Use dados de ingestão de pacientes para prever o tempo de permanência na hospitalização.
Anualmente, os hospitais dos EUA respondem por mais de 35,7 milhões de estadias, custando mais de 415 bilhões de dólares (1). Com uma estadia média de 4,6 dias, há uma oportunidade significativa de reduzir os custos de saúde e melhorar os resultados dos pacientes, reduzindo com segurança o tempo de permanência. A hospitalização prolongada aumenta o risco de doenças adquiridas no hospital, sobrecarrega os recursos de saúde e afeta a capacidade do hospital de admitir novos pacientes. Gerenciar e reduzir com eficiência estadias prolongadas desnecessárias é crucial para melhorar a eficiência operacional e o atendimento ao paciente em ambientes de saúde. Atrasos na alta geralmente levam a um LOS prolongado e criam encargos clínicos e operacionais para os provedores. Enquanto os pacientes continuarem ocupando leitos enquanto aguardam a alta, o pessoal clínico deve atendê-los, reduzindo o tempo que podem passar com outros pacientes que possam necessitar de cuidados mais intensivos. Isso leva a uma maior escassez de leitos e atrasa os processos operacionais, como higienização de salas e equipamentos médicos antes do uso posterior.
Além disso, o LOS estendido pode aumentar o risco de HACs em pacientes mais vulneráveis e também pode resultar em um “bloqueio de acesso” — uma situação na qual os pacientes que precisam de internação são forçados a esperar por mais de oito horas no pronto-socorro devido à falta de leitos de internação disponíveis (2). O bloqueio de acesso ocorre em aproximadamente 8% dos pacientes e perpetua a extensão da LOS; está associado a quase um dia de aumento da LOS, em média. O impacto da LOS prolongada nos resultados de saúde é especialmente pronunciado no ambiente da UTI e está associado à maior incidência de eventos adversos em pacientes vulneráveis, como idosos. Pacientes idosos na UTI geralmente necessitam de um tratamento mais intensivo em recursos, e cerca de 55% que sofrem de um LOS prolongado morrem dentro de seis meses após a alta (3). Esses pacientes também incorrem em aproximadamente sete vezes o custo de pacientes que não apresentam um LOS prolongado (3).
Um modelo preditivo usando dados sintéticos, “StayOptim AI”, foi desenvolvido para avaliar o LOS dos pacientes com base em uma infinidade de dados clínicos e demográficos. Isso prevê o LOS com mais precisão, melhorando a capacidade das unidades de saúde de otimizar a coordenação do cuidado e melhorar o gerenciamento de recursos.
O conjunto de dados sintéticos que simula as admissões de pacientes foi construído usando insights de estudos médicos e análises de saúde. Recursos como o relatório estatístico de Freeman et al. (1) fornecem uma visão geral das variações na permanência hospitalar, enquanto Bashkin et al. (2) examinam os fatores organizacionais que afetam a LOS e Abd-Elrazek et al. (3) contribuem com previsões com base nas características gerais de admissão. Isso permitiu a seleção de variáveis do modelo e garantiu recursos de previsão realistas.