Forecasting patient demand in portuguese emergency departments

Abstract

Emergency Departments (EDs) are essential to healthcare systems but often face chronic overcrowding and resource constraints. Anticipating fluctuations in patient demand is therefore critical for improving operational efficiency and ensuring timely access to care. This thesis evaluates and compares statistical and machine learning approaches for forecasting monthly patient attendances at the Emergency Department of Unidade Local de Saúde Santa Maria in Lisbon, Portugal. Using open administrative data from SNS Transparência covering 2013 to 2025, several models were implemented, including Exponential Smoothing (ETS), AutoRegressive Integrated Moving Average (ARIMA), Prophet, and eXtreme Gradient Boosting (XGBoost), alongside benchmark naïve methods. Forecasts were assessed across one- , three-, and six-month horizons using rolling-origin cross-validation and accuracy metrics such as Mean Absolute Scaled Error (MASE), symmetric Mean Absolute Percentage Error (sMAPE), and Root Mean Squared Error (RMSE). Results show that machine learning and ensemble approaches achieved the highest predictive accuracy, with XGBoost and weighted model combinations outperforming traditional statistical models, particularly for short-term horizons. However, statistical models such as ARIMA and ETS provided interpretable baselines with consistent medium-term performance. The study demonstrates that integrating complementary models enhances robustness and that forecasting tools can provide actionable insights for hospital staffing and capacity planning. These findings contribute to the growing body of research on data-driven healthcare forecasting, highlighting the potential of predictive analytics to support operational decision-making in public hospitals.

Os Serviços de Urgência (SU) são componentes essenciais dos sistemas de saúde, mas enfrentam frequentemente problemas crónicos de sobrelotação e limitações de recursos. Antecipar as flutuações na procura de doentes é, por isso, fundamental para melhorar a eficiência operacional e garantir um acesso atempado aos cuidados. Esta dissertação avalia e compara abordagens estatísticas e de aprendizagem supervisionada para a previsão mensal de atendimentos no Serviço de Urgência da Unidade Local de Saúde Santa Maria, em Lisboa, Portugal. Utilizando dados do portal SNS Transparência, referentes ao período de 2013 a 2025, foram implementados vários modelos, incluindo Exponential Smoothing (ETS), AutoRegressive Integrated Moving Average (ARIMA), Prophet e eXtreme Gradient Boosting (XGBoost) assim como modelos de ensemble. As previsões foram avaliadas para horizontes de um, três e seis meses através de validação cruzada com origem móvel (rolling-origin cross- validation), utilizando métricas como o Mean Absolute Scaled Error (MASE), o symmetric Mean Absolute Percentage Error (sMAPE) e o Root Mean Squared Error (RMSE). Os resultados mostram que as abordagens baseadas em aprendizagem supervisionada e combinações de modelos alcançaram a maior precisão preditiva, com o XGBoost e os modelos combinados ponderados a superarem os modelos estatísticos tradicionais, sobretudo em horizontes de curto prazo. No entanto, modelos estatísticos como o ARIMA e o ETS ofereceram bases interpretáveis e desempenho consistente no médio prazo. O estudo demonstra que a integração de modelos complementares aumenta a robustez e que as ferramentas de previsão podem fornecer informação acionável para o planeamento de pessoal e de capacidade hospitalar. Estas conclusões contribuem para o corpo crescente de investigação sobre previsão em saúde baseada em dados, salientando o potencial da análise preditiva para apoiar a tomada de decisão operacional nos hospitais públicos.