A insuficiência cardíaca (IC) é uma das doenças crónicas mais prevalentes e em crescimento globalmente. Caracteriza-se por um percurso progressivo, com fases de estabilidade intercaladas por episódios de agravamento. Estes episódios de descompensação frequentemente exigem hospitalizações e/ou visitas não programadas, aumentando o risco de mortalidade e diminuindo a qualidade de vida dos doentes. Assim, a IC representa custos significativos para a saúde, sobrecarregando doentes, sistemas de saúde, profissionais e a sociedade no geral. A antecipação destes episódios possibilita uma atuação mais rápida, reduzindo hospitalizações, custos em saúde e melhorando a qualidade de vida dos doentes. Este estudo procura colmatar esta lacuna desenvolvendo um modelo de machine learning interpretável para prever descompensações de IC num período de 30 dias. Dados de 584 doentes, recolhidos ao longo de 3 anos e 4 meses, resultaram num total de 2.008 consultas e na criação de mais de 600 variáveis, das quais 25 preditores foram selecionados. O modelo final, que combina XGBoost e Random Tree, obteve uma sensibilidade de 81,40% e uma AUC de 0,96. Para aumentar a interpretabilidade, foi utilizado o algoritmo C5.0 para explicação global, complementado por uma análise de sensibilidade e regressão logística. Este estudo avança o conhecimento na previsão de descompensações em IC, demonstrando a aplicação de business analytics no setor da saúde. Estes resultados estabelecem uma base para estudos futuros e aplicações práticas, visando a melhoria dos cuidados aos doentes e a otimização de recursos nos sistemas de saúde.

Heart failure (HF) ranks among the most prevalent and growing chronic health conditions worldwide. Characterized by a progressive course, HF often presents phases of symptomatic stability interspersed with episodes of worsening. These episodes of decompensation frequently necessitate unplanned healthcare visits and/or hospital admissions, increasing mortality risk and significantly reducing quality of life. In this way, HF imposes considerable healthcare-related costs, placing a heavy burden on patients, healthcare systems, professionals, and society at large. Accurately predicting decompensation episodes could enable timely interventions, potentially reducing hospital visits, lowering healthcare expenses, and improving quality of life. This study aims to address this gap by developing an interpretable machine learning model to predict HF decompensation within a 30-day period. This study is based on data from 584 HF patients, followed over a period of 3 years and 4 months, resulting in a dataset of 2,008 consultations from which over 600 variables were generated and ultimately refined to 25 key predictors. The final model, combining the strengths of XGBoost and a Random Tree model, achieved a recall of 81.40% and an AUC of 0.96. To improve interpretability, a C5.0 algorithm was used to provide a global explanation, along with sensitivity analysis and logistic regression. This study advances knowledge in HF decompensation prediction, showcasing the integration of business analytics in the health domain. These findings form a foundation for future studies and practical applications aimed at improving patient care and optimizing healthcare resource allocation.