0078/2025 - Machine Learning and Simulation: pathways to efficient emergency care in Brazil Aprendizado de Máquina e Simulação: caminhos para um atendimento de emergência eficiente no Brasil
• Vitor Pinheiro de Araújo Costa - Costa, V.P.A - <pinheirovpac@fab.mil.br> ORCID: 0009-0004-9436-4362 • Daniel Augusto de Moura Pereira - Pereira, D.A.M - <danielmoura@ufcg.edu.br> ORCID: 0000-0002-7951-6098 • Igor Pinheiro de Araújo Costa - Costa, I.P.A - <costa_igor@id.uff.br> ORCID: 0000-0001-9892-6327 • Miguel Ângelo Lellis Moreira - Moreira, M.A.L - <miguellellis@hotmail.com> ORCID: 0000-0002-5179-1047 • Gioliano de Oliveira Braga - Braga, G.O - <gioliveirabraga@gmail.com> ORCID: 0009-0002-3147-7824 • Marcos dos Santos - Santos, M. - <marcosdossantos_doutorado_uff@yahoo.com.br> ORCID: 0000-0003-1533-5535 • Carlos Francisco Simões Gomes - Gomes, C.F.S - <cfsg1@bol.com.br> ORCID: 0000-0002-6865-0275
Abstract:
Modeling and Simulation (M&S) allows for the reproduction of medical procedures and services, understanding disease progression, and predicting treatment responses without risks to real patients. This study aims to simulate the ambulance service system of the Mobile Emergency Care Service (SAMU) in a region of Brazil, using Arena software and Machine Learning (ML). The quantitative methodology combines mathematical modeling and a case study to analyze variables such as the number of ambulances, patient arrivals, waiting times, and workload. Using the Manchester Protocol as a reference, the Arena results feed a regression model to relate waiting times and the number of ambulances. The integration of these techniques allowed for predictions regarding the impact of different resource configurations. Based on real data, the numerical results indicated reduced waiting times with increased ambulances and optimized resource allocation. Thus, in addition to contributing to the operational efficiency of mobile emergency services, the findings strengthen the resilient performance of the Unified Health System (SUS) in the face of adversities.
Keywords:
Health System Resilience, SUS, SAMU, Computer Simulation, Machine Learning.
Aprendizado de Máquina e Simulação: caminhos para um atendimento de emergência eficiente no Brasil
Abstract(resumo):
A Modelagem e Simulação (M&S) permite a reprodução de procedimentos médicos e serviços, a compreensão da progressão de doenças e a previsão de respostas a tratamentos sem riscos a pacientes reais. O objetivo do artigo é simular o sistema de atendimento de ambulâncias do Serviço de Atendimento Móvel de Urgência (SAMU) em uma região do Brasil, utilizando o software Arena e Aprendizado de Máquina (AM). A metodologia quantitativa combina modelagem matemática e estudo de caso para analisar variáveis como número de ambulâncias, chegada de pacientes, tempo de espera e carga de trabalho. Os resultados do Arena alimentaram um modelo de regressão para relacionar tempo de espera e quantidade de ambulâncias, tendo o Protocolo de Manchester como referência. A integração dessas técnicas permitiu prever o impacto de diferentes configurações de recursos. Os resultados numéricos indicaram, com base em dados reais, a redução no tempo de espera com o aumento de ambulâncias, otimizando a distribuição de recursos. Assim, além de contribuir para a eficiência operacional dos serviços móveis de emergência, os resultados fortalecem o desempenho resiliente do Sistema Único de Saúde (SUS) frente a adversidades.
Keywords(palavra-chave):
Resiliência de Sistemas de Saúde, SUS, SAMU, Modelagem Computacional, Aprendizado de Máquina.
