Machine Learning na Gestão de Recursos Humanos em Saúde: Uma Revisão Sistemática
DOI:
https://doi.org/10.71399/hxkd3a26Palavras-chave:
Inteligência Artificial, Aprendizagem Automática, Recursos Humanos no Setor da Saúde, Pessoal e Programação, TurnoverResumo
Introdução: A gestão de recursos humanos em saúde enfrenta desafios crescentes associados à escassez de profissionais, elevada rotatividade e complexidade organizacional.
Objetivos: Analisar criticamente a evidência científica disponível sobre a aplicação de técnicas de machine learning na gestão de recursos humanos em saúde, com foco na previsão de necessidades de pessoal e de turnover.
Material e Métodos: Realizou-se uma revisão sistemática da literatura com síntese narrativa, reportada segundo as diretrizes PRISMA. A pesquisa, orientada pelo modelo PECO, incluiu estudos publicados entre 2019 e 2025 nas bases de dados PubMed e Scopus.
Resultados: Foram incluídos quatro estudos primários que recorreram a algoritmos como Random Forest, LASSO, Support Vector Machines e Boosted Trees, aplicados ao planeamento preditivo de pessoal, adequação de modelos de cuidados e previsão da intenção de saída. Os modelos de machine learning apresentaram, de forma geral, desempenho preditivo superior aos métodos estatísticos tradicionais.
Conclusões: O machine learning apresenta potencial para apoiar a tomada de decisão na gestão de recursos humanos em saúde, embora a evidência disponível seja limitada e marcada por desafios metodológicos e éticos, exigindo investigação futura mais robusta.
Referências
Aslan, M., & Toros, E. (2025). Machine learning in optimising nursing care delivery models: An empirical analysis of hospital wards. Journal of Evaluation in Clinical Practice, 31(1), e70001. https://doi.org/10.1111/jep.70001 DOI: https://doi.org/10.1111/jep.70001
Biron, A., Loiselle, C. G., & Lavoie‐Tremblay, M. (2021). Artificial intelligence in nursing: Priorities, risks, and responsibilities. Nursing Outlook, 69(5), 742–750. https://doi.org/10.1016/j.outlook.2021.04.005 DOI: https://doi.org/10.1016/j.outlook.2021.04.005
Buchan, J., Dhillon, I., & Campbell, J. (2022). Health workforce in the COVID-19 context: Strategies to improve resilience and sustainability. Human Resources for Health, 20(1), 12. https://doi.org/10.1186/s12960-021-00651-3
Chen, C., Lin, Z., & Ma, J. (2022). Predictive analytics in human resource management: Applications and challenges. Journal of Organizational Computing and Electronic Commerce, 32(1), 1–19. https://doi.org/10.1080/10919392.2021.2009745
Choudhury, M. D., De, S., & Eisenstein, J. (2023). Ethics in AI for human resources: Emerging risks and governance gaps. AI & Society, 38, 1105–1120. https://doi.org/10.1007/s00146-022-01385-9
Conselho Nacional de Saúde. (2022). Relatório sobre sustentabilidade e saúde no contexto português. https://www.cns.pt/sustentabilidade-saude-relatorio
Denecke, K., Gabarron, E., Grainger, R., Konstantinidis, S. T., & Hansen, M. (2021). Artificial intelligence for human resources in healthcare: A scoping review. Journal of Medical Internet Research, 23(3), e24283. https://doi.org/10.2196/24283
Esteva, A., Chou, K., Yeung, S., Naik, N., Madani, A., Mottaghi, A., … Dean, J. (2021). Deep learning-enabled healthcare: A review of the challenges and opportunities. Nature Biomedical Engineering, 5(6), 498–510. https://doi.org/10.1038/s41551-021-00707-9
Hasson, H., Lindqvist, R., & Andersson, J. (2023). Algorithmic bias and fairness in predictive workforce analytics: Ethical implications for human resource management. Journal of Business Ethics, 184(2), 433–450. https://doi.org/10.1007/s10551-022-05246-7
Hong, Q. N., Pluye, P., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., … Vedel, I. (2018). Mixed Methods Appraisal Tool (MMAT), version 2018. Education for Information, 34(4), 285–291. https://doi.org/10.3233/EFI-180221 DOI: https://doi.org/10.3233/EFI-180221
Li, Y., Shi, Z., Zhang, Q., & Huang, J. (2023). Machine learning in nurse staffing optimization: A systematic review. Journal of Nursing Management, 31(2), 225–234. https://doi.org/10.1111/jonm.13795 DOI: https://doi.org/10.1111/jonm.13795
Nguyen, M., Ziebart, B., & Ghosh, A. (2022). Predicting healthcare worker burnout using machine learning: A multi-site study. Journal of Medical Systems, 46(2), 22. https://doi.org/10.1007/s10916-021-01799-1
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342 DOI: https://doi.org/10.1126/science.aax2342
Ouzzani, M., Hammady, H., Fedorowicz, Z., & Elmagarmid, A. (2016). Rayyan—A web and mobile app for systematic reviews. Systematic Reviews, 5, 210. https://doi.org/10.1186/s13643-016-0384-4 DOI: https://doi.org/10.1186/s13643-016-0384-4
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71 DOI: https://doi.org/10.1136/bmj.n71
Park, Y., & Kim, J. (2025). Impact of professional quality of life on turnover intention among general hospital nurses: A comparative study using linear and nonlinear analysis methods. Journal of Korean Academy of Nursing Administration, 31(1), 132–141. https://doi.org/10.11111/jkana.2025.31.1.132 DOI: https://doi.org/10.11111/jkana.2025.31.1.132
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1359. https://doi.org/10.1056/NEJMra1814259 DOI: https://doi.org/10.1056/NEJMra1814259
Suh, S. M., & Lee, H. S. (2022). Predicting nurse turnover intention using gradient boosting algorithms: A longitudinal approach. International Journal of Medical Informatics, 158, 104655. https://doi.org/10.1016/j.ijmedinf.2021.104655 DOI: https://doi.org/10.1016/j.ijmedinf.2021.104655
Tawfik, D. S., Profit, J., Liu, V. X., Schoenherr, L. A., Tadlock, M. D., Fuller, T. E., … Sharek, P. J. (2019). Using machine learning to develop a staffing metric predictive of neonatal ICU outcomes. Health Services Research, 54(6), 1314–1325. https://doi.org/10.1111/1475-6773.13249 DOI: https://doi.org/10.1111/1475-6773.13249
Topaz, M., & Pruinelli, L. (2021). Big data and nursing: How artificial intelligence and data science are transforming the profession. Nursing Outlook, 69(3), 419–421. https://doi.org/10.1016/j.outlook.2021.01.001 DOI: https://doi.org/10.1016/j.outlook.2021.01.001
Topol, E. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books.
Van de Wiel, M. A., Ledderhof, T., & van der Putten, W. (2021). Generalizability of nurse absenteeism prediction models: A multi-hospital comparison. International Journal of Medical Informatics, 151, 104474. https://doi.org/10.1016/j.ijmedinf.2021.104474 DOI: https://doi.org/10.1016/j.ijmedinf.2021.104474
World Health Organization. (2020). State of the world’s nursing 2020: Investing in education, jobs and leadership. https://www.who.int/publications/i/item/9789240003279
Yakusheva, O., Costa, D. K., Weiss, M., & Poghosyan, L. (2021). Nonlinear association of nurse staffing and readmissions uncovered in machine learning analysis. Health Services Research, 56(1), 75–83. https://doi.org/10.1111/1475-6773.13695 DOI: https://doi.org/10.1111/1475-6773.13695
Downloads
Publicado
Edição
Secção
Licença
Direitos de Autor (c) 2026 TER ISAVE
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
Todos os artigos desta revista estão licenciados sob uma Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0), permitindo a sua partilha, adaptação e reutilização, desde que a autoria original seja devidamente citada.
