Desarrollo de un modelo predictivo de mortalidad hospitalaria mediante regresión logística: Un estudio retrospectivo con 16.632 registros de un hospital universitário
DOI:
https://doi.org/10.33448/rsd-v14i9.49466Palabras clave:
Mortalidad Hospitalaria, Modelos Logísticos, Monitoreo Epidemiológico.Resumen
Introducción: La mortalidad hospitalaria es un indicador que sirve como parámetro para medir la efectividad de la atención en salud, y su predicción puede contribuir a estrategias e intervenciones regionales. Objetivo: Desarrollar un modelo predictivo de mortalidad hospitalaria basado en los datos disponibles en el Sistema de Información Hospitalaria del Sistema Único de Salud. Método: Estudio de cohorte retrospectivo, realizado con 16.632 hospitalizaciones en un hospital regional universitario en Paraná, Brasil, entre mayo de 2022 y mayo de 2024. Se utilizaron datos secundarios obtenidos a través de los Informes de Hospitalización y los Informes de Defunción de Pacientes. Las variables predictoras fueron identificadas mediante un modelo de regresión logística multivariada, ajustado con el método stepwise backward elimination. Resultados: Se desarrollaron dos modelos de predicción: el primero ajustado por todas las variables analizadas y el segundo ajustado para las interacciones entre las variables Sector y Tiempo de hospitalización. Ambos identificaron como variables predictoras de mortalidad la edad de 60 a 79 años y de 80 años o más; hospitalización en UCI, y tiempo de hospitalización de 15 días o más. Conclusión: Se desarrollaron dos modelos predictivos de mortalidad hospitalaria, los cuales pueden contribuir al perfeccionamiento de la gestión clínica y asistencial.
Referencias
Aguiar, L. M. M., Martins, G. de S., Valduga, R., Gerez, A. P., Carmo, E. C. do, Cunha, K. da C., Cipriano, G. F. B., & Silva, M. L. da. (2022). Perfil de unidades de terapia intensiva adulto no Brasil: revisão sistemática de estudos observacionais. Revista Brasileira de Terapia Intensiva, 33, 624–634. https://doi.org/10.5935/0103-507X.20210088
Aragon, T. J., Fay, M. P., Wollschlaeger, D., & Omidpanah, A. (2020). Package ‘epitools’. https://doi.org/10.32614/CRAN.package.epitools
Blanes-Selva, V., Ruiz-García, V., Tortajada, S., Benedí, J.-M., Valdivieso, B., & García-Gómez, J. M. (2021). Design of 1-year mortality forecast at hospital admission: A machine learning approach. Health Informatics Journal, 27(1). https://doi.org/10.1177/1460458220987580
Brasil. (2022). Ministério da Saúde. Portaria GM/MS nº 913, de 22 de abril de 2022. Declara o encerramento da Emergência em Saúde Pública de Importância Nacional (ESPIN) em decorrência da infecção humana pelo novo coronavírus (2019-nCoV) e revoga a Portaria GM/MS nº 188, de 3 de fevereiro de 2020. Diário Oficial da União. 2022; Seção 1:1.
Calazans, J. A., Guimarães, R., & Nepomuceno, M. R. (2023). Diferenciais regionais da mortalidade no Brasil: Contribuição dos grupos etários e de causas de óbito sobre a variação da esperança de vida e da dispersão da idade à morte entre 2008 e 2018. Revista Brasileira de Estudos de População, 40, e0244. https://doi.org/10.20947/S0102-3098a0244
Chen, Z., Li, T., Guo, S., Zeng, D., & Wang, K. (2023). Machine learning-based in-hospital mortality risk prediction tool for intensive care unit patients with heart failure. Frontiers in Cardiovascular Medicine, 10. https://doi.org/10.3389/fcvm.2023.1119699
Cordeiro, P., & Martins, M. (2018). Mortalidade hospitalar em pacientes idosos no Sistema Único de Saúde, região Sudeste. Revista de Saúde Pública, 52, 69. https://doi.org/10.11606/s1518-8787.2018052000146
Costa, M.L.M., Mafra, A. C. C. N., Cendoroglo, M. S., Rodrigues, P. S., Ferreira, M. S., Studenski, S. A., & Franco, F. G. de M. (2022). Development and validation of predictive model for long-term hospitalization, readmission, and in-hospital death of patients over 60 years old. Einstein, 20:eAO8012. https://doi.org/10.31744/einstein_journal/2022AO8012
Cowling, T. E., Cromwell, D. A., Bellot, A., Sharples, L. D., & van der Meulen, J. (2021). Logistic regression and machine learning predicted patient mortality from large sets of diagnosis codes comparably. Journal of Clinical Epidemiology, 133, 43–52. https://doi.org/10.1016/j.jclinepi.2020.12.018
Cowling, T. E., Cromwell, D. A., Sharples, L. D., & van der Meulen, J. (2020). A novel approach selected small sets of diagnosis codes with high prediction performance in large healthcare datasets. J Clin Epidemiol, 128:20-28. https://doi.org/10.1016/j.jclinepi.2020.08.001
Ding, N., Nath, T., Mahendra Damarla, Gao, L., & Hassoun, P. M. (2024). Early predictive values of clinical assessments for ARDS mortality: a machine-learning approach. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-68653-8
Dutt-Ross, S. (2020). Manual de Análise de Dados. https://livro.metodosquantitativos.com/docs/bookdown.pdf
Faro, A. R. M. C., Andrade, A. M., Guimarães, F. P. F., Belasco, A. G. S., Grandi, J. L., & Barbosa, D. A. (2021). Causas de óbitos em hospital de ensino da Amazônia Ocidental brasileira. Acta paul enferm, 34:eAPE002515. https://doi.org/10.37689/acta-ape/2021AO002515
Geskey, J. M., Foreman, J. K., Witkowski, M. E., Huerta, S. M., Berkland, D., Hohmann, S. F., & Meurer, S. (2022). Improving Mortality Through a Multihospital, Collaborative Quality Improvement Project. American Journal of Medical Quality, 37(4), 321–326. https://doi.org/10.1097/jmq.0000000000000039
Hydoub, Y. M., Walker, A. P., Kirchoff, R. W., Alzu’bi, H. M., Chipi, P. Y., Gerberi, D. J., M. Caroline Burton, M. Hassan Murad, & Dugani, S. B. (2023). Risk Prediction Models for Hospital Mortality in General Medical Patients: A Systematic Review. American Journal of Medicine Open, 10, 100044–100044. https://doi.org/10.1016/j.ajmo.2023.100044
Klug, M., Barash, Y., Bechler, S., Resheff, Y. S., Tron, T., Ironi, A., Soffer, S., Zimlichman, E., & Klang, E. (2019). A Gradient Boosting Machine Learning Model for Predicting Early Mortality in the Emergency Department Triage: Devising a Nine-Point Triage Score. Journal of General Internal Medicine, 35(1), 220–227. https://doi.org/10.1007/s11606-019-05512-7
Li, K., Shi, Q., Liu, S., Xie, Y., & Liu, J. (2021). Predicting in-hospital mortality in ICU patients with sepsis using gradient boosting decision tree. Medicine, 100(19), e25813. https://doi.org/10.1097/md.0000000000025813
Macedo, L. R., Borges, C., Freire, L., Christiane, J., Paiva, N. S., & Joseé, A. (2024). Excesso de mortalidade geral e mortalidade por COVID-19 no Brasil e regiões no ano de 2020. Cadernos de Saúde Pública, 40(11). https://doi.org/10.1590/0102-311xpt217323
Maluangnon, C., Kanogpotjananont, P., & Tongyoo S. (2023). Comparing Outcomes of Critically Ill Patients in Intensive Care Units and General Wards: A Comprehensive Analysis. Int J Gen Med. 16:3779-3787. https://doi.org/10.2147/IJGM.S422791
Okoroiwu, H. U., Uchendu, K. I., & Essien, R. A. (2020). Causes of morbidity and mortality among patients admitted in a tertiary hospital in southern Nigeria: A 6 year evaluation. PLOS ONE, 15(8), e0237313. https://doi.org/10.1371/journal.pone.0237313
Pereira, A. S. et al. (2018). Metodologia da pesquisa científica. Santa Maria. Editora da UFSM.
Rai, S., Brace, C. L., Ross, P., Jai Darvall, Haines, K., Mitchell, I., Frank Van Haren, & Pilcher, D. (2023). Characteristics and Outcomes of Very Elderly Patients Admitted to Intensive Care: A Retrospective Multicenter Cohort Analysis. Critical Care Medicine, 51(10):1328-1338. https://doi.org/10.1097/ccm.0000000000005943
Rodrigues, A. R., Oliveira, A., Vieira, T., Assis, R., Lume, C., Gonçalves-Pereira, J., & Fernandes SM. (2024). A prolonged intensive care unit stay defines a worse long-term prognosis Insights from the critically ill mortality by age (Cimba) study. Aust Crit Care, 37(5):734-739. https://doi.org/10.1016/j.aucc.2024.03.001
Schilling, M. P. R., Portela, M. C., & Martins, M. (2024). Razão de mortalidade hospitalar padronizada: limites e potencialidades do indicador para a avaliação do desempenho hospitalar no Sistema Único de Saúde, Brasil. Cadernos de Saúde Pública, 40(2). https://doi.org/10.1590/0102-311XPT080723
Seki, T., Kawazoe, Y., & Ohe, K. (2021). Machine learning-based prediction of in-hospital mortality using admission laboratory data: A retrospective, single-site study using electronic health record data. PLOS ONE. 16(2):e0246640. https://doi.org/10.1371/journal.pone.0246640
Shitsuka, R.etal. (2014). Matemática fundamental para tecnologia. (2ed). Editora Érica.
Stoessel, D., Fa, R., Artemova, S., von Schenck, U., Nowparast Rostami, H., Madiot, P.-E., Landelle, C., Olive, F., Foote, A., Moreau-Gaudry, A., & Bosson, J.-L. (2023). Early prediction of in-hospital mortality utilizing multivariate predictive modelling of electronic medical records and socio-determinants of health of the first day of hospitalization. BMC Medical Informatics and Decision Making, 23(1). https://doi.org/10.1186/s12911-023-02356-4
TRIPOD. (2015). TRIPOD Checklist: Prediction Model Developmenth. https://www.tripod-statement.org/resources/
van Valburg, M. K. (2024). Predicting 30-day mortality in intensive care unit patients with ischaemic stroke or intracerebral haemorrhage. Eur J Anaesthesiol, 41(2):136-145. https://doi.org/10.1097/EJA.0000000000001920
Walicka, M., Chlebus, M., Śliwczyński, A., Brzozowska, M., Rutkowski, D., Czech, M., Tuszyńska, A., Jacyna, A., Puzianowska-Kuźnicka, M., & Franek, E. (2020). Non-surgical in-hospital mortality predictors: a multivariable regression analysis of 2,855,029 hospitalizations. Polish Archives of Internal Medicine. https://doi.org/10.20452/pamw.15185
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Adriele da Mota de França Pinto, Camila Marinelli Martins
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
