Mortalidade hospitalar : modelos preditivos de risco usando os dados do sistema de informações hospitalares do SUS

CONTEXTUALIZAÇÃO: A preocupação com a qualidade da assistência tem aumentado nas últimas décadas em todo o mundo. O aumento da demanda, aliado à escassez de recursos financeiros e ao desenvolvimento e incorporação de novas tecnologias, tem suscitado reflexões e pesquisas que busquem avaliar a assistência hospitalar prestada em termos de custo-efetividade. Os estudos têm utilizado, na sua grande maioria, taxas de mortalidade hospitalar, que é um indicador tradicional de desempenho hospitalar. A análise comparativa de indicadores de desempenho pressupõe que as taxas de mortalidade sejam ajustadas às características dos pacientes e ao perfil do hospital, que também contribui na probabilidade de óbito hospitalar. Muitos autores têm utilizado bases de dados administrativas para avaliar estabelecimentos de saúde, principalmente pelo baixo custo e fácil disponibilidade. Diversos estudos internacionais têm analisado a eficiência dos serviços hospitalares de forma intensa e constante. No Brasil, os estudos ainda são poucos e a maioria tem avaliado diagnósticos específicos ou faixas-etárias específicas. Além disso, são poucos os que agregam o perfil dos hospitais na análise de predição do óbito hospitalar. OBJETIVO: O objetivo desta tese é desenvolver um índice de risco para óbito hospitalar ajustado pelas características das internações e pelo perfil dos hospitais a partir dos dados disponíveis no Sistema de Informações Hospitalar (SIH-SUS), com a finalidade de comparação de desempenho entre hospitais. É também objetivo desenvolver um modelo preditivo de probabilidade de óbito hospitalar utilizando a metodologia de modelo multinível. MÉTODOS: Trata-se de um estudo transversal com dados de 453.515 Autorizações de Internação Hospitalar (AIHs) do Sistema de Informações Hospitalares do Sistema Único de Saúde (SIH-SUS) do Rio Grande do Sul no ano de 2005. Utilizou-se regressão logística tradicional a fim de desenvolver um modelo preditivo das chances de óbito hospitalar considerando as características das internações. A seguir, foi realizada modelagem multinível buscando desenvolver um modelo preditivo das chances de óbito hospitalar considerando as características das internações e o perfil dos hospitais. Após o ajuste do modelo, foi calculado o Índice de Risco (IR), que permitiu o cálculo das probabilidades de óbitos hospitalares esperados (E), que foram comparados aos óbitos observados (O). O ordenamento do desempenho dos estabelecimentos foi realizado através da razão O/E em função da incorporação das características das internações (nível individual) e do perfil dos hospitais (nível contextual) conjuntamente no modelo preditivo. RESULTADOS: A taxa bruta de mortalidade para o conjunto dos 332 hospitais (453.515 AIHs) foi de 6,3%. A mortalidade foi maior para os homens. As doenças infecciosas e parasitárias, neoplasias, doenças do sistema nervoso, do aparelho circulatório e respiratório e, ainda, diagnósticos informados como sinais e sintomas anormais foram os que apresentaram significativamente maior número de óbitos do que o esperado através do teste Qui-quadrado. A especialidade clínica médica apresentou maior número de óbitos em comparação à especialidade cirurgia. A maioria das internações ocorreu em hospitais privados, enquanto que a taxa bruta de mortalidade foi maior nos hospitais públicos. Através da modelagem por regressão logística, utilizando o perfil das internações, obteve-se um Índice de Risco (IR) para mortalidade hospitalar. A partir do modelo preditivo foram calculados os óbitos esperados para os hospitais. Dos 206 hospitais analisados, a razão O/E (óbito observado/óbito esperado) mostrou 40 hospitais com mortalidade significativamente superior à esperada e 58 hospitais com mortalidade significativamente inferior à esperada. A partir do modelo preditivo multinível, formado por variáveis explicativas referentes à internação (primeiro nível) e variáveis explicativas referentes ao hospital (segundo nível), verificou-se que o perfil dos hospitais tem papel importante na predição do óbito hospitalar. As variáveis uso de UTI, seguida por idade foram as principais preditoras para óbito hospitalar no nível individual e porte do hospital, seguida por natureza jurídica, o foram no nível contextual respectivamente. A razão O/E baseada no modelo multinível mostrou que os hospitais de pequeno porte tem pior desempenho, os de grande porte melhoram seu desempenho e os de médio porte mantiveram-se praticamente sem modificações, quando comparados ao desempenho medido pela razão O/E obtida apenas para as características das internações. Constatou-se, ainda, um melhor desempenho dos estabelecimentos públicos, para todos os portes, e pior desempenho para os hospitais privados CONCLUSÕES: O índice de risco construído a partir das características da internação e do perfil dos estabelecimentos por modelos multinível pode ser empregado na análise de desempenho dos hospitais do SIH-SUS. O IR construído permitirá calcular a probabilidade de óbito e assim obter a taxa ajustada de mortalidade, a ser usada como um indicador de desempenho. Esta metodologia mostrou-se útil para rastrear hospitais que merecem uma atenção maior por parte de gestores, prestadores de serviços, profissionais e comunidade. A ordenação dos hospitais utilizando apenas a taxa de mortalidade bruta não é igual à ordenação quando se utiliza o ranking ajustado pelo modelo preditivo de probabilidade para o nível de internações, e esse último também não é igual quando se adiciona o nível dos hospitais. Recomenda-se que, ao comparar hospitais, seja utilizado o ajuste pelo modelo preditivo de probabilidade de risco que incorpora tanto o nível das internações, quanto dos hospitais. Estudos acrescentando outras variáveis do nível de internações, do nível hospitalar, além da região, poderão contribuir para o aprimoramento do modelo e do índice de risco. O desenvolvimento de uma série histórica de acompanhamento, bem como a discussão com representantes de várias instâncias envolvidas no processo de avaliação hospitalar poderão aumentar a eficiência do método.CONTEXTUALIZATION: The concern with the quality of care has increased in recent decades throughout the world. Increased demand, combined with the scarcity of financial resources and the development and incorporation of new technologies, has raised debate and research that seek to evaluate the hospital care provided in terms of costeffectiveness. Studies have mostly used hospital mortality rates, which is a traditional indicator of hospital performance. Comparative analysis of performance indicators means that mortality rates are adjusted to the characteristics of patients and to the hospital profile, which also contributes to the risk of death in hospital. Many authors have used administrative databases to assess health institutions, especially for their low cost and easy availability. Several international studies have analyzed the efficiency of hospital services in intense and constant way. In Brazil, studies are still few and most have evaluated specific diagnoses or specific age ranges. Moreover, few studies add the profile of hospitals to the analysis of prediction of hospital death. OBJECTIVE: The objective of this thesis is to develop a risk index for hospital death adjusted by characteristics of hospital admissions and by the profile of hospitals, using the available data in the SIH-SUS, for the purpose of comparison of performance between SUS hospitals. It also aims to develop a multilevel model of hospital risk of death. METHODS: This is a cross-sectional study with data from 453.515 Authorization Form for Hospital Admittance (AIHs) of the Hospital Information System of the Unified Health System (SIH-SUS) in Rio Grande do Sul in 2005. A traditional logistic regression was used to develop a predictive model of the chances of hospital death considering the characteristics of hospital admissions. Additionally a multilevel modeling was employed to develop a predictive model of the chances of death considering the characteristics of hospital admissions and hospital profiles. After fitting the model, the risk index (IR) was calculated, which allowed for the calculation of the likelihood of hospital expected deaths (E), which were then compared to the observed deaths (O). The performance ranking of the establishments was conducted through the ratio O/E depending on the incorporation of characteristics of hospital (individual level) and the profiles of hospitals (contextual level) together in the predictive model. RESULTS: The crude death rate for all 332 hospitals (453.515 AIHs) was 6.3%. Mortality was higher for men. Infectious and parasitic diseases, neoplasms, diseases of the nervous system, of the circulatory and of the respiratory apparatus, and also informed diagnoses as abnormal signs and symptoms were those that had significantly more deaths than expected by the chi-square test. Higher number was observed for the speciality medical clinic of deaths compared to surgery. Most hospitalizations occurred in private hospitals, while the crude death rate was higher in public hospitals. Through the RL model, by using the profile of hospitalizations, a Risk Index (IR) was obtained for hospital mortality. From the predictive model were calculated expected deaths for hospitals. In 40 out of the 206 hospitals studied, the ratio O/E (observed deaths / expected deaths) showed mortality rates significantly higher than expected and, in 58 hospitals the mortality rates were significantly lower than expected. As for the multilevel predictive model, consisting of explanatory variables related to hospitalization (first level) and explanatory variables for the hospital (second level), the profiles of hospitals had an important role in prediction of hospital death. The variable use of Intensive Care Unit (UTI), followed by patient age, were the main predictors for hospital death at the individual level and size of the hospital, followed by a legal nature were the more important variables for the contextual level. The ratio O/E based on the multilevel model showed that small hospitals had a worse their performance, large institutions had better performances and those of medium size virtually unchanged when compared to the ratio O/E only for the characteristics of admissions It was also verified an improvement of performance of the public hospitals, for all sizes, and worsening of performance for private hospitals. CONCLUSIONS: The risk index constructed from the characteristics of hospitalization and the profile of establishments by multilevel models can be used in the analysis of performance of the SIH-SUS hospitals. The presently developed IR will yield a probability of death and thereby an adjusted rate of mortality, to be used as an indicator of performance. This methodology proved to be useful to track hospitals that deserve greater attention from managers, providers, professionals and community. The ordering of the hospitals using only the crude mortality rate is not equal to the ordering that uses the ranking set by the predictive model of probability for the level of admissions, and the latter is not equal when it adds the level of hospitals. When comparing hospitals, it is recommended the use of adjustment of the predictive model of probability of risk that incorporates both the levels of admissions and of the hospitals. Studies adding other variables in the level of admissions, the hospital level, as well as the region, could contribute to the improvement of the model and the risk index. The development of a historical series of monitoring and discussion with representatives of various groups involved in hospital evaluation will add validity to the assessment method