadores fecham a conta:

1. Holdout dentro da faixa de alto risco. Sorteie uma pequena parte dos pacientes de alto risco para seguir só o fluxo padrão e compare a falta deles com a de quem recebeu a ação. No implante, o holdout vale para a ação extra (a ligação prioritária a mais), nunca para a confirmação básica.
2. Comparecimento por faixa de risco. Se a faixa "alto" não falta muito mais que a "baixo" na sua agenda, o score não discrimina na sua base.
3. Receita por hora de cadeira, separada entre agenda cirúrgica e de rotina. É a métrica que o overbooking promete melhorar e a que a colisão destrói.
4. Registro de falso positivo. Para cada alerta, anote se o paciente compareceu e se houve atrito no contato (reclamação, cancelamento depois da ligação, mudança de tom no fechamento). É o custo que o painel não mede sozinho.

Revise esses números todo mês e ajuste o limiar de cada ação pelo resultado. O mesmo painel pode estar certo para a ligação e errado para o overbooking.

Se você ainda está montando o painel, comece pela estrutura de dados e faixas em como montar um painel preditivo de no-show com score de risco.

Para quem este método não serve

Se a sua clínica ainda não mede a taxa de falta por tipo de procedimento, o problema não é o limiar do painel. É a base de dados.

E se a CRC não consegue ligar nem para a agenda cirúrgica inteira, o gargalo é capacidade de atendimento, não modelo preditivo. Nenhum score resolve isso.

Seu próximo passo

1. Separe a agenda cirúrgica no painel e meça a falta real dela, com o painel rodando em silêncio, sem disparar nenhuma ação cara.
2. Defina um limiar por ação, não um limiar por painel. Ligação de cuidado para toda a agenda de implante, com o score definindo a ordem; overbooking só em procedimento curto e só com calibração provada.
3. Monte o holdout e o registro de falso positivo antes de expandir qualquer ação. Se o número não fechar, a ação sai e o paciente fica.

Quer que o atendimento da sua clínica confirme, priorize e reponha a agenda de alto ticket com dado, não com palpite? Agende uma apresentação.