apps.einstein.brapps.einstein.br/revista/arquivos/correcaotraducao/5476... · Web view8.Levin SR,...
Transcript of apps.einstein.brapps.einstein.br/revista/arquivos/correcaotraducao/5476... · Web view8.Levin SR,...
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: [email protected]
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: [email protected]
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.