[pt] O tempo de permanência (LoS) é uma das métricas mais utilizadas
para avaliar o uso de recursos em Unidades de Terapia Intensiva (UTI). Esta
tese propõe uma metodologia estruturada baseada em dados para abordar
três principais demandas de gestores de UTI. Primeiramente, será proposto
um modelo de predição individual do LoS em UTI, que pode ser utilizado
para o planejamento dos recursos necessários. Em segundo lugar, tem-se
como objetivo desenvolver um modelo para predizer o risco de permanência
prolongada, o que auxilia na identificação deste tipo de paciente e assim
uma ação mais rápida de intervenção no mesmo. Finalmente, será proposto
uma medida de eficiência ajustada por case-mix capaz de realizar análises
comparativas de benchmark entre UTIs. Os objetivos específicos são:
(i) realizar uma revisão da literatura dos fatores que predizem o LoS em
UTI; (ii) propor uma metodologia data-driven para predizer o LoS individual
do paciente na UTI e o seu risco de longa permanência; e (iii) aplicar
essa metodologia no contexto de um grande conjunto de UTIs de diferentes
tipos de hospitais. Os resultados da revisão da literatura apresentaram os
principais fatores de risco que devem ser considerados em modelos de predição.
Em relação ao modelo preditivo, a metodologia proposta foi aplicada
e validada em um conjunto de dados de 109 UTIs de 38 diferentes hospitais
brasileiros. Este conjunto continha um total de 99.492 internações de 01 de
janeiro a 31 de dezembro de 2019. Os modelos preditivos construídos usando
a metodologia proposta apresentaram resultados precisos comparados com
a literatura. Estes modelos propostos têm o potencial de melhorar o planejamento
de recursos e identificar precocemente pacientes com permanência
prolongada para direcionar ações de melhoria. Além disso, foi utilizado o
modelo de predição proposto para construir uma medida não tendenciosa
para benchmarking de UTIs, que também foi validada no conjunto de dados
estudado. Portanto, esta tese propôs um guia estruturado baseado em dados
para gerar predições para o tempo de permanência em UTI ajustadas ao
contexto em que se deseja avaliar. / [en] The length of stay (LoS) in Intensive Care Units (ICU) is one of the
most used metrics for resource use. This thesis proposes a structured datadriven
methodology to approach three main demands of ICU managers.
First, we propose a model to predict the individual ICU length of stay,
which can be used to plan the number of beds and staff required. Second,
we develop a model to predict the risk of prolonged stay, which helps
identifying prolonged stay patients to drive quality improvement actions.
Finally, we build a case-mix-adjusted efficiency measure (SLOSR) capable
of performing non-biased benchmarking analyses between ICUs. To achieve
these objectives, we divided the thesis into the following specific goals: (i)
to perform a literature review and meta-analysis of factors that predict
patient s LoS in ICUs; (ii) to propose a data-driven methodology to predict
the numeric ICU LoS and the risk of prolonged stay; and (iii) to apply this
methodology in the context of a big set of ICUs from mixed-type hospitals.
The literature review results presented the main risk factors that should
be considered in future prediction models. Regarding the predictive model,
we applied and validated our proposed methodology to a dataset of 109
ICUs from 38 different Brazilian hospitals. The included dataset contained
a total of 99,492 independent admissions from January 01 to December
31, 2019. The predictive models to numeric ICU LoS and to the risk of
prolonged stay built using our data-driven methodology presented accurate
results compared to the literature. The proposed models have the potential
to improve the planning of resources and early identifying prolonged stay
patients to drive quality improvement actions. Moreover, we used our
prediction model to build a non-biased measure for ICU benchmarking,
which was also validated in our dataset. Therefore, this thesis proposed a
structured data-driven guide to generating predictions to ICU LoS adjusted
to the specific environment analyzed.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:53451 |
| Date | 28 June 2021 |
| Creators | IGOR TONA PERES |
| Contributors | FERNANDO LUIZ CYRINO OLIVEIRA, FERNANDO LUIZ CYRINO OLIVEIRA, FERNANDO LUIZ CYRINO OLIVEIRA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0038 seconds