Modelo preditivo do risco de readmissão hospitalar no contexto brasileiro
Bibliographic record
Abstract
A readmissão hospitalar tem sido utilizada como indicador de resultado assistencial.Tendo em vista que, as readmissões são consideradas evitáveis, expõem os pacientes a riscos desnecessários e representam custos excessivos, torna-se relevante a identificação de pacientes com risco elevado de readmissão.Nesta perspectiva, diversos modelos preditivos foram desenvolvidos, dentre os quais destaca-se o índice LACE (L -length of stay; A -acuity of the admission; C -Charlson comorbidity index score; e E -emergency department use), instrumento de fácil aplicação, estruturado em dados frequentemente disponíveis nos serviços de saúde e com resultado clinicamente relevante.Objetivo: analisar a capacidade de predição de readmissão hospitalar por meio de escore de identificação de risco de readmissão no contexto brasileiro.Métodos: estudo observacional analítico retrospectivo realizado em hospital geral com importante inserção na rede de atenção à saúde.Foram consideradas elegíveis todas as internações hospitalares cujas altas ocorreram no período de janeiro a dezembro de 2019.Foram analisadas as variáveis: idade, faixa etária, sexo, diagnóstico principal e secundários, procedência, tempo de permanência, caráter da internação, Índice de Comorbidade de Charlson, visitas à emergência e índice LACE.Análise realizada segundo linhas de cuidado, condições de interesse e grupos etários.Os dados demográficos e a caracterização da internação foram analisados de acordo com o desfecho (readmitidos ou não readmitidos), por meio do teste não paramétrico de Mann-Whitney e do teste do qui-quadrado.A análise da capacidade preditiva do escore foi realizada por meio da medida de discriminação com cálculo da área sob a curva de características operacionais do receptor.Resultados: 22.687 pacientes foram incluídos, dos quais 13,44% apresentaram readmissão em até 30 dias.A mediana do índice LACE foi de 5 (IIQ: 3,00; 8,00) e foi superior para pacientes readmitidos 6,00 (IIQ: 4,00; 9,00), p<0,001.12,86% dos pacientes foram classificados como de risco elevado de readmissão e a discriminação do índice foi de 0,561 (IC: 0,549; 0,572).Na análise do índice LACE nas linhas de cuidado, condições de interesse e faixas etárias, observou-se diferença entre readmitidos e não readmitidos para as doenças cardiovasculares (p=0,002), câncer (p=0,003), menores de 5 anos (p<0,001), crianças e adolescentes (p<0,001), adultos (p<0,001), idosos (p<0,001).A discriminação por grupo de análise foi de 0,524 (p=0,209) para as Internações por Condições Sensíveis à Atenção Primária, 0,542 (p=0,374) para Diabetes Mellitus, 0,416 (p=0,244) para Hipertensão Arterial Sistêmica, 0,548 (p=0,004) para Doenças cardiovasculares, 0,644 (p=0,096) para Acidente Vascular Cerebral, 0,525 (p=0,546) para Doenças respiratórias crônicas, 0,539 (p=0,003) para Câncer, 0,591 (p<0,001) para menores de cinco anos, 0,593 (p<0,001) para crianças e adolescentes, 0,543 (p<0,001) para adultos e 0,539 (p<0,001) para idosos.Conclusões: as diferenças observadas entre os grupos de pacientes readmitidos e não readmitidos sinalizam que o índice LACE auxilia na identificação de risco de readmissão, ainda que a sua baixa capacidade preditiva impeça sua utilização de maneira isolada.Considerando a facilidade de aplicação, o índice tem potencial para utilização como ferramenta de triagem, utilizado de forma conjunta com outros indicadores e dados relativos à rede de atenção e aos determinantes de saúde.O fato de o índice não ter se mostrado como ferramenta adequada para as condições analisadas não dispensa a necessidade da adoção de estratégias de monitoramento e intervenção, uma vez que esses grupos representam considerável volume de internações e de taxas de readmissão hospitalar.
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 | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".