Meu painel de IA de triagem de orçamento e de risco de no-show foi ficando menos preciso com o tempo: quando e como recalibrar o modelo antes que ele volte a decidir errado sem eu perceber?

"Meu painel de IA de triagem de orçamento e de risco de no-show foi ficando menos preciso com o tempo: quando e como recalibrar o modelo antes que ele volte a decidir errado sem eu perceber?"

Você não recebeu nenhum alerta. Nenhuma tela vermelha, nenhum e-mail do fornecedor.

O painel continua abrindo, continua pintando agendamento de vermelho e de verde, continua separando orçamento quente de orçamento frio. E ainda assim a sua sensação é de que ele anda errando mais.

A sensação está certa, e o problema tem nome. Modelo preditivo não quebra: ele escorrega. Perde a precisão do número muito antes de perder a capacidade de ordenar, e é exatamente por isso que ninguém percebe.

A evidência publicada é clara nesse ponto. No estudo "Calibration drift in regression and machine learning models for acute kidney injury", publicado no Journal of the American Medical Informatics Association (JAMIA, 2017), que desenvolveu 7 modelos de risco de lesão renal aguda com internações de 2003 em hospitais do Department of Veterans Affairs (EUA) e os validou nos 9 anos seguintes, a discriminação se manteve em todos os modelos enquanto a calibração caiu, com todos passando a superestimar o risco, conforme o artigo disponível no PMC / National Library of Medicine.

Traduzindo para a sua agenda: o modelo continua colocando na frente da fila quem tem mais chance de faltar, e ao mesmo tempo mente sobre quanto é essa chance. Como overbooking e esforço de CRC se decidem pelo número, não pela posição na fila, a conta sai errada sem ninguém notar.

Neste guia você vai ver:

• Por que a degradação é silenciosa por construção e o que olhar para enxergá-la
• Como medir calibração na sua própria base, sem depender do fornecedor
• Quantos casos você precisa antes de concluir que o modelo piorou de verdade
• Os gatilhos de envelhecimento específicos de uma clínica odontológica
• A cadência de retreino que a evidência sustenta e quanto ela custa
• Os quatro níveis de intervenção, do mais barato ao mais caro
• O runbook mensal: quem é o dono, o que se olha e o que dispara parada

Por que o painel degrada sem gerar alarme

Software quebrado grita. Modelo envelhecido não.

Quando um sistema quebra, ele devolve erro, tela branca, campo vazio. Você percebe no mesmo dia. Quando um modelo envelhece, ele devolve exatamente o que devolvia antes: um número entre 0 e 100, dentro da faixa esperada, com cara de razoável.

O que mudou foi o significado do número, não o formato dele.

O mesmo diagnóstico aparece na literatura de modelos clínicos. O estudo "Detection of Calibration Drift in Clinical Prediction Models to Inform Model Updating", publicado no Journal of Biomedical Informatics (2020), afirma que a calibração de modelos preditivos clínicos se deteriora ao longo do tempo em resposta à natureza dinâmica dos ambientes clínicos, conforme o artigo no PMC / National Library of Medicine.

Há um segundo motivo, e esse é operacional. Quase nenhuma clínica fecha o ciclo de verificação.

Você usa a previsão para agir (confirma mais, faz overbooking, prioriza um orçamento) e nunca volta para comparar o que o modelo disse com o que de fato aconteceu. Sem esse retorno, o painel nunca é corrigido pela realidade: ele só é consumido.

E tem um terceiro efeito, mais traiçoeiro. Quando você age com base na previsão, você muda o desfecho. O paciente marcado como alto risco recebe três confirmações e comparece. O modelo parece ter errado, quando na verdade a sua operação acertou. Sem registrar qual tratamento cada agendamento recebeu, você não consegue separar erro do modelo de acerto da equipe.

Lembre: um painel que nunca é conferido contra o desfecho real não é um instrumento de medição. É uma opinião com interface bonita.

Discriminação e calibração: qual das duas cai primeiro

Esta é a distinção que organiza o resto do artigo. Sem ela, você mede a coisa errada e conclui que está tudo bem.

Discriminação é a capacidade de ORDENAR. Dado um paciente que faltou e outro que compareceu, o modelo dá score maior a quem faltou. É o que o AUC (ou AUROC) mede.

Calibração é a capacidade de acertar o NÚMERO. Exemplo: entre os agendamentos que o painel marcou como 30% de risco, aproximadamente 30% precisam faltar de fato.

São coisas independentes. Um modelo pode ordenar perfeitamente e errar todos os números, bastando somar, por exemplo, 20 pontos a cada previsão. O ranking fica idêntico, a probabilidade fica inútil.

E é justamente a calibração que cai primeiro, como mostrou o estudo do JAMIA (2017) com os 7 modelos validados ao longo de 9 anos: discriminação mantida, calibração em queda, superestimação crescente do risco.

Por que isso decide dinheiro na sua clínica:

• Overbooking usa o número. Suponha que o painel diga 40% de risco e o real seja 25%: você sobrepõe cadeira demais e cria fila de paciente irritado na recepção.
• Esforço de CRC usa o número. Se o risco está inflado, a sua equipe gasta três confirmações em quem ia comparecer de qualquer jeito.
• Triagem de orçamento usa o número. Suponha um corte de "só acompanhar quem tem mais de 60% de chance de fechar": ele vira outra coisa quando os 60% de hoje já não são os 60% de ontem.

Ranking bonito com número errado é o cenário mais perigoso, porque ele passa em toda auditoria superficial.

Como ler a calibração do seu painel sem depender do fornecedor

Você não precisa de cientista de dados para o primeiro nível dessa checagem. Precisa de uma planilha e de disciplina mensal.

Passo 1: a calibração no agregado. Some o risco previsto de todos os agendamentos do mês e divida pelo total. Depois calcule a taxa de falta observada no mesmo conjunto. Compare os dois.

É o teste mais barato que existe e pega a maior parte do drift. Se o previsto e o observado divergem de forma consistente por vários meses, o modelo está deslocado.

Passo 2: a calibração por faixa. O agregado pode esconder erro. Um modelo que superestima os de baixo risco e subestima os de alto risco fecha a conta na média e está errado nas duas pontas.

Quebre em faixas e compare faixa a faixa. Veja o formato (exemplo ilustrativo, com números inventados só para mostrar a leitura):

Faixa de risco previsto	Agendamentos	Faltas previstas	Faltas observadas	Leitura
0% a 20%	180	18	21	próximo, saudável
21% a 40%	140	42	55	subestima
41% a 60%	90	45	62	subestima forte
61% a 100%	40	30	29	próximo

Neste exemplo hipotético, o agregado quase fecha e a faixa do meio está claramente deslocada. É nela que a sua operação toma as decisões mais caras.

Passo 3: a curva de calibração. É o mesmo dado do passo 2 em gráfico: previsto no eixo horizontal, observado no vertical. A linha perfeita é a diagonal de 45 graus.

Curva acima da diagonal significa que o modelo subestima o risco. Curva abaixo significa que ele superestima, que foi exatamente o sentido do desvio observado no estudo do JAMIA.

Dica: guarde essa planilha mês a mês desde o primeiro. Sem histórico, você não consegue distinguir "o modelo piorou" de "este mês foi atípico".

Quantos casos você precisa antes de concluir que o modelo piorou

Aqui mora o erro mais comum depois de implantar a rotina acima: reagir a ruído.

Uma semana ruim não é drift. Um mês com feriado prolongado não é drift. O painel pode estar perfeito e ainda assim errar visivelmente em amostra pequena, porque probabilidade é sobre o longo prazo, não sobre a próxima segunda-feira.

Três regras práticas para não confundir barulho com sinal:

1. O que limita não é o total, é a classe rara. Se você quer avaliar previsão de falta, o número que conta é quantas FALTAS aconteceram na janela, não quantos agendamentos existiram. Vale o mesmo para orçamento de alto valor na triagem.
2. Defina a célula mínima antes de olhar. Escolher o corte depois de ver o resultado é como escolher o alvo depois do tiro. A medição interna da Odonto Results usa célula mínima de 30 casos antes de um recorte virar número publicável, e é uma régua conservadora razoável para começar.
3. Exija repetição antes de agir. Um desvio isolado é hipótese. O mesmo desvio na mesma direção por dois ou três períodos consecutivos é evidência.

E o contrário também vale: amostra grande demais transforma qualquer diferença minúscula em "estatisticamente significativa" e sem nenhum efeito prático. Pergunte sempre se a diferença muda alguma decisão da clínica. Se não muda, não é problema.

O paradoxo da acurácia: por que "acertou quase tudo" não prova nada

Se o seu fornecedor apresenta o painel com um percentual de acurácia grande e redondo, você ainda não sabe nada.

Pensa assim: suponha que 10% dos seus agendamentos viram falta. Um modelo que chuta "todo mundo comparece", sem olhar nenhum dado, acerta 90% dos casos. Acurácia de 90%, utilidade zero, porque ele nunca aponta a falta que você quer prevenir.

Em base desbalanceada, e triagem de orçamento e risco de falta são sempre desbalanceadas, a acurácia é a métrica que mais engana. Ela premia o modelo que ignora a classe rara.

O que pedir no lugar:

• AUC (ou AUROC) para a capacidade de ordenar.
• Curva de calibração ou o teste do agregado para a qualidade do número.
• Precisão e recall na classe rara, com o limiar explicitamente declarado.
• A taxa-base do período, porque sem ela nenhuma das anteriores é interpretável.

Qualquer painel que só mostra um percentual grande e redondo na tela inicial está escondendo a métrica que interessa.

Precisão, recall e o limiar: os dois erros não custam a mesma coisa

Todo modelo entrega uma probabilidade. Quem transforma probabilidade em ação é o LIMIAR de corte, e o limiar é uma decisão de negócio, não uma decisão técnica.

Subir o limiar deixa o painel mais conservador: menos casos sinalizados, mais precisão, menos recall. Baixar o limiar faz o oposto. Você não escolhe "acertar mais", você escolhe QUAL erro prefere cometer.

E os dois erros têm preços completamente diferentes na clínica:

Erro	O que acontece na prática	Custo real
Falso negativo de no-show (previu que vem, faltou)	Cadeira reservada vazia, dentista parado, nenhuma ação preventiva foi tomada	Hora clínica perdida, que não se recupera
Falso positivo de no-show (previu falta, compareceu)	Confirmação extra, overbooking desnecessário, eventual fila na recepção	Tempo de CRC e atrito com paciente pontual
Falso negativo de triagem (orçamento alto classificado como frio)	Caso de alto ticket entra na fila lenta e esfria	Receita perdida no caso mais caro da agenda
Falso positivo de triagem (orçamento frio classificado como quente)	Closer dedica tempo premium a quem não tinha intenção	Custo de oportunidade da melhor hora da equipe

Repare na assimetria. Na triagem de orçamento, o falso negativo costuma ser muito mais caro que o falso positivo, porque perder um caso de alto ticket não se compensa com dez atendimentos rápidos.

Isso significa que o seu limiar de triagem deveria ser mais generoso do que o de no-show. E significa também que, quando a taxa-base muda, o limiar precisa ser revisto mesmo que o modelo continue intacto.

Se a sua triagem está classificando errado com frequência, vale entender como auditar o erro de classificação da IA na triagem de orçamento antes de mexer no modelo.

Os gatilhos de envelhecimento numa clínica odontológica

Drift não é só passagem de tempo. Ele tem causas identificáveis, e quase todas estão sob o seu controle ou pelo menos sob o seu radar.

O ponto crítico: essas mudanças acontecem no negócio e ninguém avisa o painel.

Gatilho na clínica	O que muda no dado	Efeito no modelo
Nova tabela de preços	Distribuição de valor dos orçamentos sobe ou desce em bloco	O corte de "alto ticket" aprendido no treino vira arbitrário
Entrada de um novo convênio	Perfil socioeconômico e comportamento de comparecimento mudam	Taxa-base de falta se desloca sem aviso
Novo canal de aquisição	Chega um paciente com outra intenção e outro grau de maturidade	Preditores de triagem perdem poder de separação
Mudança de mix de procedimento	Mais orto ou mais implante altera a proporção de retorno e de sessão longa	Peso das variáveis clínicas fica desatualizado
Mudança de capacidade da agenda	Novo dentista ou nova cadeira altera lead time médio	O preditor mais forte de falta muda de distribuição
Troca de roteiro de confirmação	O comportamento que o modelo lia vira outro comportamento	Variável de confirmação passa a significar outra coisa
Troca de software de gestão	Campos passam a ser preenchidos de outro jeito, ou deixam de ser	Drift abrupto disfarçado de degradação gradual
Nova unidade	Uma população nova entra na média	Falso alarme por mudança de composição, não por degradação

Regra operacional simples: toda vez que um desses gatilhos acontecer, abra uma janela de verificação do painel no primeiro fechamento mensal seguinte, sem esperar a próxima revisão agendada.

Esse é o momento mais barato de corrigir, porque você sabe exatamente o que mudou.

Frescor do modelo: o que a idade faz com a previsão

Existe uma pergunta que resolve metade do diagnóstico e quase nenhum dono de clínica faz ao fornecedor.

Qual foi a data do último retreino deste modelo?

Se a resposta demora, ou se vem como "ele aprende continuamente" sem detalhe, assuma que o modelo é estático: lê dados novos, decide com pesos velhos.

E o modelo estático foi o pior cenário medido nesse tipo de comparação. No estudo publicado na Emergency Medicine Australasia que simulou cadências de retreino de um modelo preditivo de admissão em pronto-socorro pediátrico (Perth Children's Hospital, Austrália, 409.307 atendimentos de 1/jul/2018 a 30/jun/2024), o drift foi mais pronunciado no modelo estático, que chegou a erro absoluto médio diário de leitos (AMDBE, na sigla do estudo, em que menor é melhor) de 10,6 em 2024, contra 1,79 do modelo retreinado semanalmente, conforme o artigo disponível no PMC / National Library of Medicine.

Repare no que esse contraste diz. A diferença não é de refinamento. É de ordem de grandeza entre um modelo que acompanha a realidade e um que ficou parado.

Quanto mais distante do presente for o dado com que o modelo aprendeu, mais a operação que ele descreve deixou de existir. Um modelo com um dia de idade praticamente descreve a clínica de hoje. Um com um trimestre descreve a clínica de antes da nova tabela, do novo convênio e do dentista que entrou.

Cadência de retreino: o que a evidência sustenta

A pergunta natural é: retreinar com que frequência, então? Todo dia? Toda semana?

A resposta é melhor do que o intuitivo, e o custo computacional pesa menos do que parece.

Ainda no estudo australiano de cadência de retreino (409.307 atendimentos, jul/2018 a jun/2024), o retreino semanal alcançou AUROC médio de 0,843 e AMDBE de 2,57 na simulação de 5 anos, e as cadências quinzenal e mensal foram não inferiores (AMDBE 2,61 e 2,73), segundo a Emergency Medicine Australasia via PMC / National Library of Medicine.

E o custo cai junto. No mesmo estudo, o retreino mensal exigiu apenas 25% da carga computacional do semanal, com desempenho não inferior.

Cadência no estudo australiano	Erro de previsão de leitos por dia (AMDBE)	Carga computacional relativa	Leitura
Semanal	2,57 (média na simulação de 5 anos)	referência do estudo	melhor desempenho medido
Quinzenal	2,61	não reportada no estudo	não inferior ao semanal
Mensal	2,73	25% da carga do semanal	não inferior, muito mais barato
Estático (nunca retreinado)	10,6 na média de 2024, contra 1,79 do semanal no mesmo ano	nenhuma	pior cenário medido no estudo

O recado para a sua clínica é direto: o ganho grande está em sair do estático. A diferença entre semanal e mensal é pequena; a diferença entre mensal e nunca é enorme.

Por isso, ao negociar com o fornecedor, o pedido certo não é "quero retreino semanal". É "quero cadência de retreino contratada, com data registrada e comprovação de que aconteceu".

Cadência agendada não basta: quando o calendário chega tarde demais

Cadência fixa resolve o envelhecimento lento. Ela não resolve a quebra abrupta.

Suponha que a sua clínica trocou de software no dia 3 e a revisão está marcada para o dia 30. Você vai operar quase um mês inteiro com um painel deslocado, tomando decisão de agenda com número errado.

A literatura diz exatamente isso. O estudo do Journal of Biomedical Informatics (2020) sobre detecção de drift de calibração alerta que, em períodos de drift rápido, esperar o ponto de atualização agendado pode produzir uma duração inaceitavelmente longa de acurácia reduzida no intervalo, conforme o artigo no PMC / National Library of Medicine.

E a conclusão do estudo do JAMIA (2017) vai na mesma direção: protocolos de atualização de modelo devem responder a períodos de drift rápido, em vez de ficarem limitados a intervalos anuais ou semestrais regularmente agendados, conforme o artigo no PMC / National Library of Medicine.

Na prática, você combina dois mecanismos:

1. Revisão programada, no calendário, que pega a deterioração gradual.
2. Detecção contínua por janela deslizante, que compara o desempenho da janela recente com a referência e dispara verificação quando o desvio passa de um limite definido antes.

A janela deslizante adaptativa é o que permite reagir na mesma semana do evento, e não só no fechamento do mês. Ela não substitui a cadência: ela cobre o buraco entre duas revisões.

Degradou de verdade ou só mudou a composição da base?

Antes de retreinar, faça esta pergunta. Ela evita retrabalho caro e falso alarme.

Um indicador agregado pode piorar sem que nenhum subgrupo tenha piorado. Basta a mistura mudar.

Pensa assim: suponha que a sua clínica abriu uma unidade nova, com pacientes de perfil diferente e taxa de falta naturalmente mais alta. O painel continua acertando dentro de cada unidade, e a taxa global de erro sobe. O modelo não degradou: a base mudou de composição.

Como separar as duas coisas:

• Quebre por segmento antes de concluir. Unidade, convênio contra particular, canal de origem, tipo de procedimento. Se o desvio some dentro de cada segmento, você tem efeito de mistura.
• Compare a taxa-base do período com a do treino. Se a taxa-base saltou, boa parte da "queda" é deslocamento de base, corrigível com recalibração e não com modelo novo.
• Verifique se algum grupo novo entrou na média. Novo convênio, nova campanha e nova unidade entram exatamente assim.

Essa checagem é barata e muda o nível de intervenção necessário. Confundir mistura com degradação é a forma mais comum de gastar dinheiro refazendo um modelo que estava funcionando.

Validação externa: por que o AUC do fornecedor não se repete na sua base

Todo fornecedor de painel preditivo chega com um número de desempenho. Esse número foi medido em outro lugar.

Outra população, outra taxa-base de falta, outro jeito de preencher os campos, outro roteiro de confirmação. Nada disso viaja junto com o algoritmo.

O que você deve exigir antes de assinar, e de novo antes de renovar:

1. Validação na sua base, com os seus dados históricos, não com o conjunto de desenvolvimento do fornecedor.
2. Divisão temporal, e não aleatória, pelo motivo da próxima seção.
3. Calibração reportada, não só AUC. Se a resposta for só o AUC, você recebeu metade da informação e justamente a metade que envelhece por último.
4. A taxa-base do período de validação, porque sem ela nenhum percentual é interpretável.

Trate o número de folheto como hipótese até ele se reproduzir na sua base. Essa é a diferença entre comprar um instrumento e comprar uma promessa.

Vazamento temporal: ordene por data antes de qualquer avaliação

Existe um erro técnico que infla o desempenho de qualquer modelo de agenda e passa despercebido em quase toda demonstração comercial.

Dividir treino e teste de forma aleatória.

Quando você embaralha os agendamentos e separa, digamos, um quinto deles para teste, o modelo aprende com consultas de dezembro e é avaliado em consultas de março do mesmo ano. Ele teve acesso ao futuro. O resultado sai bonito e não se repete em produção.

A correção é simples e inegociável: ordene tudo por data e garanta que nenhum agendamento do conjunto de teste anteceda um agendamento do conjunto de treino. Treine no passado, valide no futuro, na mesma ordem em que a clínica vive.

Há uma segunda forma de vazamento, mais sutil: variáveis preenchidas DEPOIS do desfecho. Campo de motivo de cancelamento, marcação de reagendamento, anotação da recepção. Se o modelo usa isso, ele não está prevendo, está lendo a resposta.

Antes de aceitar qualquer métrica, pergunte: essa informação existia no momento em que a previsão precisaria ser feita? Se não existia, ela não pode entrar.

Desbalanceamento de classe e o efeito colateral de superestimar risco

Faltas são minoria. Orçamentos de alto valor são minoria. Quase todo modelo útil na clínica trabalha com classe rara.

Para lidar com isso, é comum reequilibrar a base no treino, replicando os casos raros ou dando mais peso a eles. Funciona para a discriminação, e tem um preço.

O modelo treinado em base reequilibrada aprende uma taxa-base artificial, mais alta que a real. Ele passa a superestimar sistematicamente o risco quando volta a operar na base de verdade.

É por isso que tanto painel parece "alarmista": ele foi treinado num mundo onde a falta era muito mais comum do que na sua agenda.

O caminho correto tem duas etapas:

1. Reequilibre para treinar, se isso ajuda o modelo a separar os casos.
2. Recalibre a probabilidade depois, trazendo a saída de volta para a taxa-base real da sua clínica.

Pular a segunda etapa entrega um modelo que ordena bem e mente no número. O mesmo problema do drift, só que introduzido de fábrica.

Lembre: score que ordena bem serve para priorizar fila. Só probabilidade calibrada serve para decidir overbooking, capacidade e quanto esforço comercial cada orçamento merece.

Os quatro níveis de intervenção: do mais barato ao mais caro

Quando a verificação acusa desvio, a pergunta não é "retreinar ou não". É "qual o menor ajuste que resolve".

Escale nesta ordem. Pular direto para o nível 4 é caro, demorado e frequentemente desnecessário.

Nível	O que você faz	O que corrige	O que NÃO corrige	Quando usar
1. Limiar	Muda o ponto de corte que vira ação	O equilíbrio entre os dois erros na operação	A probabilidade, que continua errada	A decisão ficou desbalanceada, mas o número está bom
2. Recalibração	Ajusta a probabilidade mantendo a ordenação	O deslocamento de nível do risco	Perda de poder de separação	Ordenação boa, número deslocado (o caso mais comum)
3. Retreino	Reaprende os pesos com dados recentes, mesmas variáveis	Mudança no peso dos preditores existentes	Ausência de variável que passou a importar	Gatilho de negócio ocorreu, ou cadência programada venceu
4. Remodelagem	Troca variáveis, estrutura e desenho do problema	Mudança estrutural na operação	Nada, se o problema era só de calibração	A clínica virou outro negócio, ou o retreino não recupera

O nível 2 merece destaque porque é o mais subutilizado. Ele é barato, rápido e endereça exatamente o modo de falha que a evidência mostra ser o primeiro a aparecer: ordenação preservada, calibração em queda.

Quer priorizar orçamento sem depender só do score? Vale ver como cruzar a triagem de orçamento com a capacidade real da agenda antes de mexer no modelo.

Preditores de no-show que mudam de peso ao longo do tempo

Um modelo congelado não guarda só uma fórmula. Ele guarda a importância relativa de cada variável no dia em que foi treinado.

Se a realidade muda a força de um preditor e o modelo não é retreinado, ele continua decidindo com o peso antigo. Esses são os candidatos mais instáveis numa clínica:

• Lead time (antecedência do agendamento). Costuma ser dos preditores mais fortes de falta, e muda de distribuição toda vez que a capacidade da agenda muda. Agenda mais cheia empurra o paciente para semanas à frente e o risco sobe por motivo estrutural, não comportamental.
• Confirmação não respondida. Poderosa enquanto o roteiro de confirmação é estável. Troque o canal, o horário do disparo ou o texto e o silêncio passa a significar outra coisa.
• Histórico de falta do paciente. Envelhece devagar, mas depende de base cadastral limpa. Fusão de cadastro e troca de software quebram esse histórico sem avisar.
• Dia da semana e horário. Sensíveis a mudança de escala clínica e de quais especialidades atendem em cada turno.
• Canal de origem. O mais volátil de todos, porque muda toda vez que você muda a mídia.

O padrão é sempre o mesmo: a variável não some, ela muda de significado. E modelo estático não tem como perceber isso.

Se o seu problema é mais de atendimento do que de agenda, veja também como a IA mede e corrige o próprio atendimento pelas conversas perdidas.

A taxa-base muda sozinha, e isso não é culpa do modelo

Existe uma fonte de drift que não depende de nenhuma decisão sua: a própria taxa de falta oscila ao longo do ano.

Dezembro, janeiro, volta às aulas, feriado prolongado, período de férias regional. O comportamento de comparecimento muda de estação, e o painel treinado na média anual erra nas duas pontas.

Vale medir quanto essa variação é grande na sua realidade. Segundo dados internos da Odonto Results, no funil completo (IA, equipe e telefone), 20% a 50% dos agendados comparecem. É uma faixa da operação de atendimento das clínicas atendidas pela Odonto Results, não uma medição de recorte datado, porque o fechamento por ligação não fica registrado na conversa.

Uma faixa dessa largura já diz o suficiente: não existe uma taxa-base universal de comparecimento que sirva para calibrar o painel de qualquer clínica. A sua é a sua, e ela se move.

O tratamento é diferente do drift comum. Sazonalidade é padrão que se repete, então ela se modela (com variável de período) em vez de ser perseguida a cada estação. O detalhe de como ajustar em pico de demanda está em quando o painel preditivo de no-show precisa de ajuste em época de alta demanda.

Monitoramento contínuo e revisão por quem conhece a operação

Gestão de risco de modelo não é projeto, é rotina. E ela tem duas camadas que não se substituem.

A camada estatística compara previsto contra observado, acompanha calibração e discriminação e dispara alerta quando o desvio passa do limite. É automatizável e deve rodar sozinha.

A camada humana é o especialista do domínio olhando o resultado. Alguém que conhece a agenda, o mix de procedimento e a operação de CRC, e sabe responder a pergunta que nenhuma métrica responde: esse número faz sentido para esta clínica, neste mês?

O modelo pode estar estatisticamente correto e operacionalmente errado. Exemplo: o painel acerta o risco e prioriza casos que a sua agenda não tem capacidade de absorver. Nenhuma métrica de calibração pega isso. Um gestor pega em cinco minutos.

Por isso, caso de alto valor merece revisão humana obrigatória antes de qualquer ação automática. O custo de um orçamento alto descartado por triagem errada é muito maior que o custo do minuto de conferência.

Registro e rastreabilidade da decisão automatizada

Recalibrar é metade do trabalho. A outra metade é conseguir provar o que o painel decidiu e com base em quê.

No Brasil isso tem base legal explícita. A Lei Geral de Proteção de Dados (Lei 13.709/2018) estabelece, no Art. 20, conforme o texto oficial no Planalto, que o titular dos dados tem direito a solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses.

E o parágrafo 1º do mesmo artigo dirige a obrigação a quem opera: o controlador, que no seu caso é a clínica, deverá fornecer, sempre que solicitadas, informações claras e adequadas a respeito dos critérios e dos procedimentos utilizados para a decisão automatizada, observados os segredos comercial e industrial.

Repare no sujeito da obrigação. Não é o fornecedor do painel que responde ao paciente: é a sua clínica, como controladora dos dados. Se o fornecedor não te explica os critérios, você fica sem resposta para dar.

O que registrar, em log que você consiga recuperar depois:

• Entrada: quais dados do paciente e do agendamento alimentaram a previsão.
• Saída: o score ou a probabilidade que o modelo devolveu.
• Limiar vigente no momento da decisão.
• Versão do modelo e data do último retreino.
• Ação tomada e por quem, incluindo se houve revisão humana.

Esse log serve a três donos ao mesmo tempo: o jurídico (para responder ao titular), o operacional (para auditar decisão errada) e o próprio modelo, porque sem registro de qual tratamento cada agendamento recebeu, você nunca separa erro de previsão de acerto da equipe.

Runbook: quem é o dono do painel e o que dispara parada

Tudo acima vira nada sem um responsável nomeado. Painel sem dono não é monitorado, é admirado.

Defina o dono. Uma pessoa da clínica, não o fornecedor. Normalmente o gestor que já responde pela agenda e pelo CRC. O fornecedor executa o ajuste; o dono decide que o ajuste é necessário.

Frequência	O que se olha	O que dispara ação
Semanal	Risco médio previsto contra taxa observada da semana, só para acompanhar tendência	Nada sozinho; serve de contexto
Mensal	Calibração no agregado e por faixa, taxa-base do mês, volume de casos na classe rara	Desvio na mesma direção em meses consecutivos
A cada gatilho de negócio	Verificação completa no fechamento seguinte a preço, convênio, canal, mix, capacidade ou software	Qualquer desvio confirmado após o gatilho
Trimestral	Revisão de ordenação (AUC) e importância das variáveis	Queda de ordenação, que indica nível 3 ou 4
Anual	Revisão do desenho do modelo e das variáveis disponíveis	Mudança estrutural da clínica

O que dispara parada e revisão humana, sem esperar o calendário:

1. Desvio de calibração acima do limite definido antes, confirmado em duas janelas.
2. Queda de ordenação, que não se conserta com recalibração.
3. Gatilho de negócio dos listados acima, sempre.
4. Qualquer decisão automática sobre caso de alto valor, por política, não por exceção.
5. Reclamação de paciente sobre decisão tomada pelo painel, que ativa também o log do artigo anterior.

Enquanto a parada durar, o painel volta ao papel de sugestão: ordena a fila, não decide sozinho.

Seu próximo passo

1. Monte a planilha de calibração deste mês. Risco médio previsto contra taxa observada, no agregado e em quatro faixas. É uma tarde de trabalho e responde se você tem um problema real ou uma impressão.
2. Pergunte ao fornecedor a data do último retreino e peça cadência contratada. Se a resposta não vier com data, o modelo é estático, e estático foi o pior cenário medido no estudo australiano de cadência. Peça também a calibração na SUA base, não só o AUC do folheto.
3. Nomeie o dono do painel e escreva o gatilho de parada. Uma pessoa, uma rotina mensal, um limite definido antes e uma lista de eventos de negócio que abrem verificação imediata. Sem isso, o painel volta a envelhecer em silêncio.

Quer um sistema de captação e atendimento em que a decisão do modelo é medida contra o paciente que de fato comparece na cadeira, e não contra a tela? Agende uma apresentação.