.png){kind=logo}
As readmissões são caras para os hospitais. A IA identifica quem tem maior probabilidade de ser readmitido para tomar medidas preventivas.
As readmissões hospitalares, definidas como um paciente sendo readmitido na mesma ou em outra unidade de tratamento intensivo dentro de 30 dias após a internação inicial, representam um problema significativo no sistema de saúde dos EUA. Anualmente, há 4,2 milhões de readmissões hospitalares de adultos, e um em cada seis beneficiários do Medicare é readmitido dentro de 30 dias após a alta (1) (2). Para idosos com deficiências funcionais, o risco de readmissão é 40% maior do que para aqueles sem deficiências (3). O impacto financeiro é substancial, com o custo médio de uma readmissão sendo de $14.500 e as readmissões hospitalares custando ao Medicare $26 bilhões anualmente (4). Em 2019, 83% dos hospitais gerais do HRRP foram penalizados pelo CMS, totalizando $564 milhões em penalidades por taxas excessivas de readmissão em 30 dias (5). Abordar as condições que contribuem para as readmissões e fatores como o apoio inadequado do cuidador e os determinantes sociais da saúde pode reduzir significativamente as taxas de readmissão, com programas bem-sucedidos alcançando reduções de até 34% (6) (7).
“ReadmitPredict AI” é um modelo preditivo de IA projetado para estimar a probabilidade de readmissões hospitalares em 30 dias. Ele analisa uma ampla gama de parâmetros de saúde e detalhes de hospitalização para identificar pacientes com alto risco de readmissão, facilitando intervenções precoces e possíveis economias de custos.
O conjunto de dados sintéticos, criado para refletir cenários reais de pacientes, é baseado em pesquisas sobre readmissões hospitalares. Os estudos de Bailey et al. (1), o Fórum Nacional de Qualidade do Departamento de Saúde e Serviços Humanos (2), Greysen et al. (3) e o material RevCycleIntelligence (4) fornecem uma compreensão dos padrões e causas das readmissões. A pesquisa de Rau (5) e os resultados de Hines et al. (6) sobre os custos e condições das readmissões, juntamente com os estudos sobre a participação do paciente nos processos de alta de Kemp et al. (7), são usados para moldar os parâmetros do modelo.
As readmissões hospitalares, definidas como um paciente sendo readmitido na mesma ou em outra unidade de tratamento intensivo dentro de 30 dias após a internação inicial, representam um problema significativo no sistema de saúde dos EUA. Anualmente, há 4,2 milhões de readmissões hospitalares de adultos, e um em cada seis beneficiários do Medicare é readmitido dentro de 30 dias após a alta (1) (2). Para idosos com deficiências funcionais, o risco de readmissão é 40% maior do que para aqueles sem deficiências (3). O impacto financeiro é substancial, com o custo médio de uma readmissão sendo de $14.500 e as readmissões hospitalares custando ao Medicare $26 bilhões anualmente (4). Em 2019, 83% dos hospitais gerais do HRRP foram penalizados pelo CMS, totalizando $564 milhões em penalidades por taxas excessivas de readmissão em 30 dias (5). Abordar as condições que contribuem para as readmissões e fatores como o apoio inadequado do cuidador e os determinantes sociais da saúde pode reduzir significativamente as taxas de readmissão, com programas bem-sucedidos alcançando reduções de até 34% (6) (7).
“ReadmitPredict AI” é um modelo preditivo de IA projetado para estimar a probabilidade de readmissões hospitalares em 30 dias. Ele analisa uma ampla gama de parâmetros de saúde e detalhes de hospitalização para identificar pacientes com alto risco de readmissão, facilitando intervenções precoces e possíveis economias de custos.
O conjunto de dados sintéticos, criado para refletir cenários reais de pacientes, é baseado em pesquisas sobre readmissões hospitalares. Os estudos de Bailey et al. (1), o Fórum Nacional de Qualidade do Departamento de Saúde e Serviços Humanos (2), Greysen et al. (3) e o material RevCycleIntelligence (4) fornecem uma compreensão dos padrões e causas das readmissões. A pesquisa de Rau (5) e os resultados de Hines et al. (6) sobre os custos e condições das readmissões, juntamente com os estudos sobre a participação do paciente nos processos de alta de Kemp et al. (7), são usados para moldar os parâmetros do modelo.
