A partir de informações existentes e registradas em Maternidades e Hospitais Gerais de Florianópolis (S.C.) e na Secretaria de Estado da Saúde de Santa Catarina, realizou-se estudo retrospectivo compreendendo o período de 19 de janeiro de 1975 a 31 de dezembro de 1979. Determinou-se coeficientes de mortalidade materna numa série histórica de cinco anos, segundo o tipo de óbtios e causas básicas. Verificou-se ainda a relação entre mortalidade materna e as variáveis idade, paridade, tipo de parto e local de residência. Os resultados obtidos mostraram que o coeficiente de mortalidade materna foi elevado e atingiu nível maior do que os resultados de registros oficiais. Em 18,2 por cento dos óbitos houve preenchimento inadequado dos atestados, o que teria proporcionado perda destes casos como óbito materno. A maior proporção das mortes maternas foi devida aos óbitos obstétricos diretos, com um percentual de 75,0 por cento . Os óbitos obstétricos diretos foram constituídos em 54,5 por cento de infecção, 30,3 por cento de hemorragia e 15,2 por cento de toxemia. O coeficiente específico por infecção foi de 4,15/10.000 nascidos vivos (N.V.) tendo como principal causa básica o aborto. O grupo de hemorragia teve coeficiente de 2,31/10.000 N.V. e as causas básicas que contribuíram na quase totalidade dos óbitos foram rotura de útero sem outras especificações (SOE), laceração de colo de útero e parto a vácuo extrator. A toxemia apresentou coeficiente de 1,15/10.000 N.V. tendo como causa básica mais incidente, a eclâmpsia sobreposta à hipertensão arterial pré-existente. Conclui-se, ainda, que houve relação entre mortalidade materna e as variáveis idade, paridade e, em especial, com tipo de parto e local de residência. / Based on data collected at Maternities and General Hospitais in Florianópolis (S.C.) and at the State of Santa Catarina Secretary of Health a retrospective study on Maternal Mortality in the period January 1st, 1975 december 31th, 1979 was performed. The Maternal Mortality rate was determined by means of a historical series of 5 years, according to the type and main basic cause of death. The relation between Maternal Mortality and variables like chronological age, parity, type of delivery and place of residence was also studied. The results of the investigation indicated that the Maternal Mortality rate was high, being even higher than that officially presented. In 18.2 per cent of the cases there was an incorrect filling of the death certificates what could cause their exclusion as maternal deaths. The highest proportion of maternity deaths was caused by direct obstetric causes with a percentage of 75.0 per cent . The direct obstetric deaths were due to infection (54,5 per cent ), haemorrhagy (30.3 per cent ) and toxemy (15,2 per cent ). The speciific rate for infections was 4.15/10,000 live borns (L.B.) being abortion its main basic cause. The specific rate for haemorrhagy was 2.3/10,000 L.B. being its basic cause, which contributed to almost the totality of deaths, rupture of the uterus not otherwise specified (NOS),laceration of the uterus walls and delivery by vacuum extractor. The specific rate for toxemy was 1.15/10,000 L.B. being its basic cause eclampsy associated to pre-existent hypertension. It was concluded that there was a relation between maternal mortality and the variables chronological age parity and, in some special causes with the type of delivery and place of residence.

The recent study by Argamany et al1 concluded that the incidence and hospital mortality for Clostridium difficile infection (CDI) differed between major regions of the United States and across different seasonal times of the year. However, these conclusions were not supported by the data in their study because the authors based them exclusively on statistical significance without considering the effect size of their findings. The effect sizes of region and season on CDI were very low or near zero, contradicting their conclusion, as subsequently explained.

Yes / Objectives There are no established mortality risk equations specifically for emergency medical patients who are admitted to a general hospital ward. Such risk equations may be useful in supporting the clinical decision-making process. We aim to develop and externally validate a computer-aided risk of mortality (CARM) score by combining the first electronically recorded vital signs and blood test results for emergency medical admissions. Design Logistic regression model development and external validation study. Setting Two acute hospitals (Northern Lincolnshire and Goole NHS Foundation Trust Hospital (NH)—model development data; York Hospital (YH)—external validation data). Participants Adult (aged ≥16 years) medical admissions discharged over a 24-month period with electronic National Early Warning Score(s) and blood test results recorded on admission. Results The risk of in-hospital mortality following emergency medical admission was 5.7% (NH: 1766/30 996) and 6.5% (YH: 1703/26 247). The C-statistic for the CARM score in NH was 0.87 (95% CI 0.86 to 0.88) and was similar in an external hospital setting YH (0.86, 95% CI 0.85 to 0.87) and the calibration slope included 1 (0.97, 95% CI 0.94 to 1.00). Conclusions We have developed a novel, externally validated CARM score with good performance characteristics for estimating the risk of in-hospital mortality following an emergency medical admission using the patient’s first, electronically recorded, vital signs and blood test results. Since the CARM score places no additional data collection burden on clinicians and is readily automated, it may now be carefully introduced and evaluated in hospitals with sufficient informatics infrastructure. / The Health Foundation, National Institute for Health Research (NIHR) Yorkshire and Humberside Patient Safety Translational Research Centre

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.

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.

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.

Introdução: O Acidente Vascular Cerebral (AVC) é a maior causa de morte no Brasil e um dos maiores responsáveis por incapacitação e invalidez. Existem informações insuficientes quanto aos principais fatores associados à ocorrência de óbito nos pacientes vítimas desta enfermidade. Alguns escores preditores foram desenvolvidos porém não foram validados em população brasileira até o momento. Uma das ações mais importantes na redução do ônus do AVC é o atendimento sistematizado destes pacientes de forma mulltidisciplinar em Unidades de AVC (UAVC) com potencial aumento do uso da terapia trombolítica, além da estratificação dos pacientes, possibilitando decisões terapêuticas mais precoces. Este estudo traz informações sobre o perfil epidemiológico dos pacientes admitidos na UAVC do Hospital Geral de Fortaleza (HGF), bem como identifica fatores preditores de mortalidade e incapacidade até a alta hospitalar e busca validar o Escore de Risco do Registro da Rede Canadense de AVC (IScore), possibilitando a utilização desta ferramenta na estratificação de risco de morte e incapacidade em uma população distinta daquela originalmente realizada. Objetivos: avaliar perfil clínico-epidemiológico dos pacientes e identificar fatores preditores independentes de mortalidade e incapacidade (primários); validar o iScore para morte ou incapacidade e desenvolver um escore na amostra para morte e incapacidade (secundários). Métodos: Foram selecionados pacientes consecutivos admitidos na Unidade de AVC do HGF entre novembro de 2009 até maio de 2012 com diagnóstico clínico de AVC isquêmico. Os dados foram coletados por equipe treinada e através de um formulário específico. Foi realizada análise univariada (método do quiquadrado) e análise multivariada (com regressão logística, stepwise forwardbackward) para descrição das características e identificação dos fatores associados ao desfecho. Teste de correlação de Pearson e curva ROC foram utilizados para medidas de correlação e desempenho dos escores prognósticos. Resultados: no período entre novembro de 2009 e maio de 2012 foram elegíveis 1433 pacientes, sendo 780 analisados. Houve predomíno do sexo masculino e a média de idade (± desvio padrão) foi de 66,1 anos (± 15,44). A forma de apresentação mais comum foi a fraqueza muscular (653 pacientes, 83,6%). O desfecho combinado ocorreu em 423 pacientes (45,8%) e 40 pacientes (5,1%) morreram. Foram identificados 8 fatores preditores independentes para o desfecho. O iScore apresentou bom desempenho, com AUC de 0,797 e Correlação de Pearson de 0,989. Conclusão: Pacientes com AVCi tem altas taxas de incapacidade ou morte até a alta de uma unidade de AVC. Medidas populacionais de informação tem potencial para reduzir a ocorrência dos desfechos. Foram identificados oito fatores preditores de mortalidade ou incapacidade. O iScore apresentou bom desempenho na amostra e pode ser utilizado com acurácia na população brasileira como ferramenta prognóstica. / Intoduction: Stroke is the leading cause of death and one of the most important disease associated with disability in Brazil. There is insufficient information about factors associated with death in stroke patients. Some death risk score has been developed, but none of them were applied in the Brazilian population yet. One of the most important actions to be done to reduce the burden of the stroke is the multidisciplinary assessment of the patients in stroke units (UAVC), with the potential to improve the thrombolytic therapy utilization and the early stratification of patients, allowing earlier treatment decisions. The present study, provides information on the epidemiological profile of patients admitted to the stroke unit in the Hospital Geral de Fortaleza (HGF), identifies predictors of in-hospital mortality and disability and seeks to validate the IScore, allowing the use of this tool to stratify the risk of death and disability in a population different from that which was originally derived. Objectives: to evaluate patient epidemiologic and clinical patterns and factors independently associated with death and disability at hospital discharge (primary objectives); to validate the iScore fitness to predict mortality and/or disability and to develop a new risk score to predict mortality and disability at discharge (secondary objectives). Methods: all consecutive patients admitted to the Hospital Geral de Fortaleza Stroke Unit since November 2009 until May 2012 were elegible. Data were collected by a trained team and by using a specific clinical research form. Univariable analysis (by chi-square test) followed by multivariable analysis (with logistic regression) were performed to identify and establish the variables associated with the outcome (death or disability at hospital discharge). Additionally, Pearson correlation test and ROC curve to measure the iScore correlation and discrimination ability were conducted. Results: a total of 1433 patients were selected and 781 considered eligible were included for the analysis. Male gender were more frequent; mean age was 66,1 (± 15,44). The most common clinical pattern at hospital arrival was \"weakness\" (653 pacientes, 83,6%). Outcome occurred in 423 patients (58,6%) and 40 patients (5,1%) had died. Eight factors were independently associated with outcome. The iScore had good performance, with AUC of 0,797 and Pearson Correlation Test of 0,985. Conclusion: Stroke patients have substantial rate of death or disability at hospital discharge. Populationbased strategies to inform about the signs and symptoms of stroke have potential to decrease this rate. Eight factors were identified as predictors of death or disability and might be used to support patient risk stratification. The iScore had a good performance in the sample and can be used with accuracy as a prognostic tool in Brazil.

Bariatric surgery is an effective procedure type for morbidly obese patients when all else fails. Because obesity is a chronic disease, prolonged assessment and understanding of the credibility of procedure types and their effects on bariatric surgery outcomes are essential, yet current evidence shows decreasing utilization of one of the dominant procedure types. To better compare outcomes of procedure type, this research was designed to control for volume, hospital size, age, gender, season, month, year, and ethnicity. The goal of the study was to compare the outcomes of laparoscopic adjustable gastric banding (LAGB) and laparoscopic sleeve gastrectomy (LSG) bariatric surgery using the epidemiologic triad model. This study was a retrospective cross-sectional review of Nationwide Inpatient Sample (NIS) from 2009 to 2014. Univariate and multivariate logistic regression were conducted to analyze the data. This study was based on a secondary analysis previously collected from NIS data. A convenience sample of 73,086 patients who underwent bariatric surgery using ICD-9 diagnosis and procedure codes was used. Multiple logistic regression analysis indicated that LAGB (odds ratio [OR] =.043) and LSG (OR =.030) were positively associated with in-hospital mortality. Similarly, LAGB (OR =.041) and LSG (OR =.425) were positively correlated to length of stay (LOS). Finally, LAGB (OR = .461) and LSG (OR = .480) was positively related to reoperation. LAGB, when compared to LSG for LOS, had a substantial advantage over biliopancreatic diversion. The LOS findings may contribute to patients' value proposition, including cost reduction for third party insurance payers and for the community.

Severe sepsis and septic shock comprise a significant number of emergency department (ED) admissions annually. With the advent of early goal directed therapies, early identification and intervention have become paramount in this population. Few studies, however, have examined the role of serum lactate as a predictor of mortality or endpoint to resuscitation among this population. We aimed to show that improved lactate clearance is associated with decreased 28-day in-hospital mortality. We retrospectively examined data from the Yale Sepsis Registry for patients with severe sepsis or septic shock who had lactate levels that were measured initially in the ED and subsequently when the patient arrived on the floor. This study received institutional review board approval. Lactate clearance was calculated as a percentage, and comparison between patients who cleared lactate and those who did not were made for mortality data as well as baseline characteristics and interventions required between the two groups. 207 patients (110 male) with mean age and standard deviation (SD) of 63.17 ± 17.9 years were examined. 136 patients (65.7%) were diagnosed with severe sepsis and 71 patients (34.3%) had septic shock. Of those with identified sources of infection, pneumonia was the most common (54 patients, 26.1%). There were 171 patients in the clearance group and 36 patients in the non-clearance group, all of whom had a mean time of 9 hours 8 minutes ± 4 hours 6 minutes between lactate measurements. 28-day mortality rates were 15.2% (26 patients) in the lactate clearance group and 36.1% (13 patients) in the non-clearance group (p<0.01). Vasopressor support within 72 hours of admission was initiated among 61.1% (22 patients) in the non-clearance group compared with 36.8% (63 patients) in the clearance group (p<0.01). Mechanical ventilation was required for 36.3% (62 patients) in the clearance group and 66.7% (24 patients) in the non-clearance group (p=0.001). Rates of severe sepsis, mean number of SIRS and organ dysfunction criteria, and initial creatinine were similar between the two groups; however, only 86.1% (31 patients) in the non-clearance group received intravenous fluids in the ED compared with 98.8% (169 patients) in the clearance group (p=0.002). 33.3% (12 patients) in the non-clearance group had chronic obstructive pulmonary disease (COPD) compared with 15.2% (26 patients) in the clearance group (p<0.05). The mean Mortality in Emergency Department Sepsis (MEDS) scores were 8.78 ± 3.96 for the clearance group and 10.4 ± 4.48 for the non-clearance group (95% CI, -3.1 to -.14, p<0.05). These results show significantly higher mortality rates among patients who do not clear their lactate in the ED. Additionally, these patients require vasopressor support and mechanical ventilation more often. Lactate clearance was significantly associated with receipt of fluids and may also reflect lower MEDS score. Our findings suggest lactate clearance could be used as an endpoint for ED resuscitation and in stratifying mortality risk among patients with severe sepsis or septic shock. Future studies might seek to prospectively validate these findings and incorporate multivariate analysis to determine factors affecting lactate clearance.

Adams et al. was the first to demonstrate an association between improved outcomes and provider experience in a 1973 study examining complication rates from coronary arteriograms.[1] In this study, a questionnaire was mailed to the directors of coronary arteriography laboratories throughout the US. They found that mortality was eight times higher in institutions performing fewer than 200 examinations per two-year period compared to institutions performing more than 800 examinations per two-year period. It was not until 1979, however, that efforts to systematically study outcomes in surgery were made by Luft and colleagues.[2] They demonstrated lower mortality rates at high-volume centers compared with low-volume centers for several high risk procedures, such as coronary artery bypass graft surgery (CABG) and vascular surgery. This landmark study set the stage for outcomes research in surgery. Over the past decade, additional studies have continued to show higher surgeon or hospital volumes to be associated with improved patient outcomes. [3-13] To what degree surgeon versus hospital volume each contribute to outcomes is controversial and depends on the procedure examined. Nevertheless, formal recommendations encouraging certain high-risk procedures be performed at high-volume hospitals began as early as 2000 by the Leapfrog group and other policy initiatives.[14, 15] Formal recommendations for surgeon volume, on the other hand, have been lacking. There has been mounting evidence, particularly in the last decade, that surgeon volume is associated with improved patient outcomes, independent of hospital volume. To what measure these data have influenced referral patterns from low- to high-volume surgeons is unknown.