Análise dos custos diretos e indiretos da COVID-19 em um hospital brasileiro
Bibliographic record
Abstract
Objetivo: Avaliar os custos diretos na perspectiva hospitalar e do Sistema Único de Saúde (SUS), bem como os custos indiretos de pacientes hospitalizados por COVID-19. Métodos: Estudo observacional com coleta de dados por micro e macrocusteio, realizado com pacientes admitidos por COVID-19 em um hospital paulista (março a setembro de 2020). Custos indiretos foram obtidos pelos métodos de capital humano e de anos de vida ajustados pela incapacidade (DALY). Análises de Mann-Whitney e regressão linear foram realizadas. Resultados: Foram incluídos 158 indivíduos com mediana de idade de 57 anos (IIQ 42-68 anos). A mediana de custo da internação na perspectiva do SUS e hospitalar foi de, respectivamente, R$ 2.009,46 (IIQ: R$ 1.649,11; R$ 4.847,36), principalmente devido à unidade de terapia intensiva (UTI), e R$ 19.055,91 (IIQ: R$ 8.399,47; R$ 38.438,00), principalmente devido a recursos humanos. Tempo total de internação (p < 0,001), óbito (p < 0,001) e ventilação invasiva (p < 0,001) foram preditores de aumento de custo. Foi identificada perda de 381,5 DALY e perda de produtividade de 128 anos, equivalente a US$ 855.307. Conclusão: Os principais direcionadores de custo foram recursos humanos e UTI. Entretanto, na perspectiva da sociedade, foi identificado o maior impacto devido à perda de produtividade e DALY. Tempo de hospitalização foi um dos grandes contribuidores do custo, e esse fator pode estar atrelado a gravidade da doença e protocolos de cuidado ao paciente.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".