Quantos meses de histórico de agenda são necessários para um painel preditivo de no-show funcionar?

"Quantos meses de histórico de agenda eu preciso pra um painel preditivo de no-show funcionar?"

Essa pergunta atrasa projeto bom e libera projeto ruim. Ela faz clínica ligar painel cedo demais, com dado que não sustenta decisão, e faz outra adiar por dois anos algo que já rodaria hoje.

O problema é a unidade.

O modelo não conta meses. Ele conta faltas registradas, com os campos certos em cada linha.

A resposta prática tem duas partes que precisam valer ao mesmo tempo: um piso de calendário de 12 meses, para o modelo ver o ano inteiro, e um piso de eventos, faltas suficientes no banco para o padrão aparecer por dia da semana, por horário e por procedimento.

O estudo odontológico de referência em predição de no-show, publicado na base PMC da National Library of Medicine, usou exatamente isso: 12 meses de histórico, de 1º de janeiro a 31 de dezembro de 2019, de uma clínica odontológica em Riade, na Arábia Saudita.

Neste guia você vai ver:

• Por que a unidade certa é falta registrada, não mês de calendário
• A conta de guardanapo que diz de quantos meses a sua clínica precisa
• Quanto histórico os estudos reais usaram (e o que isso ensina)
• Quais campos cada linha do seu banco precisa ter para o painel funcionar
• O que fazer nos primeiros meses, enquanto o histórico ainda enche
• O checklist de prontidão de dados antes de comprar ou ligar qualquer painel

A unidade errada: mês de calendário contra faltas no banco

Imagine duas clínicas com exatamente o mesmo tempo de histórico, digamos um ano e meio cada uma. Elas podem estar em situações completamente diferentes.

Uma faz poucos atendimentos por dia e tem comparecimento alto. A outra roda várias cadeiras e convive com falta. Nesse exemplo, a primeira pode ter menos faltas registradas em um ano e meio do que a segunda acumula em um semestre.

O que o modelo aprende é a diferença entre a linha que virou falta e a linha que virou comparecimento. Ele precisa de exemplos dos dois lados, em quantidade, para cada situação que você quer prever.

Pensa assim: se o seu painel vai dizer que terça de manhã falta mais que quinta à noite, ele precisa ter visto muitas terças de manhã e muitas quintas à noite, com falta e sem falta em cada uma.

Lembre: meses de histórico é uma medida de tempo. O que alimenta o modelo é evento. Antes de perguntar "quantos meses", pergunte "quantas faltas registradas eu tenho, e com quais campos preenchidos".

Quantos eventos o modelo precisa (e por que não existe número mágico)

Aqui a honestidade vale mais que uma régua falsa.

A estatística clássica de modelos de predição trabalhava com uma regra de bolso: pelo menos 10 eventos por preditor candidato. Riley e colegas, em artigo na Statistics in Medicine, registram essa régua como a mais usada e argumentam que qualquer regra genérica é simplista demais, porque o número necessário depende de vários aspectos do problema (National Library of Medicine).

Nos dois exemplos trabalhados no próprio artigo, a exigência foi bem diferente: pelo menos 4,8 eventos por parâmetro num modelo diagnóstico de doença de Chagas e cerca de 23 num modelo prognóstico de recorrência de tromboembolismo venoso (National Library of Medicine). Mesma família de método, quase cinco vezes mais evento exigido.

Traduzindo para a sua realidade: não existe um número universal. Quantos eventos você precisa depende de quantas variáveis o modelo usa, de quão forte cada uma é e de quão preciso você quer o risco individual.

O que vale como orientação prática:

• Quanto mais variáveis no modelo, mais faltas registradas você precisa. Modelo enxuto, de meia dúzia de campos, pede muito menos histórico que modelo com dezenas de variáveis.
• Quanto mais fino o recorte que você quer prever, mais eventos por célula. Risco geral é fácil; risco por procedimento, por profissional e por horário exige muito mais.
• Falta é o lado raro da conta. O número que limita não é o total de agendamentos, é o total de faltas.

E existe uma pista útil no caso odontológico de referência. Naquela clínica de Riade, em 2019, os 262.140 agendamentos brutos viraram 196.018 utilizáveis, dos quais 42,68% foram faltas (National Library of Medicine). Ou seja: um volume enorme de eventos em um único ano.

Atenção ao escopo. Esses 42,68% descrevem aquela clínica, naquele ano, naquele país. Não é a taxa da sua clínica, e usar esse número como referência do seu negócio é erro de escopo, não atalho.

A conta de guardanapo: de quantos meses VOCÊ precisa

Essa conta você faz em dois minutos, com números que já estão no seu sistema.

1. Pegue seus agendamentos por mês. Número real dos últimos 3 meses, não estimativa.
2. Pegue sua taxa de falta real. Faltas dividido por agendados, no mesmo período.
3. Multiplique. Agendamentos por mês vezes taxa de falta = faltas por mês.
4. Defina o alvo de eventos com quem vai construir o modelo (depende do número de variáveis).
5. Divida. Alvo de faltas dividido por faltas por mês = meses de histórico necessários.
6. Compare com 12. O que for maior entre o resultado da conta e o piso de calendário é a sua resposta.

Veja como fica com números hipotéticos (troque pelos seus):

Cenário (exemplo hipotético)	Agendamentos/mês	Taxa de falta suposta	Faltas/mês	Meses até 1.000 faltas
Clínica A	300	15%	45	cerca de 22
Clínica B	800	20%	160	cerca de 6
Clínica C	1.500	25%	375	cerca de 3

Repare no que a tabela mostra: a Clínica C atinge o volume de eventos em poucos meses, mas ainda assim não viu o ano inteiro. E a Clínica A precisa de quase dois anos para chegar ao mesmo volume, então o piso dela é o volume, não o calendário.

Os valores acima são ilustrativos, inclusive as taxas de falta e o alvo de 1.000 faltas, que é um número redondo para fazer a conta girar, não um limiar publicado. Use os seus.

Por que 12 meses é o piso de calendário, mesmo com volume sobrando

Volume compra evento. Calendário compra variação.

A sua agenda não se comporta igual o ano todo, e você já sabe disso sem nenhum modelo: janeiro não é março, julho tem férias escolares, dezembro tem festa e fechamento de ano, feriado prolongado esvazia sexta.

Se o histórico cobre só um pedaço do ano, o modelo aprende o comportamento daquele pedaço e chama isso de verdade. Aí ele erra feio justamente na virada de estação, que é quando a agenda mais precisa dele.

O estudo da clínica de Riade cobriu exatamente um ciclo de calendário fechado, de janeiro a dezembro de 2019 (National Library of Medicine). Ano fechado é o recorte que evita treinar o modelo em meia estação.

O que isso significa na prática para você:

• Clínica de alto volume: você chega aos eventos em poucos meses, mas segure a decisão automática até fechar os 12. Use os primeiros meses para validar o dado, não para automatizar overbooking.
• Clínica de volume médio: o calendário e o volume amadurecem juntos. Doze meses costuma ser o mesmo horizonte das duas contas.
• Clínica de volume baixo: o gargalo é evento. Você vai passar dos 12 meses, e o caminho é simplificar o modelo (menos variáveis) em vez de esperar mais.

Dia da semana, horário e procedimento: o histórico por célula

Esse é o ponto que derruba painel na prática, e quase ninguém olha antes de ligar.

Você não precisa de eventos suficientes só no total. Precisa de eventos suficientes dentro de cada célula que o painel vai usar para decidir.

Uma célula é um cruzamento: terça de manhã com clínico geral, sexta à tarde com ortodontia, primeira consulta de avaliação marcada com muita antecedência.

• Total alto com célula vazia é armadilha. O painel mostra um score bonito para um horário que ele viu um punhado de vezes na vida.
• Quanto mais cortes o painel oferece, mais histórico ele exige. Filtro por profissional multiplica a necessidade de dado.
• Exija a contagem junto do score. Painel maduro mostra em quantos casos aquela estimativa se apoia.

Se o seu fornecedor não consegue mostrar quantos eventos sustentam cada corte, o painel está entregando confiança que ele não tem. Vale o mesmo raciocínio de como medir a precisão do painel antes de confiar nele.

Quanto histórico os estudos reais usaram

Dois casos publicados ajudam a calibrar a expectativa, e eles usaram horizontes bem diferentes.

Estudo	Contexto	Histórico usado	Detalhe do desenho
Predição de falta em consultas odontológicas	Clínica odontológica em Riade, Arábia Saudita, dados de 2019	12 meses (1º/01 a 31/12/2019)	262.140 agendamentos brutos, 196.018 utilizáveis, 42,68% de faltas; 90% treino e 10% teste
Predição de falta em imagem diagnóstica pediátrica	Hospital for Sick Children, Toronto	Junho de 2018 a dezembro de 2023 (cerca de cinco anos e meio)	Todos os modelos testados no mesmo conjunto não visto de 16.277 casos, os últimos 6 meses da base

Fontes: National Library of Medicine, predição de no-show em consultas odontológicas e National Library of Medicine, predição de no-show em imagem diagnóstica pediátrica.

A leitura correta não é "preciso de cinco anos e meio". É esta: o horizonte varia com o volume e com o desenho do estudo, e o caso odontológico de altíssimo volume resolveu em um ano fechado.

O que os dois têm em comum é mais importante que a diferença: os dois trabalharam com dado padronizado, com desfecho registrado linha a linha, e com separação clara entre o que treinou e o que testou.

Lead time e histórico de falta: as duas colunas que mais pesam

Histórico só vale se estiver instrumentado. E entre todos os campos possíveis, dois carregam peso desproporcional.

A antecedência do agendamento (lead time). No estudo da clínica de Riade (dados de 2019), ela foi a variável mais significativa: removê-la do modelo derrubou a AUC em 7,5%, 7,8% e 7,9%, conforme o algoritmo testado (National Library of Medicine).

Traduzindo: a distância entre o dia em que o paciente marcou e o dia da consulta é o sinal mais forte que o seu banco guarda. E ele só existe se você registra as duas datas. Sistema que grava só a data da consulta joga fora a variável mais forte do modelo.

O histórico prévio de falta do paciente. No mesmo estudo, ele aparece como um dos preditores significativos de falta futura (National Library of Medicine).

Aqui mora uma limitação que ninguém vende no folder: paciente novo não tem histórico. O modelo é parcialmente cego para quem chegou agora, que é justamente o paciente que veio do seu marketing.

É por isso que canal de origem e antecedência importam tanto no caso do paciente novo: muitas vezes são os únicos sinais disponíveis sobre ele.

Os campos que cada linha do histórico precisa ter

Antes de contar meses, audite colunas. Um banco antigo com poucas colunas vale menos que um banco de 12 meses com os campos certos.

Campo	Por que importa	Erro comum
Data e hora da consulta	Base de dia da semana e horário	Só a data, sem hora
Data e hora da marcação	Gera a antecedência, a variável mais forte do estudo de Riade	Sistema sobrescreve na remarcação
Desfecho padronizado	É o rótulo que o modelo aprende	Campo livre digitado pela recepção
Procedimento	Avaliação, manutenção e cirurgia faltam diferente	Nomes diferentes para o mesmo procedimento
Profissional	Padrão por agenda individual	Campo vazio em encaixe
Canal de origem	Único sinal forte do paciente novo	Preenchido só no primeiro cadastro
Confirmação enviada	Mede o esforço já aplicado	Registro fora do sistema, no WhatsApp pessoal
Confirmação respondida	Sinal de intenção próximo da data	Não registrado
Paciente novo ou retorno	Diz se existe histórico prévio	Inferido errado por duplicidade de cadastro

Faça esta auditoria antes de qualquer conversa comercial. Ela costuma revelar que o gargalo não é tempo de histórico, e sim cadastro sem padrão.

Qualidade do rótulo: o que conta como falta

Essa decisão muda o número inteiro, e é sua, não do fornecedor.

Existem três desfechos que muita clínica trata como um só:

1. Falta pura. O paciente não apareceu e não avisou. A cadeira ficou vazia sem aviso.
2. Cancelamento tardio. Avisou, mas em cima da hora, sem tempo de ocupar o horário.
3. Remarcação. Avisou com antecedência e trocou a data. A cadeira foi ocupada ou reaproveitada.

Se os três caem no mesmo campo, o modelo aprende uma mistura e o painel prevê uma coisa que não existe na operação. Pior: a taxa de falta que você reporta fica inflada ou deflacionada conforme o humor de quem preencheu.

Lembre: rótulo mal definido não é problema de estatística, é problema de processo. Nenhuma quantidade de histórico conserta um desfecho que a recepção classifica de três jeitos diferentes.

Separação temporal do teste: reserve os últimos meses

Esse é o erro técnico que mais infla resultado de painel preditivo, e ele é fácil de checar.

Se quem construiu o modelo sorteou linhas aleatórias para formar o conjunto de teste, o modelo treinou com informação do futuro e foi avaliado com informação do passado ao mesmo tempo. O número sai bonito e não se repete na operação.

O jeito correto é separar por tempo. Foi o que fez o estudo de imagem diagnóstica pediátrica do Hospital for Sick Children, em Toronto: com histórico de junho de 2018 a dezembro de 2023, todos os modelos foram testados no mesmo conjunto não visto de 16.277 casos, correspondente aos últimos 6 meses da base (junho a dezembro de 2023), e não em linhas sorteadas (National Library of Medicine).

Isso tem uma consequência direta no seu planejamento: parte do seu histórico não treina o modelo, ela testa o modelo. Se você tem 12 meses e reserva os últimos meses para teste, sobra menos para treinar do que você imaginava.

Pergunta para levar à reunião com o fornecedor: "o conjunto de teste é temporal ou aleatório?". A resposta separa painel sério de demonstração bonita.

Desbalanceamento e calibração: por que AUC alta não basta

Duas armadilhas estatísticas atacam exatamente o painel de no-show.

A primeira é o desbalanceamento de classe. Se a sua taxa de falta é baixa, um modelo que diz "ninguém vai faltar" acerta quase sempre e não serve para nada. É o paradoxo da acurácia. E as correções de balanceamento mais comuns tendem a estragar a calibração do risco, ou seja, o score deixa de corresponder à probabilidade real.

A segunda é confundir discriminação com calibração. Discriminação é ordenar (quem tem mais risco que quem). Calibração é acertar o nível (exemplo: se o painel diz 30%, então faltam mais ou menos 30 de cada 100 daquele grupo).

Para overbooking, o que decide é a calibração. Suponha que você abra horário extra porque o painel disse 30% e a falta real daquela faixa seja 8%: você vai lotar a recepção e queimar a experiência de quem chegou na hora. Veja como calibrar a taxa de overbooking por risco de falta.

Mesmo o melhor modelo do estudo de Riade, medido na própria base de 2019 com 90% dos dados para treino e 10% reservados para teste, ficou em AUC de 0,718 com F1 de 66,5% (National Library of Medicine). É um resultado útil, não um oráculo. Ajuste a expectativa antes de desenhar a operação em cima do painel.

Quanto histórico é preciso para VALIDAR (bem menos do que para desenvolver)

Vale separar as duas perguntas, porque elas têm respostas diferentes.

Desenvolver um modelo do zero exige o volume de eventos e o ciclo de calendário que discutimos até aqui.

Validar um modelo já existente (o do fornecedor, ou o seu depois de recalibrado) exige bem menos: você precisa de um período recente, com eventos suficientes dos dois lados (faltou e compareceu) para medir discriminação e calibração com alguma estabilidade.

Na prática, isso abre uma porta útil: mesmo sem histórico para construir um modelo próprio, você consegue testar um painel de terceiro nos seus últimos meses de agenda antes de assinar. É um teste barato, e quase ninguém pede.

O que fazer nos primeiros meses: a régua manual enquanto o banco enche

Cold start não é motivo para não fazer nada. É motivo para fazer a versão simples.

Enquanto o histórico não fecha, monte uma régua manual de risco com três critérios que você já tem hoje:

1. Antecedência. Agendamento marcado com muita antecedência merece mais esforço de confirmação. É a variável mais forte do estudo de Riade, e você consegue lê-la sem nenhum modelo.
2. Histórico prévio do paciente. Quem já faltou antes entra na fila de contato ativo. Paciente novo entra pelo canal de origem.
3. Procedimento e valor. Avaliação de primeira consulta e horário de alto valor merecem tratamento diferente de manutenção rápida.

Essa régua não é um modelo. É uma heurística que já organiza o trabalho da recepção e, principalmente, força o registro dos campos que o modelo vai precisar depois. Você começa a colher o dado no formato certo enquanto opera.

E tem um ganho silencioso: quando o histórico fechar, você terá uma linha de base para comparar. Sem ela, você nunca vai saber se o painel melhorou alguma coisa. O detalhe de como o score entra na rotina está em painel preditivo de no-show e score de risco de falta.

Drift, frescor e falha silenciosa: o painel envelhece sozinho

Histórico suficiente no dia da implantação não garante histórico suficiente daqui a um ano.

Drift é a mudança de mundo. Seu perfil de paciente muda, a cadência de confirmação muda, o mix de procedimento muda, você abre uma unidade nova. O modelo continua respondendo com a régua antiga.

Frescor é a idade do treino. Modelo retreinado recentemente tende a prever melhor que modelo treinado no trimestre passado. Quanto melhor, só a sua medição diz.

Falha silenciosa é a pior das três. A tabela que alimenta o painel para de atualizar, por integração quebrada ou troca de campo, e o painel continua exibindo score com a mesma cara de confiança. Ninguém percebe até alguém estranhar o resultado.

Três defesas simples:

• Compare o desempenho do período corrente contra a janela que treinou o modelo, em intervalo curto e fixo.
• Monitore o volume de linhas que entram no painel, não só o score que sai. Queda brusca de volume é sinal de integração quebrada.
• Marque no calendário a data do último retreino. Se ninguém sabe quando foi, já passou da hora.

Quando e como refazer essa conta está detalhado em recalibrar o painel preditivo de no-show.

Modelo pronto de fornecedor e troca de prontuário

Dois cenários muito comuns que mudam a resposta sobre histórico.

O modelo pronto do prontuário ou do fornecedor. A acurácia do material comercial foi medida na base de quem construiu, com a população, a definição de falta e o mix de procedimento daquela base. A sua clínica é outra população. O número não viaja junto com o software.

O que pedir: medição do desempenho nos seus dados, com separação temporal, antes de assinar. Se o fornecedor não consegue rodar isso, você está comprando promessa, não previsão.

A migração de sistema. Aqui mora a surpresa mais cara. Na hora de trocar de prontuário, a exportação costuma levar cadastro e financeiro, e deixar para trás justamente o que o painel precisa: data da marcação, desfecho padronizado, canal de origem, histórico de confirmação.

Você descobre isso seis meses depois, quando alguém pergunta por que o painel só enxerga meio ano de história. Antes de migrar, exija o dicionário de dados da exportação e confira campo a campo contra a tabela de colunas deste guia. É o mesmo cuidado que vale para qualquer integração entre CRM e agenda.

O que o painel habilita quando liga (e por que vale o trabalho)

Todo esse rigor existe por um motivo de negócio, não por gosto por estatística.

Quando o painel está calibrado, quatro decisões deixam de ser achismo:

• Overbooking por faixa de risco. Você abre horário extra onde a falta é previsível, não no chute.
• Confirmação ativa priorizada. A recepção liga primeiro para quem tem risco alto, em vez de disparar a mesma mensagem para todo mundo.
• Acionamento da CRC. O contato humano vai para os casos que a mensagem automática não resolve sozinha.
• Encaixe da lista de espera. Horário de risco alto já entra com plano B pronto.

E o tamanho do prêmio é operacional. Segundo dados internos da Odonto Results, no funil completo (IA, equipe e telefone), 20% a 50% dos agendados comparecem. Base: operação de atendimento das clínicas OR. É uma faixa operacional, não uma medição de snapshot datado.

Cada ponto que você recupera nessa ponta é cadeira ocupada com paciente que o seu marketing já pagou para trazer.

Erro de escopo: taxa de pronto-socorro não é a da sua clínica

Vale um aviso antes do checklist, porque esse erro aparece em toda proposta comercial de painel preditivo.

Boa parte dos estudos de no-show vem de ambulatório público, pronto-socorro e rede hospitalar. Perfil de paciente, gratuidade, tempo de espera e vínculo com o profissional são completamente diferentes dos de uma clínica particular de alto ticket.

O estudo odontológico de Riade, por exemplo, mede uma clínica específica, em 2019, na Arábia Saudita. Ele é excelente como referência de método (quais variáveis pesam, como separar treino e teste, que desempenho esperar) e péssimo como referência de taxa para a sua operação.

A régua é simples: importe o método, meça a taxa em casa. Nenhuma taxa publicada substitui o número da sua própria agenda.

Checklist de prontidão de dados

Rode este checklist antes de contratar, construir ou ligar qualquer painel preditivo de no-show.

1. Tenho 12 meses de calendário fechados? Se não, a decisão automática espera.
2. Quantas faltas registradas eu tenho no período? Conte eventos, não linhas totais.
3. Todas as linhas têm data e hora da marcação? Sem isso, adeus antecedência.
4. O desfecho da consulta é padronizado? Falta pura, cancelamento tardio e remarcação separados.
5. O canal de origem está preenchido? É o sinal do paciente novo.
6. A confirmação enviada e a resposta ficam registradas no sistema? Se moram no WhatsApp pessoal da recepção, não existem para o modelo.
7. Meu cadastro tem duplicidade? Paciente duplicado destrói o histórico prévio de falta.
8. O teste será temporal? Últimos meses reservados, nunca linhas sorteadas.
9. O painel mostra em quantos casos cada score se apoia? Célula vazia com score alto é ruído.
10. Existe data marcada para o próximo retreino? Painel sem dono envelhece calado.

Se você marca sim em pelo menos oito, o projeto é de execução. Se marca sim em menos da metade, o projeto ainda é de instrumentação, e nenhum fornecedor resolve isso por você.

Seu próximo passo

1. Faça a conta de guardanapo hoje. Agendamentos por mês vezes taxa de falta real. Compare o resultado com o piso de 12 meses de calendário e descubra em qual dos dois gargalos você está.
2. Audite as colunas antes de contar os meses. Passe a tabela de campos deste guia para quem administra o seu sistema e marque o que falta. Corrigir cadastro hoje encurta o projeto inteiro.
3. Ligue a régua manual enquanto o histórico enche. Antecedência, histórico prévio e procedimento já priorizam a confirmação ativa e forçam o registro no formato certo, para o modelo nascer com dado bom.

Quer transformar o histórico da sua agenda em previsibilidade de comparecimento, com o funil medido do anúncio até a cadeira? Agende uma apresentação.