AO-5476 VERSÃO ORIGINAL EM PORTUGUÊS_PREPRINT_JULIANA

Tempo de permanência em unidade de terapia intensiva pediátrica: modelo de

predição

Length of stay in pediatric intensive care unit: prediction model

Título curto: Tempo de permanência em unidade de terapia intensiva pediátrica:

modelo de predição

Simone Brandi1, Eduardo Juan Troster2, Mariana Lucas da Rocha Cunha2

1 Hospital Israelita Albert Einstein, São Paulo, SP, Brasil.

2 Faculdade Israelita de Ciências da Saúde Albert Einstein, Hospital Israelita Albert

Einstein, São Paulo, SP, Brasil.

DOI: 10.31744/einstein_journal/xxxxAO5476

Como citar este artigo:

Brandi S, Troster EJ, Cunha ML. Tempo de permanência em unidade de terapia

intensiva pediátrica: modelo de predição. einstein (São Paulo). xxxx;xx:eAO5476.

http://dx.doi.org/10.31744/einstein_journal/xxxxAO5476

Autor correspondente:

Mariana Lucas da Rocha Cunha

Rua Dom Armando Lombardi, 777, apto. 62 Av Professor Francisco Morato, 4293–-

Vila ProgrediorVila Sônia

CEP: 05616-01105521-200 –- São Paulo, SP, Brasil

Tel.: (11) 3721-296921516915

E-mail: mariana.cunha@einstein.br

Data de submissão:

1/11/2019

Data de aceite:

**/**/****14/3/2020

Conflitos de interesse:

não há.

RESUMO

Objetivo: Propor um modelo de predição de risco de permanência das crianças

na Unidade unidade de Terapia terapia Intensiva intensiva Pediátricapediátrica,

considerando-se as características demográficas e clínicas na admissão. Métodos:

Coorte retrospectiva realizada a partir da análise de 1.815 admissões na terapia

intensiva pediátrica, em um hospital privado e geral, do município de São Paulo

(SP). Foram utilizados procedimentos de validação interna e obtenção da área sob a

curva Característica de Operação do Receptor ROC na construção do modelo

preditor. Resultados: A mediana do tempo de permanência foi de 2 dias. O modelo

preditor produziu um escore que permitiu a segmentação do tempo de permanência

de 1 a 2 dias, de 3 a 4 dias e maior que 4 dias. A acurácia do modelo de 3 a 4 dias

foi de 0,71 e do modelo maior que 4 dias de 0,69. As acurácias encontradas para 3 a

4 dias e maior que 4 dias de permanência, mostrou mostraram uma possibilidade de

acerto, considerada modesta, de 65% e 66%, respectivamente. Conclusão: A partir

dos resultados encontrados, é possível verificar que a baixa acurácia encontrada no

modelo preditor não permite que ele seja exclusivamente adotado para a tomada de

decisão ou planejamento para a alta. Modelos de predição de risco do tempo de

permanência que consideram variáveis do paciente obtidas somente durante a

admissão teêm limitações intrínsecas, já que não consideram outras características

presentes durante a internação, tais como possíveis complicações e eventos

adversos, e, podem impactar negativamente na acurácia do modelo proposto.

Descritores: Tempo de permanência; Cuidados críticos; Pediatria; Modelos

logísticos; Previsões; Gestão em saúde; Leitos/provisão e distribuição; Unidades de

terapia intensiva pediátrica

ABSTRACT

Objective: To propose a predictive model for the risk of long hospital stay among

children admitted to a pediatric intensive care unit based on demographic and clinical

characteristics upon admission. Methods: This was a retrospective cohort study

conducted at a private and general hospital located in the municipality of Sao Paulo,

Brazil. We used internal validation procedures and obtained an area under Receiver

Operating Characteristic curve for the construction of the predictive model. Results:

The mean hospital stay was 2 days. Predictive model resulted in a score that

enabled the segmentation of hospital stay from 1 to 2 days, 3 to 4 days, and more

than 4 days. The accuracy model from 3 to 4 days was 0.71 and model greater than

4 days was 0.69. The accuracy found for 3 to 4 days (65%) and greater than 4 days

(66%) of hospital stay showed a chance of correctness, which was considering

modest. Conclusion: Our results showed that low accuracy found in the predictive

model did not enable the model to be exclusively adopted for decision-making or

discharge planning. Predictive models of long hospital stay risk that consider

variables of patients obtained only upon admission are limit, because they do not

consider other characteristics present during hospitalization such as possible

complications and adverse events, features that could impact negatively the

accuracy of the proposed model.

Objective: To propose a predictive model for the risk of long hospital stay among

children admitted to a pediatric intensive care unit, by considering demographic and

clinical characteristics upon admission. Methods: This was a retrospective cohort

study conducted in a private and general hospital located in the municipality of Sao

Paulo, Brazil. We used internal validation procedures and obtained an area under

Receiver Operating CharacteristicROC curve for the construction of the predictive

model. Results: The mean hospital stay was 2 days. Predictive model produced a

score that enabled the segmentation of hospital stay from 1 to 2 days, from 3 to 4

days, and more than 4 days. The accuracy model from 3 to 4 days was 0.71 and

model greater than 4 days was 0.69. The accuracy found for 3 to 4 days and greater

than 4 days of hospital stay showed a chance of correctness, which was considering

modest, from 65% and 66%, respectively. Conclusion: Our results showed that low

accuracy found in the predictive model did not enable the model to be exclusively

adopted for decision-making or discharge planning. Predictive models of long

hospital stay risk that consider variables of patients obtained only during admission

have intrinsic limits, which do not already consider other characteristics present

during the hospitalization, such as possible complications and adverse events, and,

could impact negatively the proposed model accuracy.

Keywords: Residence time; Critical care; Pediatrics; Logistic models; Forecasting;

Heath management; Beds/ /supply & distribution; Intensive care units, pediatric

INTRODUÇÃO

Os avanços no conhecimento e na tecnologia na ciência da saúde trouxeram

melhora da sobrevivência e do prognóstico da criança gravemente doente nas

unidades de terapia intensiva (UTI) pediátrica s(UTIP), assim como das crianças em

com condições crônicas, que requerem cuidados intensivos. O cuidado em UTIP UTI

pediátrica pode melhorar os índices de sobrevivência da criança gravemente

enferma, mas, necessita de equipamentos caros, equipe especializada e treinada, .

devido a istoAssim, consome grande parte dos recursos dos hospitais, sendo

importantes a efetividade e a eficiência do uso do leito de terapia intensiva, visto que

se constitui em recurso quantitativamente limitado.(1-3)

Define-se tempo de permanência (TP) como o período entre a data e a hora da

admissão na UTI e a data e a hora da alta da UTI.(4) A eficiência e a qualidade do

cuidado crítico estão associados associadas ao TP, e o seu controle é importante

para a promoção da segurança e da satisfação do paciente, além de fomentar a

viabilidade financeira dos hospitais. O TP é uma medida indireta da utilização de

recursos e do desempenho financeiro e assistencial na UTI.(3-5)

Apesar do TP estatisticamente observado nas UTIP UTI pediátricas inglesas, por

exemplo, seja ser menor que 3 dias, os dados brasileiros da Ageência Nacional de

Saúde Suplementar (ANSS) mostram que o TP médio de permanência em UTI no

contexto brasileiro é de 7,4 a 9,9 dias.(6,7)

Políticas de alta hospitalar ou diferentes tipos de prática e administração dos leitos

podem afetar o TP, caso este não seja gerenciado de modo efetivo, e,

consequentemente, pode influenciar negativamente no estado de saúde do paciente

(nos casos de atraso na liberação dos leitos, por exemplo), ou aumentar o risco de

infecções e complicações com o prolongamento do TP na UTIPUTI pediátrica. Outra

possível decorrência é a indisponibilidade de leitos, que pode resultar em

cancelamento de procedimentos cirúrgicos eletivos, levando a períodos de espera

desnecessários e e a desperdício de leitos na enfermaria.(4,8,9)

Há esforços, por parte de pesquisadores e gestores, no ambiente do cuidado

intensivo, na tentativapara tentar de predizer o TP dos pacientes com a proposição

de modelos matemáticos de regressão e algoritmos, que são desenvolvidos

pautados por informações fisiológicas, diagnósticas e demográficas. O intuito destes

desses modelos é a predição do risco de permanência do paciente, considerando

estas especificidades.(8)

Neste Nesse sentido, a proposta de predição do risco de permanência é a de auxiliar

o profissional responsável pelo gerenciamento diário dos leitos ou de casos clínicos

e, possivelmente, estabelecer ações na prática clínica para redução do TP, com

benefícios para segurança do paciente e qualidade assistencial. A previsão da

permanência pode ser útil para avaliar a utilização do leito, e estimar a necessidade

de recursos disponíveis e o número de leitos requeridos.(8)

Modelos que possam predizer o TP em UTI ainda são limitados na literatura, apesar

das indicações de sua importância. Assim, empenho em pesquisas na elaboração e

na testagem de modelos de predição de risco de TP, com a utilização de variáveis

clínicas do paciente e características na admissão, podem possibilitar permitir a

elaboração de uma ferramenta para estimar este esse tempo e melhorar, tanto a

alocação de recursos, como o planejamento estratégico, a longo prazo, das

instituições de saúde.

OBJETIVO

Propor um modelo de predição de risco de permanência das crianças na Unidade

unidade de Terapia terapia Intensiva intensiva Pediátricapediátrica, considerando-se

as características demográficas e clínicas na admissão.

MÉTODOS

Tipo do estudo

Trata-se de estudo de coorte retrospectiva de 1.815 admissões consecutivas na

UTIPUTI pediátrica, referente a um período de 30 meses, cujos dados foram

coletados no período de julho de 2012 a Dezembro dezembro de 2014. A referida

unidade possui 15 leitos, e estaá locada no Hospital Israelita Albert Einstein, uma

instituição privada, na da cidade de São Paulo.

Coleta de dados

Os dados foram extraídos do banco de dados assistencial da UTIPUTI pediátrica, no

qual são incluídas diariamente, as informações de todos os pacientes, no que tange

aàs características demográficas, e às condições clínicas e de internação dos

pacientes.

As variáveis independentes do estudo identificadas no momento da admissão foram:

idade, sexo, indicação de admissão (eletiva, urgência ou emergência), tipo de

internação, desfecho (transferência, alta hospitalar, alta com homecare ou óbito),

uso de ventilação mecânica, origem (pediatria, unidade de pronto atendimento –

(UPA –), centro cirúrgico, ambulatório de especialidades pediátricas, transplante de

medula óssea ou externo), readmissão em 48 horas, motivo de admissão

(insuficiência respiratória, sepse, choque, pós-operatórios, insuficiência hepática,

neurológico, monitorização hemodinâmica, monitorização pós pós-evento, outros),

Escore escore de disfunção orgânica Paediatric Logistic Organ Dysfunction (PELOD

(Paediatric Logistic Organ Dysfunction), e presença de acesso venoso.

Critérios de seleção

Foram incluídos pacientes com datas diferentes de admissão e alta. Foram

excluídos recém-nascidos abaixo de 36 semanas gestacionais.

Aspectos éticos

O estudo foi aprovado pelo Comitê de Ética da instituição do estudo, em 2015, sob o

CAAE: 39646314.0.0000.0071, parecer n. 1.299.819 e atendeu a resolução n.º

466/2012 do Conselho Nacional de Saúde.

Análise e tratamento dos dados

A mediana do TP foi de 2 dias, portanto, optou-seoptando-se por analisar o risco

de permanência considerando-se os seguintes intervalos, a saber: 1 a 2 dias, 3

ou 4 dias (ER 3-4) e maior que 4 dias (ER>4).

Para a criação e validação de modelos de predição de risco de permanência de

ER3-4 dias e ER>4 dias, o banco de dados foi dividido em duas partes (2:1), sendo

a maior porção utilizada para o ajuste do modelo e a menor, para a validação interna

do modelo preditor obtido.

Para a obtenção dos modelos preditores, foram ajustadas equações de estimação

generalizadas, com distribuição binomial, função de ligação logística e estrutura de

correlação auto autorregressiva, contendo ainda a identificação do paciente para

controle da dependência entre as diversas medidas de um mesmo indivíduo.

A validação interna foi conduzida por meio de obtenção da curva Característica de

Operação do Receptor (COR) Receiver Operating Characteristic (ROC) e sua área

sob a curva estimada para os dados ajustados e para a amostra da validação, com o

intuito de avaliar a discriminação dos modelos obtidos.

RESULTADOS

A maioria dos pacientes admitidos possuemía a mediana de idade de 19 meses,

tendo como principal indicação de admissão condição de urgência e emergência

(83,7%). As crianças eram predominantemente oriundas da UPA (62,0%), por

insuficiência respiratória (38,9%). As readmissões representam 0,7% dos pacientes

da amostra.

Optou-se por utilizar a mediana de 2 dias, com 1º primeiro quartil de um 1 dia e 3º

terceiro quartil de quatro dias, uma vez que a distribuição dos dados de TP foi não

simétrica (figura Figura 1). Sendo aAssim, foi foram designados 3 três segmentos

para a construção do modelo de predição de risco, a saber: 1 ou 2 dias, 3 ou 4

dias e maior que 4 dias.

Figura 1. Distribuição de frequência do tempo de permanência das 1.815

admissões.

- São Paulo, Brasil, 2019

Para construção do modelo de predição de risco do TP de três 3 a quatro 4 dias na

UTIPUTI pediátrica, as variáveis significativas foram: idade em meses, gênerosexo,

origem, motivo de internação, Escore escore PELOD e o seu quadrado, indicação de

admissão e a interação entre a indicação de admissão e a idade (em meses). A

fórmula para o cálculo do risco do TP de três 3 a quatro 4 dias na UTIP UTI

pediátrica é apresentada na figura 2.

Figura 2. Fórmula para o cálculo do risco do tempo de permanência de três 3 a

quatro 4 dias na unidade de terapia intensiva pediátrica.

ER3-4= -1,86 + 0,003xA + 0,34xB - 0,82xC - 0,47xD - 0,33xE + 0,85xF - 0,07xG - 0,48xH -

0,27xI - 0,3 J + 1,79xL + 1,63xM + 0,06xN - 0,31xO - 1,84xP - 0,003xQ + 0,51xR - 0,07xR2

+ 1,15xS - 0,01xSxA

LegendaA = Idade em meses G = Transplante de Medula Óssea N = Pós operatório pequeno porte B = Masculino H = Monitorização Hemodinâmica O = SepseC = Ambulatório I = Monitorização pós evento P = TraumaD = Centro Cirúrgico J = Neurológico Q = OutroE = Externo L = Pós operatório grande porte R = Escore PELODF = Pediatria M = Pós operatório médio porte S = Admissão Urgência/Emergência

Com os valores preditos por este esse modelo, foi construída a curva ROC COR

(figura Figura 3), e a área sob a curva foi de 0,71. Os valores preditos na curva

CORROC, no momento da admissão, que se apresentaremapresentassem-se

maiores que o ponto de corte (-0,855), indicarão indicariam que existiahá risco de TP

entre três 3 e quatro 4 dias. Ao passo que, vValores preditos menores que o ponto

de corte (-0,855), estimarão estimariam risco entre 1 a 2 dias.

Ponto de corte ótimo indicado junto ao valor do ponto de corte (Sensibilidade,

Especificidade). n=912ASC: área sob a curva.

Figura 3. Curva Característica de Operação do Receptor ROC para o risco de

permanência 3 a 4 dias obtida pelo modelo logístico múltiplo. O ponto de corte ótimo

foi indicado junto ao valor do ponto de corte (sensibilidade e especificidade), com

n=912.

AUC: área sob a curva. Ponto de corte ótimo indicado junto ao valor do ponto de

corte (Sensibilidade, Especificidade). n=912

Da mesma forma, no cálculo para o modelo de predição de risco de permanência

maior que 4 dias, as variáveis significativas foram: idade (em meses), idade ao

quadrado (em meses), motivo de admissão, escore PELOD e o seu quadrado, e uso

de acesso venoso. O mesmo modelo foi ajustado aos dados, excluindo-se valores

discrepantes, com TP superior a 50 dias e superior a 30 dias, e notou-se que o

sentido dos efeitos não se alterou, nem as conclusões sobre a significância de cada

uma das variáveis incluída no modelo, evidenciando-se que o modelo de predição

de risco não sofreu influência considerável de tais valores discrepantes. A fórmula

para o cálculo do risco do TP maior que quatro 4 dias na UTIP UTI pediátrica é

apresentada na figura 4. A área sob a curva ROC COR foi de 0,69, com ponto de

corte para o escore de risco estimado de -1,221 (Figura 5).

Figura 4. Fórmula para o cálculo do risco do tempo de permanência maior que

quatro 4 dias na unidade de terapia intensiva pediátrica.

ER>4= 1,2 - 0,01xA + 0,0001xA2 - 0,71xB - 1,08xC - 0,35xD -0,34xE -0,03xF - 1,46xG +

0,03xH - 1,57xI + 0,68xJ + 0,29xL - 0,01xL2 + 0,51xM

LegendaA = Idade em meses G= Pós operatório pequeno porte B = Monitorização Hemodinâmica H = Sepse C = Monitorização pós evento I = Trauma D = Neurológico J = Outro E = Pós operatório grande porte L = Escore PELOD F = Pós operatório médio porte M = Acesso Venoso

ASC: área sob a curva.

Figura 5. Curva Característica de Operação do ReceptorROC para risco

permanência maior que 4 dias obtida pelo modelo logístico múltiplo. AUC: área sob

a curva. PO ponto de corte ótimo foi indicado junto ao valor do ponto de corte

(Sensibilidadesensibilidade, e Especificidadeespecificidade). ), com n=1.197.

Finalmente, para obtenção do escore preditivo, foi necessário, primeiramente,

utilizar o modelo de predição de risco para TP maior que 4 dias. Isto, inicialmente,

definiu se a permanência seria menor ou maior que 4 dias. Caso o valor do escore

fosse menor que -1,221 deveria ser aplicado o modelo de predição de 3 a 4 dias,

enquanto que, se o valor do escore fosse menor que -0,855, a permanência

estimada seria de 1 a 2 dias. Finalmente, se o valor fosse maior do que -0,855, o TP

seria de 3 a 4 dias.

DISCUSSÃO

Os pacientes graves que há duas décadas morreriam, atualmente, são expostos às

internações prolongadas, mortalidade tardia e graus variados de incapacidade, a fim

de se tentar evitar o desfecho de óbito. Avanços na tecnologia e a expectativa da

família ou da equipe assistencial correspondem a estas essas mudanças.

PortantoAssim, a identificação precoce do risco de permanência dos pacientes

ajudaria a equipe de saúde e as famílias a entenderem as implicações da doença e

do TP prolongado. Os potenciais resultados permitiriam ainda, o planejamento dos

cuidados, visando, sempre que possível, aà desospitalização do paciente.(1,2)

Os modelos de predição de risco são utilizados para prever o risco de um evento

específico, – neste caso, a chance de permanência 1 a 2 dias, 3 a 4 dias e maior

que 4 dias. Neste Nesse sentido, somente serão úteis se trouxerem resultados que

auxiliem o planejamento adequado da desospitalização; evitarem atrasos nas

admissões de pacientes que requerem cuidado intensivo; e favorecerem a gestão

adequada de recursos humanos e físicos.(3)

A desospitalização em tempo adequado, sem riscos para o paciente, também deve

ser uma preocupação do gestor, com o intuito de evitar alta precoce e readmissão.

Uma pesquisa que avaliou a readmissão em UTIP UTI pediátrica detectou que 62%

dos pacientes foram readmitidos devido à piora da condição primária. A predição do

TP pode otimizar a sustentabilidade dos recursos, mas não deve promover

condições iatrogênicas no cuidado ao paciente.(10)

No presente estudo, os modelos de predição de risco para o período de 3 a 4

dias e maior que 4 dias de permanência, apresentaram uma discriminação de

0,71 e 0,69, respectivamente. As acurácias encontradas para 3 a 4 dias e maior

que 4 dias de permanência, mostrou mostraram uma possibilidade de acerto,

considerada modesta, de 65% e 66%, respectivamente. Neste caso, para a adoção

do modelo no caso de indivíduos impactados por questões clínicas, seria necessária

uma acurácia excepcional acima de 0.,90 e, provavelmente, o julgamento clínico da

equipe assistencial poderia ser mais preciso que o risco calculado por este modelo.

Foi possível identificar que somente a utilização de dados clínicos e, provavelmente,

de algumas das características do paciente na admissão, limitou a predição do TP

dos pacientes admitidos na UTIPUTI pediátrica, com melhor discriminação e

acurácia. Um estudo que avaliou a implantação de um projeto para participação dos

enfermeiros nas visitas clínicas à beira do leito em UTIP, pediátrica identificou

diminuição do TP de 2,5 dias, antes das visitas, para 2,10 dias, durante o projeto.

Além disto, as pontuações nas pesquisas de satisfação de pacientes internados

aumentaram de 82,4 para 92,2%.(11) Os resultados deste referido estudo reforçam a

importância de se considerar outros fatores para a avaliação do TP.

Estudos revelaram que hHá outros fatores que influenciam no TP do paciente

admitido em uma UTIPUTI pediátrica, como as complicações decorrentes das

condições clínicas, como pneumotórax, falência renal, bloqueio neuromuscular e

infusões vasoativas, e, também as taxas de infecção associada à corrente

sanguínea, que exigem métodos sofisticados de suporte à vida, e aumentam o TP e

os custos nas UTIPUTI pediátricas.(3,12)

Estudo que avaliou os indicadores de qualidade assistencial em uma UTI pediátricaP

de 7 sete leitos, na região Região nordeste Nordeste do país, apontou para um TP

médio de permanência de 15,52 ± 0,94 dias e concluiu que esta média teria relação

com o perfil de pacientes com diagnóstico de TCE internados na região. Além

distoAinda, o TP foi menor quando o tempo de ventilação mecânica necessário

também tinha sidofora menor.(13)

Modelos de predição de risco que auxiliem no conhecimento prévio do TP são

ferramentas importantes, dada a possibilidade de comparação com o desfecho real

de tempo e por permitirem a avaliação indireta da qualidade do cuidado. , Além além

da previsão de permanência apoiar a tomada de decisão no gerenciamento do leito.

(8)

Todavia, ao utilizarmos o TP como indicador de qualidade para avaliação do serviço

e controle satisfatório dos custos hospitalares, há um risco dessa abordagem

conduzir aà prática de alta insegura, que é inapropriada e precoce. O objetivo da

previsão acurada da alta, ou seja, de predizer o tempo de permanênciaTP, não é

acrescentar condições inseguras ao processo do cuidado do paciente, mas

encorajar a implantação de programas que evitem as complicações associadas à

longa permanência nas UTIPUTI pediátricas.(8,9)

Modelos de predição de risco do TP que consideram variáveis do paciente obtidas

somente durante a admissão teêm limitações intrínsecas, já que não consideram

outras características presentes durante a internação tais como possíveis

complicações e eventos adversos, que mostraram-se associados ao aumento do TP

na UTI.(14) Estudo identificou que somente a utilização de características da

admissão dos pacientes e o uso do perfil fisiológico não são suficientemente

conclusivos para estimar o TP dos pacientes, e, que a inclusão de fatores

terapêuticos pós-admissão sãoé importantes na investigação desta relação, para a

proposição dos modelos multivariáveis.(3)

Há que se considerar, por exemplo, que crianças com condições de saúde crônicas

possuem doenças prévias (de base) com necessidades contínuas de cuidados.

Estudo recente mostra que as condições crônicas presentes nas crianças aumentam

o seu risco de permanência mais do queem relação às outras sem esta essa

condição. Portanto, não ponderar sobre a prevalência e o tipo de condição crônica

dificultará a predição do TP destas dessas crianças.(1,2)

No entanto, ao se considerar incluir as variáveis pós-admissionais, que

possivelmente aumentariam a chance de acerto do modelo de predição, acarretaria

em desvalorizar as vantagens de se ter uma estimativa de TP imediata ao momento

da admissão.

O fator institucional, não avaliado em nosso estudo, é provavelmente causa da

variabilidade no TP e limita a acurácia dos modelos de predição. Entre os fatores

institucionais que podem ser citados, destacam-se os protocolos clínicos, as práticas

de manejo de final de vida, assim como e, a filosofia assistencial adotada, e os

eventos ou intercorrências clínicas que ocorrem durante a internação e que

influenciam podem influenciar significativamente na performanceno desempenho

dos modelos estatísticos. Quando estes fatores não são incluidos no cálculo de

estimativas de tempo de permanência, os modelos de predição não são capazes de

considerar as Ademais, não são capazes de refletir as mudanças na prática

intensiva e na utilização dos recursos terapêuticos, que ocorrem durante a

internação.

CONCLUSÃO

Este estudo possibilitou a construção de um modelo de predição de risco de tempo

de permanência das crianças no momento da admissão na unidade de terapia

intensiva pediátrica, considerando-se as características e os dados clínicos dos

pacientes.

As características demográficas, e as condições clínicas e de internação dos

pacientes na admissão que se apresentaram como melhores preditores do tempo de

permanência de três 3 a quatro 4 dias na unidade de terapia intensiva pediátrica

foram idade (em meses), gênerosexo, origem, motivo de admissão, Escore escore

PELOD e o seu quadrado, indicação de admissão e a interação entre a indicação de

admissão e a idade (em meses). Considerando-se o modelo preditor para mais de

quatro 4 dias na unidade de terapia intensiva pediátrica, foram significativas as

variáveis: idade (em meses), idade ao quadrado (em meses), motivo de admissão,

Escore escore PELOD e o seu quadrado, e uso de acesso venoso.

Apesar da baixa acurácia encontrada, que, de certa forma, limita o apoio à tomada

de decisão da equipe assistencial para a gestão dos recursos e planejamento da alta

do paciente, evidencia-se que o estudo avançou no conhecimento referente aos

fatores admissionais do paciente, que interferem no tempo de permanência na

unidade de terapia intensiva pediátrica e colabora com a literatura sobre o tema.

INFORMAÇÃO DOS AUTORES

Brandi S: http://orcid.org/0000-0002-5564-4861

Troster EJ: http://orcid.org/0000-0002-9164-9280

Cunha ML: http://orcid.org/0000-0002-0768-7971

REFERÊNCIAS

1. O’Brien S, Nadel S, Almosssawi O, Inwald DP. The impact of chronic health

conditions on lengtht of stay and mortality in general PICU. Pediatr Crit Care Med.

2017;18(1):1-7.

[2.] Geoghegan S MA, Oulton K, Bull C, Brierley J, Peters M, Wray J. The challenges

of caring for long-stay patients in the PICU. Pediatr Crit Care Med. 2016;17(6):266-

71.

[3.] Pollack MM, Holubkov R, Reeder R, Dean JM, Meert KL, Berg RA, et al. PICU

length of stay: factors associated with bed utilization and development of a

benchmarking model. Pediatr Crit Care Med. 2018;19(3):196-203.

[4.] Verburg IW, de Keizer NF, de Jonge E, Peek N. Comparison of regression

methods for modeling intensive care length of stay. PLoS One. 2014;9(10):e109684.

[5.] Hsu BS, Lakhani SA, Brazelton TB. Relationship between severity of illness and

length of stay on costs incurred during a pediatric critical care hospitalization. S D

Med. 2015;68(8):339-44.

6. PICANet: a decade of data: Paediatric Intensive Care Audit Network. Leeds

(UK): Universities of Leeds and Leicester; 20184.[Internet]. UK: PICANet, 2018

[citado 2020 Jul 27]. Disponível em:

https://www.picanet.org.uk/wp-content/uploads/sites/25/2018/12/PICANet_2018_Annual_Re

port_Tables_and_Figures_v3.0-compressed.pdf

7. Brasil. Ministério da Saúde. Agência Nacional de Saúde Suplementar. Média

de permanência UTI pediátrica [Internet]. Rio de Janeiro: ANS; 2013 [citado 2020

Mar 10]. Disponível em: http://www.ans.gov.br/images/stories/prestadores/E-EFI-

08.pdf

8. Levin SR, Harley ET, Fackler JC, Lehmann CU, Custer JW, France D, et al.

Real-time forecasting of pediatric intensive care unit length of stay using

computerized provider orders. Crit Care Med. 2012;40(11):3058-64.

9. Straney L, Clements A, Alexander J, Slater A; ANZICS Paediatric Study

Group. A two-compartment mixed-effects gamma regression model for quantifying

between-unit variability in length of stay among children admitted to intensive care.

Health Serv Res. 2012;47(6):2190-203.

10. Khan MR , Maheshwari PK, Iram S, Haque A, Kayaalp C. Readmission to

paediatric intensive care unit: frequency, causes and outcome. J Coll Physicians

Surg Pak. 2014;24(3):216-7.

11. Jiménez RA, Swartz M, McCorkle R. Improving Quality Through Nursing

Participation at Bedside Rounds in a Pediatric Acute Care Unit: A Pilot Project.

Journal of Pediatric Nursing. 2018;43:45–-55.

12. Esteban E, Ferrer R, Urrea M, Suarez D, Rozas L, Balager M, et al. The

impact of a quality improvement intervention to reduce nosocomial infections in a

PICU. Pediatr Crit Care Med. 2013;14(5):525-32.

13. de Oliveira CA, Pinto FC, de Vasconcelos TB, Bastos VP. Analysis of social

indicators in a Pediatric Intensive Care Unit in the city of Fortaleza/CE. Cad Saúde

Colet. 2017;25(1): 99-105.

14. Roque KE, Tonini T, Melo EC. Eventos adversos na unidade de terapia

intensiva: impacto na mortalidade e no tempo de internação em um estudo

prospectivo. Cad Saúde Pública. 2016;32(10):1-15.

AO-5476 VERSÃO ORIGINAL EM PORTUGUÊS_PREPRINT_JULIANA

Length of stay in pediatric intensive care unit: prediction model

Tempo de permanência em unidade de terapia intensiva pediátrica: modelo de

predição

Short title: Length of hospital stay in pediatric intensive care unit

Simone Brandi1, Eduardo Juan Troster2, Mariana Lucas da Rocha Cunha2

1 Hospital Israelita Albert Einstein, São Paulo, SP, Brazil.

2 Faculdade Israelita de Ciências da Saúde Albert Einstein, Hospital Israelita Albert

Einstein, São Paulo, SP, Brazil.

DOI: 10.31744/einstein_journal/xxxxAO5476

How to cite this article:

Brandi S, Troster EJ, Cunha ML. Tempo de permanência em unidade de terapia

intensiva pediátrica: modelo de predição. einstein (São Paulo). xxxx;xx:eAO5476.

http://dx.doi.org/10.31744/einstein_journal/xxxxAO5476

Corresponding author:

Mariana Lucas da Rocha Cunha

Rua Dom Armando Lombardi, 777, apto. 62 – Vila Progredidor Av Prof. Francisco

Morato, 4293- Vila Sônia

Zip Code: 05616-01105521-200 – São Paulo, SP, Brazil

Phone: (11) 3721-296921516915

E-mail: mariana.cunha@einstein.br

Received on:

November 1, 2019

Accepted on:

March 14, 2020

Conflicts of interest: none to report.

RESUMO

Objetivo: Propor um modelo de predição de risco de permanência das crianças na

unidade de terapia intensiva pediátrica, considerando-se as características

demográficas e clínicas na admissão. Métodos: Coorte retrospectiva realizada a

partir da análise de 1.815 admissões na terapia intensiva pediátrica, em um hospital

privado e geral, do município de São Paulo (SP). Foram utilizados procedimentos de

validação interna e obtenção da área sob a curva Característica de Operação do

Receptor na construção do modelo preditor. Resultados: A mediana do tempo de

permanência foi de 2 dias. O modelo preditor produziu um escore que permitiu a

segmentação do tempo de permanência de 1 a 2 dias, de 3 a 4 dias e maior que 4

dias. A acurácia do modelo de 3 a 4 dias foi de 0,71 e do modelo maior que 4 dias

de 0,69. As acurácias encontradas para 3 a 4 dias e maior que 4 dias de

permanência mostraram possibilidade de acerto, considerada modesta, de 65% e

66%, respectivamente. Conclusão: A partir dos resultados encontrados, é possível

verificar que a baixa acurácia encontrada no modelo preditor não permite que ele

seja exclusivamente adotado para a tomada de decisão ou planejamento para a alta.

Modelos de predição de risco do tempo de permanência que consideram variáveis

do paciente obtidas somente durante a admissão têm limitações intrínsecas, já que

não consideram outras características presentes durante a internação, como

possíveis complicações e eventos adversos, e podem impactar negativamente na

acurácia do modelo proposto.

Descritores: Tempo de permanência; Cuidados críticos; Modelos logísticos;

Previsões; Gestão em saúde; Leitos/provisão e distribuição; Unidades de terapia

intensiva pediátrica

ABSTRACT

Objective: To propose a predictive model for the risk of long hospital stay among

children admitted to a pediatric intensive care unit based on demographic and clinical

characteristics upon admission. Methods: This was a retrospective cohort study

conducted at a private and general hospital located in the municipality of Sao Paulo,

Brazil. We used internal validation procedures and obtained an area under Receiver

Operating Characteristic curve for the construction of the predictive model. Results:

The mean hospital stay was 2 days. Predictive model resulted in a score that

enabled the segmentation of hospital stay from 1 to 2 days, 3 to 4 days, and more

than 4 days. The accuracy model from 3 to 4 days was 0.71 and model greater than

4 days was 0.69. The accuracy found for 3 to 4 days (65%) and greater than 4 days

(66%) of hospital stay showed a chance of correctness, which was considering

modest. Conclusion: Our results showed that low accuracy found in the predictive

model did not enable the model to be exclusively adopted for decision-making or

discharge planning. Predictive models of long hospital stay risk that consider

variables of patients obtained only upon admission are limit, because they do not

consider other characteristics present during hospitalization such as possible

complications and adverse events, features that could impact negatively the

accuracy of the proposed model.

Keywords: Residence time; Critical care; Logistic models; Forecasting; Heath

management; Beds/supply & distribution; Intensive care units, pediatric

INTRODUCTION

Advances in knowledge and health science technology have improved survival and

prognosis of seriously ill children at pediatric intensive care unit (PICU), as well as for

children in chronical ill conditions at intensive care units. PICUs can improve survival

rates of seriously ill children, however, this unit requires expensive equipment,

specialized and trained teams. For this reason, PICU requires a large amount of

hospital resources and the efficient management of intensive care therapy bed is

crucial, given that this is a limited resource.(1-3)

We define length of stay (LOS) as the period between date and time of ICU

admission, and date and time of ICU discharge.(4) The efficiency and quality of

critical care are associated with LOS, and its control is important to promote safety

and patient satisfaction, in addition to maintain financial viability of hospitals. The

LOS is an indirect measurement used for resources use and financial performance of

ICU care.(3-5)

Although LOS in PICU in England is statically lower than 3 days, the Brazilian

National Supplementary Health Agency (NSHA) shows that the mean of LOS in the

ICU in Brazil ranges from 7.4 to 9.9 days.(6,7)

Policies for hospital discharge or different types of practice and bed

management can affect the LOS in case that it would not be managed in an effective

manner, and, consequently, influenced negatively the health status of a patient (for

example, in cases of delay to free up beds), or by increasing the risk of infections and

complications due to longer LOS in pediatric ICU. Other possible recurrence is the

non-availability of beds that can result in cancellation of elective surgical procedures,

leading to periods of unnecessary waiting and wasting of ward beds .(4,8,9)

Major efforts have been made by researchers and managers at intensive care

environment in an attempt to predict LOS of patients with mathematical programming

models for regression and algorithms developed based on physiological, diagnostic,

and demographic information. The goal of these models is to predict LOS risk of

patients considering these information.(8)

The prediction LOS proposal is to support responsible professional for daily

management of beds or for clinical cases and, possibility, to establish actions in

clinical practice to reduce LOS to benefit patient safety and care quality. Predictions

of LOS can be useful to evaluate the use of bed, estimate the need of available

resources, and number of beds required.(8)

Models to predict LSH LOS in the ICU are still limited in the published

literature, despite their relevance. Studies and tests for risk model prediction of LSH

LOS based on clinical variable of patients and characteristic on admission can allow

to create a tool to estimate LOS and improve placement of resources and long-term

strategic planning of health institutions.

OBJECTIVE

To propose model to predict hospital LOS risk based on demographic and clinical

features on admission for children at pediatric intensive care unit.

METHODS

Type of study

This was a retrospective cohort study including 1,815 consecutive

admissionadmissions at the pediatric ICU within a period of 30 moths in which data

were collected from July 2012 to December 2014. The unit where the study was

conducted has 15 beds and is located at the Hospital Israelita Albert Einstein, a

private facility in the city of Sao Paulo, Brazil.

Data collection

Data were retrieved from a database of the PICU that is update daily and includes

demographic features, clinical conditions, and hospitalization. Independent variables

of the study identified upon admission were age, sex, indication for admission

(elective, urgency, or emergency), type of admission, outcome (transference, hospital

discharge, discharge with homecare, or death), the use of mechanical ventilation,

origin (pediatric unit, emergency unit, surgical center, pediatric outpatient unit, bone

marrow transplantation or external), readmission within 48 hours, reason for

admission (respiratory failure, sepsis, shock, post-operatory, liver failure, neurology,

hemodynamic monitoring, post-event monitoring, other), Paediatric Logistic Organ

Dysfunction (PELOD) score, and presence of venous access.

Selection criteria

We included patients with different dates on admission and discharge. We excluded

newborns with less than 36 gestational weeks.

Ethical aspects

The study was approved by the Ethical and Research Committee in 2015, CAAE

number 39646314.0.0000.0071, technical report # 1.299.819. This study follows the

resolution 466/20212 of National Health Council.

Data analysis and treatment

LOS mean was 2 days, for analysis of long-stay risk we considered the following

intervals: 1 to 2 days, 3 or 4 days (ER 3-4) and greater than 4 days (ER>4).

To create and validate models for prediction of LOS risk of ER3-4 days and ER>4

days, database were divided into two parts (2:1), and the greater portion was used

for adjusting the model and the lower portion was used to internal validation of

predictive model obtained.

To obtain predictor models, we adjusted equations of generalized estimation

with binomial distribution, logistic function linking and structure of autoregressive

correlation that contained patient’s identification to control dependence of several

measures of the same individual.

Internal validation was conducted by obtaining of curve receiver operating

(CRO) characteristic and its area under estimated curve for adjusted data, and

validation sample with the aim to asses description of obtained models.

RESULTS

Most of admitted patients had mean age of 19 months, and they have as the main

indication of admission urgency and emergency condition (83.7%). Origin of children

were predominantly from the emergency care (62.0%) and by the due respiratory

failure unit (38.9%). Readmission accounted for 0.7% of patients of the sample. We

opted to use the mean of 2 days with first quartile, and third quartile of four days,

once this distribution of data of LOS was not symmetrical (Figure 1). Therefore, we

designated three segments for construction of risk prediction model: 1 or 2 days, 3 or

4 days and greater than 4 days.

Figure 1. Distribution of frequency of length of stay of 1,815 admissions.

To construction risk prediction model of TP LOS from 3 to 4 days in pediatric ICU,

significant variables were: age in months, sex, origin, reason for admission, PELOD

score and their frame, indication for admission and interaction between indication

for admission and age (in months). The formula for calculation of risk of LOS from 3

to 4 days in pediatric ICU is presented on Figure 2.

Figure 2. Formula for calculation of risk of length of stay from 3 to 4 days in the

pediatric intensive care unit.

RS3-4= -1,86 + 0,003xA + 0,34xB - 0,82xC - 0,47xD - 0,33xE + 0,85xF - 0,07xG - 0,48xH -

0,27xI - 0,3 J + 1,79xL + 1,63xM + 0,06xN - 0,31xO - 1,84xP - 0,003xQ + 0,51xR - 0,07xR2

+ 1,15xS - 0,01xSxA

LegendA = Age in months G = Bone Marrow Transplant N = Small post-operative period B = Male H = Hemo-dynamic Monitoring O = SepsisC = Outpatient I = Post-event monitoring P = TraumaD = Surgical Center J = Neurological Q = OtherE = External L = Large postoperative period R = PELOD scoreF = Pediatrics M = Medium-sized postoperative period S =Emergency/Urgency/Admission

Predicted values for this model was constructed the COR curve (Figure 3),

and the area under the curve was 0.71. Predict values in COR curve, upon

admission, that presented greater than cut-off point (-0,855) indicated that risk would

exist of LOS between 3 and 4 days. Lower predict values than the cut-off point (-

0.885) estimated risk between 1 and 2 days.

ASCAUC: area under the curve

Figure 3. Receiver operating characteristic curve for risk of hospitalization from 3 to

4 days obtained by multiple logistic model. The optimal cut-off point was indicated

along with cut-off point (sensibility and specificity), n=912.

Similarly, in predictive for calculation of risk model with a longer stay, more than 4

days, significant variables were age (in months), age-squared (in months), reasons

for hospital admission, PELOD score and their square, and the use of venous

access. The same model was adjusted to data, excluding different values, with LOS

higher than 50 days and 30 days, and the sense of effects that did not change,

neither conclusions about significance of each one of the variables included in the

model, showing that predictive risk model did not suffer considerable influence of

such disrupting values. The form to calculate risk of LOS greater than 4 days in

pediatric ICU is presented in figure 4. The area under the COR curve was 0.69 with

cut-off point for risk score estimated from -1,221 (Figure 5).

RS>4= 1,2 - 0,01xA + 0,0001xA2 - 0,71xB - 1,08xC - 0,35xD -0,34xE -0,03xF - 1,46xG +

0,03xH - 1,57xI + 0,68xJ + 0,29xL - 0,01xL2 + 0,51xM

A = Age in months G = Small post-operative period B = Hemo-dynamic Monitoring H = Sepsis C = Post-event monitoring I = Trauma D = Neurological J = Other E = Large postoperative period L = PELOD score F = Medium-sized postoperative period M = Venous Access

Figure 4. Form to calculate risk of length of stay greater than 4 days in the pediatric

intensive care unit.

ASCAUC: area under the curve.

Figure 5. Receiver operating characteristic curve for stay risk greater than 4 days

obtained by the multiple logistic model. The cut-off point was indicated along with

values of cut-off value (sensibility and specificity), n=1,197.

Finally, to obtain the predictive score, first there was the need to use model of risk

prediction for LOS greater than 4 days. Initially, we defined that stay would be lower

or greater than 4 days. In case of score value they would be lower than -1,221 that

should be applied the prediction model from 3 to 4 days, while, if the value of score

would be lower than -0,855, the estimated stay would be 1 to 2 days. Finally, the

value would be greater than -0,855, and the LOS would be from 3 to 4 days.

DISCUSSION

Severe ills patients who for the two decades would die, currently, are exposed to

longer periods of hospitalization, late death and a varied degrees of disability, in

order to prevent death. Advances in technology, family expectation, or health care

team correspond to these changes. Therefore, the early identification of risk among

hospitalized patient would help health care team and patients’ families to understand

implications of the disease and the longer LOS. Potential results would also allow

care planning, aiming, whenever possible, hospital discharge.(1,2)

Prediction models of risk are used to prevent risk of specific event – in this

case, the chance of hospitalization from 1 to 2 days, 3 to 4 days, and greater than 4

days. In this sense, these models will only be useful if they brought results that help

adequate planning for hospital discharge, avoid delays in hospital admissions that

required intensive care, and favor the adequate management of physical and human

resources.(3)

Hospital discharge on the adequate time, without risk for the patient, would

also be a concern for the manager, with the reason to avoid early hospital discharge

and readmission. A study that evaluated readmission on pediatric ICU reported that

62% of patients were readmitted due to worsening in primary condition. The

prediction of LOS can optimize the sustainability of resources, but such prediction

does not promote iatrogenic conditions in patient care.(10)

In this study, risk prediction models for the period from 3 to 4 days and greater

than 4 days had discrimination from 0.71 and 0.69, respectively. aAccuracy found for

periods from 3 to 4 days and greater than 4 days of hospital stay showed a chance of

correctness that was considered modest, from 65% and 66%, respectively. In this

case, to adopt the model for individuals affected by clinical issues would require an

excellent accuracy, i.e., above 0.09 and, probably, the clinical judgment of care team

would be more precise than the calculated risk for this model.

It was possible to identify that only the use of clinical data and, probably, some

of characteristics of patient upon admission had limited prediction of LOS of patients

admitted to pediatric ICU, showing a better discrimination and accuracy. One study

that evaluated the implantation of project for participation of nurses on bedside

clinical visits on pediatric ICU identified reduced LOS from 2.5 days before visits, to

2,10 days during the project. In addition, the average score on satisfaction surveys of

hospitalized patients raised from 82.4 to 92.2%.(11) The results of this specific study

reinforce the importance take into account other factors for assessment of LOS.

There are other factors that influence in LOS of patients admitted to pediatric

ICU such as complications due to clinical conditions, pneumothorax, renal failure,

neuromuscular, and vasoactive infusions, and also associated bloodstream infection,

which require sophisticated methods of life support and increase LOS and pediatric

ICU-costs.(3,12)

A study that evaluated indications of care quality in pediatric ICU with seven

beds, on northeast region of Brazil, pointed out for mean LOS from 15.52 ± 0.94

days, and concluded that this mean would be related with profile of patients with

diagnosis of CET hospitalized in the region. Still, the LOS was lower when the time

for mechanical ventilation needed was also lower.(13)

Prediction risk models that support previous knowledge of LOS are important

tools given the possibility of compare them with real time outcomes and conduct

indirect assessment of care quality. In these models help in decision making in bed

management.(8)

Of note is that the use of LOS as quality indicator to assess services and to

the fair control of hospital costs involve the risk of this approach leads to highly

insecure practice, which is inappropriate and early approach. The objective of high-

accurate discharge, i.e., time for LOS prediction, is not to promote insecurity

conditions for patient care process, but to encourage the adoption of the actions and

programs that avoid complications associated with long hospital stay in pediatric ICU.

(8,9)

Prediction risk models of LOS that consider only variables obtained from

patient during admission are limited, particularly that these variables do not consider

other characteristics during the hospitalization such as possible complications and

adverse events that may be associated with increase of LOS in ICU.(14) A study

identified that only the use of characteristics of admission of patients and the use of

physiological profile are not conclusive enough to estimate LOS of patients. There is

a need to include therapeutic factors after admission to investigate this estimation

and to propose multivariable models.(3)

We should consider, for example, that children with chronic health conditions

often present previous disease (underlying disease) and require continuing

healthcare. A recent study showed that children with chronic conditions have higher

risk of LOS than those without these conditions. Therefore, the lack of reflection that

is not to evaluate about the prevalence and type of chronic condition may be barrier

to LOS prediction for these children.(1,2)

However, to consider to include post-admission variables that would be

possible to increase the chance of accurate prediction model would end up decrease

the impact of advantages of immediate estimation of LOS upon admission.

The institutional factor, which was not evaluated in our study, is likely to be the

cause of variability in LOS and limitation of the accurate prediction models.

Institutional factors that can be mentioned are clinical protocols, end-of-life

management practices and care philosophy adopted that influence significantly

performance of statistical models. Other factors may be those unable to lead to

changes in intensive practice and to promotion of using of therapeutic resources

during hospitalization.

CONCLUSION

This study enabled to construct predictive risk model of LOS of children upon

admission at the pediatric intensive care unit by considering patients’ characteristics

and clinical data. Demographic features, clinical conditions and hospitalization of

patients on admission that presented best predictors of LOS of 3-4 days at the

pediatric intensive care unit were age (in months), sex, origin, reason for admission,

and interaction between indication for admission and age (in months).

In the predictive model for more than 4 days at the pediatric intensive care unit

significant variables were age (in months), age-squared (in months), reason for

admission, PELOD score and its square, and the use of intravenous access.

Despite the low accuracy found that, in certain extent, limits the support to

decision making of healthcare team in terms of resource management and planning

of patient discharge. Our study contributes to extent the literature and advance the

knowledge related to patients’ admission factors that interfere in length of stay at

pediatric intensive care units.

AUTHOR’S INFORMATION

Brandi S: http://orcid.org/0000-0002-5564-4861

Troster EJ: http://orcid.org/0000-0002-9164-9280

Cunha ML: http://orcid.org/0000-0002-0768-7971

REFERENCES

2.[6.] O’Brien S, Nadel S, Almosssawi O, Inwald DP. The impact of chronic health

conditions on length of stay and mortality in general PICU. Pediatr Crit Care Med.

2017;18(1):1-7.

3.[7.] Geoghegan SM, Oulton K, Bull C, Brierley J, Peters M, Wray J. The challenges

of caring for long-stay patients in the PICU. Pediatr Crit Care Med. 2016;17(6):266-

71.

4.[8.] Pollack MM, Holubkov R, Reeder R, Dean JM, Meert KL, Berg RA, et al. PICU

length of stay: factors associated with bed utilization and development of a

benchmarking model. Pediatr Crit Care Med. 2018;19(3):196-203.

5.[9.] Verburg IW, de Keizer NF, de Jonge E, Peek N. Comparison of regression

methods for modeling intensive care length of stay. PLoS One. 2014;9(10):e109684.

6.[10.] Hsu BS, Lakhani SA, Brazelton TB. Relationship between severity of illness

and length of stay on costs incurred during a pediatric critical care hospitalization. S

D Med. 2015;68(8):339-44.

6. PICANet: a decade of data: Paediatric Intensive Care Audit Network. Leeds

(UK): Universities of Leeds and Leicester; 2014.

7. Brasil. Ministério da Saúde. Agência Nacional de Saúde Suplementar. Média

de permanência UTI pediátrica [Internet]. Rio de Janeiro: ANS; 2013 [citado 2020

Mar 10]. Disponível em: http://www.ans.gov.br/images/stories/prestadores/E-EFI-

08.pdf

8. Levin SR, Harley ET, Fackler JC, Lehmann CU, Custer JW, France D, et al.

Real-time forecasting of pediatric intensive care unit length of stay using

computerized provider orders. Crit Care Med. 2012;40(11):3058-64.

9. Straney L, Clements A, Alexander J, Slater A; ANZICS Paediatric Study

Group. A two-compartment mixed-effects gamma regression model for quantifying

between-unit variability in length of stay among children admitted to intensive care.

Health Serv Res. 2012;47(6):2190-203.

10. Khan MR, Maheshwari PK, Iram S, Haque A, Kayaalp C. Readmission to

paediatric intensive care unit: frequency, causes and outcome. J Coll Physicians

Surg Pak. 2014;24(3):216-7.

11. Jiménez RA, Swartz M, McCorkle R. Improving Quality Through Nursing

Participation at Bedside Rounds in a Pediatric Acute Care Unit: A Pilot Project.

Journal of Pediatric Nursing. 2018;43:45-55.

12. Esteban E, Ferrer R, Urrea M, Suarez D, Rozas L, Balager M, et al. The

impact of a quality improvement intervention to reduce nosocomial infections in a

PICU. Pediatr Crit Care Med. 2013;14(5):525-32.

13. de Oliveira CA, Pinto FC, de Vasconcelos TB, Bastos VP. Analysis of social

indicators in a Pediatric Intensive Care Unit in the city of Fortaleza/CE. Cad Saúde

Colet. 2017;25(1):99-105.

14. Roque KE, Tonini T, Melo EC. Eventos adversos na unidade de terapia

intensiva: impacto na mortalidade e no tempo de internação em um estudo

prospectivo. Cad Saúde Pública. 2016;32(10):1-15.