Uso de dados administrativos hospitalares para o desenvolvimento de modelos preditivos de readmissão hospitalar não planejadas de pacientes idosos em um hospital público terciário na cidade de São Paulo, Brasil (2023)
- Authors:
- Autor USP: BARROS, JACSON VENANCIO DE - FM
- Unidade: FM
- DOI: 10.11606/T.5.2023.tde-19062023-112011
- Subjects: ANÁLISE DE DADOS; APRENDIZADO COMPUTACIONAL; READMISSÃO DO PACIENTE; SAÚDE PÚBLICA
- Keywords: Data analysis; Deep learning; Health information systems; Hospital readmission; Machine learning; Public health
- Language: Português
- Abstract: Introdução: A readmissão hospitalar pode causar impactos negativos aos pacientes e seus familiares e levar à ineficiência operacional limitando a capacidade de entrega dos serviços. Dessa forma, a redução das readmissões hospitalares não planejadas constitui-se uma oportunidade de melhoria da qualidade assistencial e da sustentabilidade do sistema de saúde, sobretudo em pacientes idosos, que apresentam uma carga de morbidade mais elevada e, portanto, maior necessidade de serviços hospitalares especializados. Assim, técnicas de modelagem de dados e algoritmos de predição que visam identificar pacientes com risco de readmissão hospitalar passaram a ser amplamente implementadas entre os pesquisadores. Essas técnicas podem subsidiar a tomada de decisão e a implementação de programas individualizados de alta hospitalar. Para superar este desafio, aprendizagem automática baseadas em redes neurais profundas (deep learning) tem sido muito utilizada para a previsão de fatores de risco de readmissão hospitalar. Objetivos: Identificar padrões e fatores determinantes de readmissões hospitalares ocorridas em até 30 dias após a alta hospitalar em uma população idosa atendida em um hospital terciário da cidade de São Paulo. Métodos: Estudo observacional com dados derivados de bases administrativas de produção do Sistema Único de Saúde (SUS), considerando apenas internação de pacientes idosos (60 anos ou mais) no Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo(HCFMUSP), entre janeiro de 2016 a dezembro de 2019, excetuando-se óbitos, transferências e internações de longa permanência. O processo de curadoria dos dados resultou em 187 variáveis, compostas por dados demográficos, administrativos, serviços hospitalares e histórico clínico. Como parte do experimento, criamos quatro cenários: a) variáveis disponíveis durante a internação; b) atendimentos ambulatoriais realizados até 12 meses antes da admissão; c) quantidade de serviços anteriores à admissão; d) comorbidades. Estes cenários foram aplicados às duas coortes, criadas para o desenvolvimento dos modelos preditivos. O primeiro modelo analisou apenas as internações e altas ocorridas dentro do HCFMUSP. O segundo modelo analisou as mesmas internações da coorte anterior, mas também avaliou se houve internações fora do HCFMUSP. Para cada cenário, o processo de seleção de variáveis foi baseado no uso de algoritmos de árvores de decisão, Random Forest, e, para a identificação dos fatores de risco e análise de desempenho entre os cenários, utilizamos redes neurais por meio do MultiLayer Perceptron (MLP). O desempenho preditivo de todos os modelos foi comparado por meio da área sob a curva roc (AUC) e pelo coeficiente de correlação de Matthews (MCC). Resultados: A população do estudo foi composta por 26.833 pacientes, com idade média de 69,5 ± 8,5 anos, sendo 48,6% do sexo masculino e totalizando 44.086 hospitalizações. As taxas de readmissões foram de 9,2% e 12,0% para as coortesHCFMUSP e HCFMUSP+, respectivamente. Considerando a análise da sensibilidade de economia, para a coorte HCFMUSP, o melhor cenário representou uma possibilidade máxima de economia na ordem de R$ 2,0 milhões, quanto na coorte HCFMUSP+, R$ 2,3 milhões. Conclusões: O desenvolvimento de modelos de predição por meio de técnicas de aprendizado de máquina supervisionado aplicados em uma coorte com mais de 26 mil pacientes idosos consecutivos, com dados derivados de bases administrativas hospitalares, permitiu a identificação de subgrupos com maior risco para readmissões. Esses modelos resultaram em informações que podem ser transponíveis para a prática assistencial e replicado para qualquer estabelecimento do SUS, contribuindo, dessa forma, com a melhoria da qualidade dos serviços hospitalares
- Imprenta:
- Data da defesa: 01.03.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
BARROS, Jacson Venancio de. Uso de dados administrativos hospitalares para o desenvolvimento de modelos preditivos de readmissão hospitalar não planejadas de pacientes idosos em um hospital público terciário na cidade de São Paulo, Brasil. 2023. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/5/5144/tde-19062023-112011/. Acesso em: 02 maio 2024. -
APA
Barros, J. V. de. (2023). Uso de dados administrativos hospitalares para o desenvolvimento de modelos preditivos de readmissão hospitalar não planejadas de pacientes idosos em um hospital público terciário na cidade de São Paulo, Brasil (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/5/5144/tde-19062023-112011/ -
NLM
Barros JV de. Uso de dados administrativos hospitalares para o desenvolvimento de modelos preditivos de readmissão hospitalar não planejadas de pacientes idosos em um hospital público terciário na cidade de São Paulo, Brasil [Internet]. 2023 ;[citado 2024 maio 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5144/tde-19062023-112011/ -
Vancouver
Barros JV de. Uso de dados administrativos hospitalares para o desenvolvimento de modelos preditivos de readmissão hospitalar não planejadas de pacientes idosos em um hospital público terciário na cidade de São Paulo, Brasil [Internet]. 2023 ;[citado 2024 maio 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5144/tde-19062023-112011/
Informações sobre o DOI: 10.11606/T.5.2023.tde-19062023-112011 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
