Desenvolvimento de modelo de predição de óbito hospitalar utilizando regressão logística: Um estudo retrospectivo com 16.632 registros de um hospital universitário
DOI:
https://doi.org/10.33448/rsd-v14i9.49466Palavras-chave:
Mortalidade Hospitalar, Modelos Logísticos, Monitoramento Epidemiológico.Resumo
Introdução: A mortalidade hospitalar é um indicador que serve como parâmetro para mensurar a efetividade da assistência em saúde, e sua predição pode auxiliar em estratégias e intervenções regionais. Objetivo: Desenvolver um modelo preditivo de óbito hospitalar baseado nos dados disponíveis no Sistema de Informações Hospitalares do Sistema Único de Saúde. Método: Estudo de coorte retrospectivo, realizado com 16.632 internações de um hospital regional universitário no Paraná, Brasil, entre o período de Maio de 2022 à Maio de 2024. Utilizou-se dados secundários obtidos através dos Relatórios de Internação Hospitalar e Relatórios de Óbitos de Pacientes. As variáveis preditoras foram identificadas pelo modelo de regressão logística multivariado, ajustado a partir do método stepwise backward elimination. Resultados: Foram desenvolvidos dois modelos de predição, sendo o primeiro ajustado por todas as variáveis analisadas e o segundo ajustado para interações entre as variáveis Setor e Tempo de internamento. Ambos identificaram como variáveis preditoras de óbito a faixa etária de 60 a 79 anos e 80 anos ou mais; internamento em UTI, e o tempo de internamento de 15 dias ou mais. Conclusão: Foram desenvolvidos dois modelos preditivos de óbito hospitalar, os quais podem contribuir para o aprimoramento da gestão clínica e assistencial.
Referências
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
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Adriele da Mota de França Pinto, Camila Marinelli Martins
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
