A Comparative Analysis of Predictive Models for Hospital Average Length of Stay

• Ana Karla Dias de Souza UPE
• João Fausto Lorenzato de Oliveira UPE
• Cleyton Mário de Oliveira Rodrigues UPE

DOI: https://doi.org/10.5753/eniac.2026.31533

Resumo

The average length of stay (ALS) is a key indicator for assessing hospital efficiency and bed management. Monthly data from the Complexo Hospitalar Universitário da Universidade de Pernambuco (CHU/UPE) were used to evaluate five predictive modeling approaches for ALS: a naı̈ve baseline, ARIMA, LightGBM, XGBoost, and LSTM. Model evaluation was conducted using walkforward validation, employing Mean Absolute Error, Root Mean Squared Error, and Mean Absolute Percentage Error as performance metrics. Statistical comparison was performed using the Model Confidence Set (MCS) test with a 10% significance level. The results indicate that no model showed superior performance, suggesting that the most appropriate approach depends on the temporal characteristics of each time series.

Referências

Akiba, T., Sano, S., Yanase, T., Ohta, T., and Koyama, M. (2019). Optuna: A nextgeneration hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 2623–2631, Anchorage, AK, USA. Association for Computing Machinery.

Cheng, M., Liu, Z., Tao, X., Liu, Q., Zhang, J., Pan, T., Zhang, S., He, P., Zhang, X., Wang, D., Wang, J., and Chen, E. (2025). A comprehensive survey of time series forecasting: Concepts, challenges, and future directions. TechRxiv, 2025(0410).

Cunha, I. M., Mendes, M. C. B., Beserra, J. V. F., Bolognani, C. V., Göttems, L. B. D., and de Carvalho, E. M. P. (2023). Factors that contribute to the increase in the length of hospital stay. New Trends in Qualitative Research, 18:e835.

Cunha, J. M. M. (2026). Análise e previsão da taxa de ocupação hospitalar em um hospital privado de sergipe. Trabalho de Conclusão de Curso (Graduação em Ciências Atuariais), Universidade Federal de Sergipe, São Cristóvão, SE, Brasil.

de Souza, A. A., da Silva, O. F., Avelar, E. A., and Lamego, L. F. (2016). Análise de eficiência dos hospitais: Um estudo com foco em indicadores operacionais. Technical report, Universidade Federal de Minas Gerais.

Fontoura, M. A. R. (2024). Modelagem preditiva de surtos epidêmicos usando redes neurais LSTM: Uma aplicação para a COVID-19. Dissertação de mestrado em informática e gestão do conhecimento, Universidade Nove de Julho (UNINOVE).

Hansen, P. R., Lunde, A., and Nason, J. M. (2011). The model confidence set. Econometrica, 79(2):453–497.

Hyndman, R. J. and Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for r. Journal of Statistical Software, 27(3):1–22.

Ospina, R., Gondim, J. A. M., Leiva, V., and Castro, C. (2023). An overview of forecast analysis with arima models during the covid-19 pandemic: Methodology and case study in brazil. Mathematics, 11(14).

Santos, B. N. G., de Almeida Ferreira Azevedo, G., Carneiro, L. B., dos Santos, R. B. G., Nogueira, S. E. F., de Brito Simões, M. M., and de Brito Boechat, G. C. M. (2025). Previsão de ocupação em hospitais públicos utilizando modelos de séries temporais e aprendizado de máquina. Trabalho de Conclusão de Curso (Graduação), UCSal – Universidade Católica do Salvador.

Urbi, S. R. C. and Tiva, M. G. (2025). Technology and innovation in healthcare: Adoption of ai and predictive analytics in hospital management. Pathfinder of Research, 3(2):22–45.

Ventura, T., Gomes, R., Pedroso, G., Vecchiato, D., and Rezende, R. (2025). Estimativa da ocupação de leitos para tratamento da covid-19 usando dados temporais. In Anais do XXV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 24–31, Porto Alegre, RS, Brasil. Sociedade Brasileira de Computação, SBC.

Wahyuddin, E. P., Caraka, R. E., Kurniawan, R., Caesarendra, W., Gio, P. U., and Pardamean, B. (2025). Improved lstm hyperparameters alongside sentiment walk-forward validation for time series prediction. Journal of Open Innovation: Technology, Market, and Complexity, 11(1):100458.