Sistema Inteligente para Classificação e Priorização Automática de Solicitações de Manutenção Hospitalar Baseado em Análise Semântica e Machine Learning

Descrição

A gestão da manutenção predial hospitalar envolve desafios significativos relacionados à organização, interpretação e priorização de solicitações de manutenção registradas em sistemas computadorizados de gestão da manutenção (BOUABDALLAOUI et al., 2020; WEBER; ISATTO, 2025). Em hospitais, essas solicitações são normalmente realizadas por meio de textos curtos, não estruturados e altamente variáveis, produzidos por usuários finais pertencentes a diferentes setores da instituição (D’ORAZIO; BERNARDINI; GIUSEPPE, 2023; MASCII; LUSCHI; IADANZA, 2021; WEBER; ISATTO, 2025). A ausência de padronização linguística, aliada ao grande volume de dados gerados diariamente, dificulta a categorização adequada das ordens de serviço, comprometendo processos de tomada de decisão, definição de prioridades e alocação eficiente de recursos de manutenção (WEBER; ISATTO, 2025; WEBER, 2025). A implementação de técnicas de processamento de linguagem natural (Natural Language Processing – NLP) e aprendizado de máquina (Machine Learning – ML) emerge como uma solução promissora para automatizar a classificação e interpretação dessas ordens de serviço, minimizando a subjetividade e a ineficiência inerentes aos processos manuais (BAO; BU; ZHENG, 2026; D’ORAZIO; BERNARDINI; GIUSEPPE, 2023b, 2023a; MUSA et al., 2025). Embora os sistemas computadorizados de gestão da manutenção (Computerized Maintenance Management Systems - CMMS), empregados principalmente para auxiliar no processo decisório dos gestores, permitam o armazenamento de grandes quantidades de dados históricos, esses sistemas frequentemente apresentam limitações quanto à transformação dessas informações em conhecimento operacional aplicável (WEBER, 2025). Em muitos casos, a classificação das solicitações continua a ser realizada manualmente, dependendo da experiência dos profissionais responsáveis (BOUABDALLAOUI et al., 2020). Esse processo pode resultar em inconsistências, subjetividade, atrasos operacionais e dificuldades na identificação de solicitações críticas ou urgentes (WEBER, 2025). De acordo com Nazareth et al. (2023), em ambientes hospitalares, tais limitações assumem importância ainda maior, considerando que falhas em sistemas prediais podem impactar diretamente a continuidade dos serviços assistenciais, a segurança dos pacientes e o funcionamento da infraestrutura hospitalar. Nesse contexto, técnicas de mineração de texto, NLP e ML apresentam elevado potencial para apoiar processos automatizados de classificação e priorização de solicitações de manutenção (D’ORAZIO; BERNARDINI; GIUSEPPE, 2023, 2024). Entretanto, a literatura ainda apresenta lacunas importantes relacionadas à aplicação dessas abordagens em bases de dados de manutenção hospitalar, especialmente em conjuntos compostos por textos curtos e não estruturados oriundos de solicitações de usuários finais (WEBER, 2025). Além disso, muitos estudos concentram-se em modelos genéricos de classificação textual, sem considerar especificidades semânticas e operacionais do contexto hospitalar (LIU et al., 2025; MASCIO et al., 2020). Com o objetivo de preencher estas lacunas, este projeto de pesquisa propõe o desenvolvimento e validação de um sistema inteligente para classificação automática e priorização de solicitações de manutenção hospitalar com base em análise semântica de textos. A proposta constitui uma continuidade de estudos anteriores relacionados à categorização automática de ordens de serviço hospitalares, incorporando agora abordagens baseadas em machine learning e análise semântica aplicada a dados históricos de manutenção. A pesquisa utilizará dados extraídos de um CMMS de um hospital público universitário brasileiro, situado em Maceió, Alagoas, contendo milhares de solicitações de manutenção registradas por usuários finais entre os anos de 2017 e 2023. Inicialmente, será realizado o pré-processamento textual dos registros, incluindo limpeza dos dados, normalização textual, tokenização e transformação dos textos em representações estruturadas. Em seguida, serão desenvolvidos modelos de classificação automática utilizando técnicas de machine learning supervisionado, como Naive Bayes, Support Vector Machines (SVM) e Random Forest (RF), além de representações vetoriais baseadas em Term Frequency – Inverse Document Frequency (TF-IDF) e análise semântica de termos específicos do domínio de manutenção hospitalar. Além da categorização automática das solicitações, o estudo buscará desenvolver mecanismos de priorização automática das ordens de serviço, considerando níveis distintos de urgência operacional. Para isso, serão analisados padrões linguísticos associados à criticidade, severidade e urgência das solicitações registradas pelos usuários finais. O desempenho dos modelos será avaliado por métricas clássicas de classificação, como accuracy, precision, recall e F1-score. Do ponto de vista científico, o projeto pretende contribuir para o avanço das pesquisas relacionadas à aplicação de inteligência artificial, mineração de texto e análise semântica na gestão da manutenção predial hospitalar. Pretende-se ainda ampliar o conhecimento sobre o uso de modelos inteligentes em bases compostas por textos curtos e não estruturados, características comuns em sistemas CMMS (DELOOSE et al., 2022). Do ponto de vista prático, espera-se contribuir para a melhoria dos processos de gestão da manutenção hospitalar, reduzindo inconsistências de classificação, apoiando a priorização de atendimentos e auxiliando a tomada de decisão dos gestores de manutenção. A implementação de algoritmos de aprendizado de máquina, como SVM e RF, demonstrou alta acurácia na classificação de ordens de serviço em outros contextos (HONG; KIM; YANG, 2021; MCARTHUR et al., 2018), sugerindo um potencial significativo para a otimização da alocação de recursos em ambientes hospitalares. A participação de estudantes de iniciação científica permitirá sua inserção em atividades relacionadas à ciência de dados, mineração de texto, machine learning e gestão da manutenção, proporcionando formação científica interdisciplinar e contato direto com técnicas recentes de análise de dados aplicadas ao ambiente construído e à infraestrutura hospitalar.