Arrow
use cases

Prevendo a duração da internação hospitalar: IA para planejamento de saúde

Use dados de ingestão de pacientes para prever o tempo de permanência na hospitalização.

Problem

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).

Why it matters

  • Mais de 415 bilhões de dólares são atribuídos a internações hospitalares anualmente.
  • Mais de 35,7 milhões de internações hospitalares ocorrem anualmente nos EUA.
  • $11.700 é o custo médio de uma internação nos EUA
  • O tempo médio de permanência (LOS) é de 4,6 dias.
  • O aumento de 7 vezes no custo é atribuído à LOS prolongada em pacientes idosos na UTI em comparação com aqueles que não têm LOS estendida.
  • Pacientes idosos internados em UTI com LOS prolongada enfrentam uma maior incidência de eventos adversos e maiores taxas de mortalidade.

Solution

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.

Discover more and interact with our AI!

Datasources

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.

Citations

  1. Freeman, William e outros. “Resumo estatístico 4246: Visão geral das internações hospitalares nos EUA em 2016: variação por região geográfica” Agência de Pesquisa e Qualidade em Saúde: Projeto de Custo e Utilização da Saúde, dezembro de 2018, https. //www.hcup-
  2. Bashkin, Osnat e outros. “Fatores organizacionais que afetam o tempo de permanência no pronto-socorro: estudo observacional inicial” Israel Journal of Health Policy Research, vol. 4, nº 38, 15 de outubro de 2015, DOI: https://doi.org/10.1186/s13584-015-0035-6. Acessado em 29 de junho de 2021.
  3. Abd-Elrazek, Merhan A., et al. “Prevendo o tempo de permanência na unidade de terapia intensiva de hospitais usando recursos gerais de admissão” Ain Shams Engineering Journal, 20 de abril de 2021, DOI: https://doi.org/10.1016/j.ase]/021.02.018. Acessado em 29 de junho de 2021.

Agende uma consulta gratuita

Com a confiança das principais instituições de saúde do mundo