Adriele da Mota de França Pinto; Wagner Wilson Bortoletto

DOI: 10.22167/2675-6528-202602601

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A Unidade de Terapia Intensiva (UTI) representa um dos setores hospitalares mais onerosos do sistema de saúde. Modelos de regressão podem auxiliar gestores na tomada de decisão ao identificar fatores que impactam os custos assistenciais. Objetivou-se analisar a associação entre faixas de custos diretos hospitalares e variáveis sociodemográficas, clínicas e de insumos em pacientes internados em uma UTI de um hospital no Paraná. Realizou-se um estudo transversal e retrospectivo, utilizando dados secundários da auditoria hospitalar entre setembro de 2023 e setembro de 2024. Aplicaram-se análises inferenciais, com testes Qui-Quadrado e Kruskall-Wallis, e análise computacional, desenvolvendo um modelo de regressão logística multinomial. Observou-se que pacientes com perfil clínico, uso de dieta enteral, transfusão, radiografia, tomografia e óbito associaram-se às faixas de Médio e Alto custo. A idade, o uso de ecocardiograma e o CID de admissão do Capítulo 6 – Doenças do sistema nervoso associaram-se apenas à faixa de Alto custo. Concluiu-se que os fatores sociodemográficos, clínicos e insumos utilizados pelos pacientes em UTI, associados às faixas de custo, podem subsidiar a tomada de decisão por gestores hospitalares e orientar a elaboração de protocolos clínicos.

Palavras-chave: Análise de Regressão; Custos Diretos de Serviços; Unidades de Terapia Intensiva.

1. Introdução

Os custos hospitalares representam um componente significativo do sistema de saúde, sendo definidos como todas as despesas necessárias para a prestação de serviços. Esta categoria abrange tanto os custos diretos, que são objetivamente mensuráveis a partir dos demonstrativos de despesas do paciente, quanto os custos indiretos, que exigem aproximações e critérios de alocação por não serem atribuíveis individualmente (Ministério da Saúde [MS], 2013).

No Brasil, o setor da saúde absorve aproximadamente 9,5% do Produto Interno Bruto, com 1,9% desse total direcionado às despesas hospitalares. Os hospitais são reconhecidos como instituições complexas e onerosas (Almeida et al., 2024). Dentro desse cenário, a Unidade de Terapia Intensiva (UTI) destaca-se como um dos setores mais dispendiosos, responsável por pacientes em estado crítico. Embora as UTIs representem apenas dez por cento dos leitos hospitalares, elas podem corresponder a uma parcela de oito a trinta por cento das despesas totais de um hospital (Bruyneel et al., 2023).

Um estudo multicêntrico conduzido em UTIs brasileiras revelou que o custo médio total por paciente, englobando tanto custos diretos quanto indiretos, alcançou cerca de R$15.906,51 (Bass et al., 2025). Contudo, esses custos podem variar consideravelmente em função de diversos fatores, como a ocorrência de infecções hospitalares, a idade do paciente, o tempo de internação, a presença de comorbidades e os procedimentos realizados (Reddy et al., 2024; Bass et al., 2025). Por exemplo, pacientes que desenvolvem infecções relacionadas à assistência à saúde podem apresentar um custo médio elevado de R$58.053,13 (Bass et al., 2025).

A grande variabilidade dos custos hospitalares, influenciada por variáveis clínicas e pela evolução prognóstica dos pacientes, ressalta a importância do desenvolvimento de modelos preditivos. Tais modelos são fundamentais para identificar as variáveis que impactam os custos diretos em pacientes críticos, auxiliando na gestão de recursos e na tomada de decisões mais eficientes (Gomes e Borgert, 2025).

Em países desenvolvidos, como França, Estados Unidos e Bélgica, a análise dos custos relacionados à assistência à saúde é frequentemente realizada por meio de modelos de regressão, sejam eles lineares ou logísticos (Vimont et al., 2022). A literatura acadêmica tem amplamente documentado o uso de modelos de regressão para investigar variáveis associadas a altos custos hospitalares, devido à sua capacidade interpretativa e aplicabilidade na prática clínica (Ruijter et al., 2024; Marín et al., 2025).

Os modelos de regressão, em comparação com outras abordagens, permitem estimar de forma mais clara o impacto das variáveis independentes sobre a variável dependente. Eles são capazes de quantificar diretamente o quanto um determinado fator aumenta ou reduz a probabilidade de um desfecho específico (Ruijter et al., 2024; Marín et al., 2025). Essa capacidade de identificar e quantificar fatores é crucial para auxiliar a gestão hospitalar na otimização e alocação de recursos (Marín et al., 2025).

O desenvolvimento de modelos de regressão para analisar a associação entre os custos despendidos em UTIs e as variáveis clínicas é, portanto, uma ferramenta valiosa. Ela permite identificar os fatores que influenciam os custos, apoiar a tomada de decisão, otimizar a alocação de recursos, formular estratégias específicas para a gestão hospitalar e, potencialmente, prever os custos hospitalares futuros (Gomes e Borgert, 2025; Langenberger et al., 2023). Diante do exposto, o objetivo do presente trabalho consiste em analisar a associação entre faixas de custos direto hospitalares e variáveis sociodemográficas, clínicas e relacionadas ao uso de insumos em pacientes internados em uma Unidade de Terapia Intensiva de um hospital no estado do Paraná.

2. Material e Métodos

O presente estudo caracterizou-se como quantitativo, observacional, transversal e retrospectivo, com o objetivo de analisar a associação entre faixas de custos diretos hospitalares e variáveis sociodemográficas, clínicas e de insumos. A pesquisa foi realizada com dados secundários de internações ocorridas em uma Unidade de Terapia Intensiva (UTI) de um hospital universitário no estado do Paraná, Brasil.

A coleta de dados ocorreu entre setembro de 2023 e setembro de 2024, utilizando informações de um banco de dados disponibilizado pelo setor de Auditoria Hospitalar da instituição. Foram coletados dados sociodemográficos (idade e sexo), clínicos (diagnóstico inicial, perfil de atendimento, desenvolvimento de infecções e tempo de internação) e insumos utilizados (exames, procedimentos e materiais hospitalares). Os custos diretos atribuídos aos pacientes foram obtidos a partir do valor contratual dos insumos multiplicado pela quantidade consumida durante a internação.

O diagnóstico inicial foi categorizado conforme a Classificação Internacional de Doenças – 10ª Revisão (CID-10), atribuída pelos médicos plantonistas na admissão (Wells et al., 2017), com capítulos de baixa frequência agrupados em “Outros capítulos”. O tempo de internamento considerou como dia um todas as entradas na UTI, seguindo o regimento interno do hospital. O perfil dos pacientes, classificado como clínico ou cirúrgico, foi determinado pelos grupos de procedimentos da Portaria GM/MS nº 2.848/2007 (Brasil, 2007).

Exames, procedimentos e materiais hospitalares foram extraídos do sistema Tasy®. As Infecções Relacionadas à Assistência à Saúde (IRAS) foram classificadas segundo critérios da Agência Nacional de Vigilância Sanitária (ANVISA, 2017), incluindo Pneumonia associada à Ventilação Mecânica (PAV), Infecção Primária de Corrente Sanguínea associada a cateter venoso central (IPCS-AC) e Infecção de Trato Urinário associado ao cateter vesical de demora (ITU-AC). A evolução clínica foi categorizada em alta setorial ou óbito.

Para a inclusão na amostra, consideraram-se pacientes com idade igual ou superior a 18 anos e informações completas de todas as variáveis. Foram excluídos dados com atendimentos duplicados e custo direto igual a R$0,00. De 562 pacientes iniciais, 484 indivíduos foram incluídos por conveniência.

Os custos diretos foram categorizados em Baixo custo, Médio custo e Alto custo, com base nos quartis da distribuição. Baixo custo compreendeu valores menores ou iguais ao primeiro quartil (Q1), Médio custo incluiu valores maiores que Q1 e menores que o terceiro quartil (Q3), e Alto custo abrangeu valores maiores ou iguais a Q3 (Marín et al., 2025). As variáveis sociodemográficas, clínicas e de insumos foram definidas como independentes, e as faixas de custo direto como dependente.

A análise dos dados foi realizada em duas etapas: estatística e computacional. Na etapa estatística, conduziu-se a análise descritiva (frequências absolutas e relativas para categóricas; medidas de tendência central e dispersão para numéricas). Para a análise inferencial, a associação entre variáveis categóricas foi avaliada pelo teste Qui-Quadrado (Fávero e Belfiore, 2025). Para variáveis numéricas, a distribuição dos dados foi testada pelo teste de Kolmogorov-Smirnov, que indicou a não normalidade. Assim, para as faixas de custo direto total, aplicaram-se os testes de Kruskall-Wallis e o post hoc de Dunn (Fávero e Belfiore, 2025). O nível de significância adotado para todas as análises foi de 5%.

Na etapa computacional, desenvolveu-se um modelo de Regressão Logística Multinomial, adequado para a variável resposta qualitativa com mais de duas categorias (Fávero e Belfiore, 2025). Este modelo de aprendizado de máquina supervisionado estimou a probabilidade de cada observação pertencer a uma categoria da variável desfecho, definindo uma categoria como referência para comparação das demais via razão de chances (odds ratio [OR]), avaliando o efeito individual de cada variável explicativa (Fávero e Belfiore, 2025).

A avaliação do modelo final utilizou o Log-Likelihood (LL), a estatística qui-quadrado (X²) e o Pseudo-R² de McFadden, que indicaram o ajuste e o ganho de verossimilhança do modelo em comparação com um modelo nulo (Fávero e Belfiore, 2025). O desempenho geral do modelo foi avaliado por métricas de acurácia, sensitividade, especificidade e a área sob a curva (AUC) das classificações preditas, tanto para o modelo geral quanto para comparações “One-vs-All” (OVA) (Abramovich et al., 2020).

3. Resultados e Discussão

O presente estudo buscou analisar a associação entre as faixas de custos diretos hospitalares e diversas variáveis sociodemográficas, clínicas e de insumos em pacientes internados em uma Unidade de Terapia Intensiva. Os resultados obtidos, por meio de análises estatísticas e computacionais, revelam padrões importantes que podem subsidiar a gestão hospitalar na otimização de recursos e na tomada de decisões estratégicas. A amostra final analisada compreendeu 484 indivíduos, cujos dados foram categorizados e submetidos a testes inferenciais e modelagem de regressão logística multinomial.

Análise estatística

As análises descritivas dos dados categóricos revelaram que a maioria dos pacientes era do sexo masculino, representando 53,93% da amostra, e apresentava um perfil clínico em 56,00% dos casos. O diagnóstico de admissão mais prevalente foi o Capítulo 19 – Lesões e causas externas, correspondendo a 31,20% dos pacientes. Quanto ao uso de insumos, observou-se alta utilização de cateteres (76,24%), dieta enteral (65,91%), radiografia (70,25%) e tomografia (56,61%). A evolução clínica predominante foi a alta da unidade hospitalar, com 80,37% dos pacientes, enquanto 19,6% evoluíram para óbito. Estes achados estão em consonância com estudos retrospectivos em UTIs de perfis clínico e cirúrgico, que também reportam prevalência de pacientes masculinos e diagnósticos traumáticos (Krieger et al., 2024; Michetti et al., 2019).

Em relação aos dados numéricos, a idade mediana dos pacientes foi de 63 anos, com um desvio padrão de 20 anos, e o tempo mediano de permanência na UTI foi de 4 dias, com um desvio padrão de 7 dias. Estes valores são compatíveis com a literatura, que frequentemente descreve pacientes de UTI com idade média em torno de 58 anos e tempo de internação mediano de 5 dias, além de um uso significativo de insumos hospitalares e uma menor prevalência de Infecções Relacionadas à Assistência à Saúde (IRAS) (Krieger et al., 2024; Michetti et al., 2019).

As análises inferenciais das faixas de custo direto, utilizando testes Qui-Quadrado e Kruskall-Wallis, indicaram associações significativas para a maioria das variáveis, exceto o sexo (p=0,330). Pacientes na faixa de Baixo custo direto foram predominantemente aqueles com diagnósticos do Capítulo 13 – Doenças osteomusculares (63,3%) e Outros capítulos (100%), e que não utilizaram dieta enteral (49,7%), radiografia (49,3%) ou tomografia (49,0%). Em contraste, a faixa de Alto custo direto foi associada a pacientes que receberam transfusão (56,5%), ultrassonografia (46,4%), eletroencefalograma (57,5%), e que desenvolveram IPCS-AC (100,0%), PAV (87,1%) e ITU-AC (57,1%). As demais variáveis apresentaram maior prevalência na faixa de Médio custo direto.

A análise da idade não revelou diferença estatisticamente significativa entre as faixas de custo direto (p=0,122). No entanto, o tempo de permanência na UTI demonstrou uma diferença altamente significativa (p<0,001). Pacientes com Baixo custo apresentaram um tempo mediano de 1 dia, enquanto aqueles com Médio custo permaneceram por 4 dias e os de Alto custo por 14 dias. Esses resultados reforçam a literatura que aponta a influência de fatores sociodemográficos, clínicos e assistenciais nos custos hospitalares em UTIs, com maiores custos associados a dispositivos invasivos, tempo de internação prolongado, patologias neurológicas e cardiovasculares, e infecções (Bruyneel et al., 2025; Mastrogianni et al., 2021).

Análise computacional

Para a análise computacional, foi desenvolvido um modelo de regressão logística multinomial, tendo a categoria de Baixo custo como referência. O modelo final, após a aplicação do procedimento stepwise, mostrou-se estatisticamente significativo (x²=403,82; p<0,001). O Log-Likelihood foi de -301,31, o que representa uma melhoria substancial em comparação com o modelo nulo (-503,22), e o Pseudo-R² de 0,40 indicou um ajuste razoável do modelo aos dados observados (Fávero e Belfiore, 2025). Este desempenho sugere que o conjunto de preditores incluídos melhora significativamente a capacidade de explicar a variação nas faixas de custo.

As métricas de desempenho do modelo final revelaram uma acurácia geral de 71,9%, sensitividade de 69,8% e especificidade de 83,8%. As curvas ROC apresentaram valores de Área Sob a Curva (AUC) de 0,93 para Baixo custo, 0,81 para Médio custo e 0,89 para Alto custo. Estes valores de AUC são considerados bons a excelentes, especialmente acima de 0,80, indicando um desempenho robusto do modelo na previsão de pacientes de alto custo (Langenberger et al., 2023; Dilixiati et al., 2024). A alta especificidade é particularmente valiosa para a gestão hospitalar, pois permite identificar corretamente os pacientes que não pertencem à categoria de alto custo, evitando intervenções desnecessárias e otimizando a alocação de recursos (Dilixiati et al., 2024; Kaiser et al., 2021).

A análise dos coeficientes do modelo de regressão logística multinomial identificou diversos fatores associados às faixas de custo. Pacientes com perfil clínico (OR=3,14; IC95%=1,69; 5,82), que utilizaram dieta enteral (OR=5,64; IC95%=2,98; 10,67), receberam transfusão (OR=9,32; IC95%=2,92; 29,71), realizaram radiografia (OR=2,92; IC95%=1,58; 5,40) e tomografia (OR=9,72; IC95%=4,87; 19,39), e que evoluíram a óbito (OR=5,65; IC95%=1,76; 18,12) apresentaram maior probabilidade de pertencer à faixa de Médio custo direto hospitalar (p<0,01 para todas as variáveis). Estes resultados sublinham a complexidade dos fatores que impulsionam os custos moderados em ambientes de terapia intensiva.

Para a faixa de Alto custo direto, a probabilidade foi significativamente maior para pacientes com perfil clínico (OR=4,07; IC95%=1,78; 9,33), que utilizaram dieta enteral (OR=50,89; IC95%=15,74; 164,49), receberam transfusão (OR=49,18; IC95%=13,79; 175,31), realizaram radiografia (OR=26,41; IC95%=7,49; 93,07) e tomografia (OR=18,88; IC95%=7,58; 47,03), e que evoluíram a óbito (OR=12,19; IC95%=3,25; 45,75). Além disso, a idade (OR=0,97; IC95%=0,95; 0,99), o uso de ecocardiograma (OR=4,38; IC95%=1,30; 14,76) e o CID de admissão pertencente ao Capítulo 6 – Doenças do sistema nervoso (OR=11,49; IC95%=1,02; 129,34) também foram associados ao Alto custo direto (p<0,05 para todas as variáveis).

A associação da idade com uma menor probabilidade de Alto custo direto (OR=0,97) é um achado notável e consistente com estudos que indicam que pacientes mais velhos, especialmente acima de 80 anos, tendem a ser menos propensos a gerar altos custos (Dziegeilewski et al., 2021). Isso pode ser explicado pela maior fragilidade e multimorbidade em idosos, que frequentemente resultam em tempos de internação mais curtos em cuidados agudos e menos intervenções, reduzindo, assim, os custos acumulados (Zhang et al., 2025; Dziegeilewski et al., 2021).

Pacientes com perfil clínico apresentaram maiores chances de pertencerem às categorias de Médio e Alto custo em comparação com pacientes cirúrgicos. Este resultado corrobora a literatura, que sugere que pacientes clínicos geralmente possuem mais comorbidades, maior gravidade da doença e tempos de internação mais longos, demandando, consequentemente, mais intervenções de saúde (Bruyneel et al., 2025; Gershengorn et al., 2015). A complexidade dos casos clínicos exige uma alocação mais intensiva de recursos, impactando diretamente os custos hospitalares.

O diagnóstico de admissão relacionado ao Capítulo 6 – Doenças do sistema nervoso (CID) foi associado a uma probabilidade 11,49 vezes maior de pertencer à categoria de Alto custo direto. Doenças neurológicas frequentemente requerem internações complexas, com múltiplos exames laboratoriais, intervenções cirúrgicas e procedimentos invasivos, além de exames de imagem extensivos (Raj et al., 2024). Este achado sugere a necessidade de revisar protocolos clínicos institucionais, com foco em estratégias como reabilitação precoce e o uso de ultrassom à beira-leito, que podem contribuir para a redução dos custos (Shrestha et al., 2025; Aung et al., 2019).

O uso de dieta enteral foi associado a maiores chances de pertencer às categorias de Médio e Alto custo. Este resultado contrasta com estudos nacionais nos Estados Unidos, onde a nutrição enteral precoce foi associada à redução de custos totais em UTI, menor mortalidade e menor tempo de ventilação mecânica e permanência hospitalar (Dainelli et al., 2023; Haines et al., 2023). A divergência pode indicar um protocolo hospitalar inadequado na instituição analisada, como início tardio da nutrição, uso de fórmulas onerosas sem benefício proporcional ou falta de opções específicas de imunonutrição, aspectos que a gestão hospitalar pode otimizar (Haines et al., 2023; Dainelli et al., 2023).

Pacientes que receberam transfusão sanguínea também apresentaram chances aumentadas de pertencer às categorias de Médio e Alto custo. Um estudo brasileiro demonstrou que indivíduos transfundidos tiveram custos 5,1 vezes maiores, e uma pesquisa suíça associou a transfusão de uma única unidade de concentrado de hemácias a um aumento significativo nos custos hospitalares (Machado et al., 2019; Saporito et al., 2026). Recomenda-se que os gestores hospitalares orientem as equipes assistenciais a adotar estratégias restritivas de transfusão, baseadas em critérios estabelecidos pelo Ministério da Saúde, para reduzir transfusões desnecessárias e prevenir complicações (Saporito et al., 2026; Machado et al., 2019).

A realização de radiografia e tomografia foi associada a maiores chances de pertencer às categorias de Médio e Alto custo. Embora esses exames contribuam para os custos, um estudo em hospitais da Bélgica indicou que o diagnóstico por imagem representou uma fração insignificante dos custos diários totais em comparação com o tempo de permanência e o uso de ventilação mecânica (Bruyneel et al., 2023). Assim, a revisão das práticas de realização de exames de imagem de rotina, com base em evidências, pode reduzir os custos hospitalares médios mensais em até 37% sem impactar a mortalidade ou o tempo de permanência em UTI (Scott et al., 2020; Lee et al., 2015).

O uso de ecocardiograma também foi associado a maiores chances de pertencer à categoria de Alto custo. Uma pesquisa com mais de 390 hospitais estadunidenses revelou que instituições com taxas mais altas de utilização de ecocardiografia apresentaram custos médios aproximadamente US$ 3.164 maiores por internação (Pack et al., 2019). A adoção de um uso mais criterioso e seletivo do ecocardiograma, evitando o prolongamento da internação apenas para a realização do exame sem expectativa de mudança de conduta, pode gerar ganhos econômicos sem comprometer os desfechos clínicos (Pack et al., 2019).

Por fim, pacientes cuja evolução clínica resultou em óbito apresentaram chances aumentadas de pertencer tanto à categoria de Médio custo quanto à de Alto custo. Este achado está alinhado com a literatura, que mostra que pacientes que evoluem a óbito podem gerar custos até 12,4% maiores do que os sobreviventes (Bruyneel et al., 2023; Kramer et al., 2017). Isso se deve ao uso intensivo de intervenções clínicas até o esgotamento das possibilidades terapêuticas, incluindo medicamentos de alto custo, ventilação mecânica prolongada, procedimentos invasivos e manejo de múltiplas infecções, que prolongam o tempo de internação (Bruyneel et al., 2023; Kramer et al., 2017).

Embora os serviços hospitalares devam fornecer os recursos para reverter quadros patológicos, é crucial que a equipe assistencial seja capacitada para reconhecer precocemente o prognóstico e a possibilidade de irreversibilidade da doença (Quinn et al., 2021). Uma abordagem assistencial focada na qualidade de vida no fim da vida pode contribuir para o uso racional de recursos hospitalares e para a oferta de cuidados mais adequados às necessidades clínicas e aos objetivos terapêuticos do paciente (Quinn et al., 2021). O modelo desenvolvido, portanto, oferece uma ferramenta para aprimorar protocolos assistenciais, focar em intervenções custo-efetivas e desenvolver ferramentas preditivas de risco financeiro na admissão hospitalar (Marín et al., 2025).

Em síntese, os resultados obtidos demonstram que fatores sociodemográficos, clínicos e de insumos são cruciais para a determinação dos custos diretos em UTIs. A identificação dessas associações, especialmente por meio do modelo de regressão logística multinomial, permite aos gestores hospitalares uma compreensão mais aprofundada dos direcionadores de custo. Essa compreensão é fundamental para a elaboração de protocolos clínicos mais eficientes, a otimização da alocação de recursos e a tomada de decisões estratégicas que conciliem a eficiência econômica com a qualidade da assistência e os princípios éticos da justiça distributiva (Charlton, 2022; Bilinski et al., 2022), respondendo diretamente ao objetivo de analisar a associação entre as faixas de custos e as variáveis estudadas.

4. Conclusão

O presente estudo buscou analisar a associação entre faixas de custos diretos hospitalares e variáveis sociodemográficas, clínicas e de insumos em pacientes internados em uma Unidade de Terapia Intensiva de um hospital no Paraná. Verificou-se que um modelo de regressão logística multinomial demonstrou capacidade robusta para identificar os fatores que impactam significativamente os custos assistenciais. Observou-se que pacientes com perfil clínico, uso de dieta enteral, transfusão sanguínea, realização de radiografia e tomografia, e evolução a óbito associaram-se a maiores probabilidades de pertencerem às faixas de Médio e Alto custo direto. Adicionalmente, a idade, o uso de ecocardiograma e o diagnóstico de admissão relacionado a doenças do sistema nervoso (Capítulo 6 do CID) foram associados especificamente à faixa de Alto custo. A acurácia geral do modelo, de 71,9%, e os valores de Área Sob a Curva (AUC) superiores a 0,80 para todas as categorias de custo, indicaram um desempenho preditivo consistente, capaz de subsidiar a gestão hospitalar na identificação precoce de pacientes com maior potencial de custos.

Apesar da relevância dos achados, o estudo, de natureza transversal e retrospectiva, realizado em uma única instituição, limita a generalização dos resultados para outros contextos hospitalares. Contudo, a identificação das variáveis preditoras de custo oferece uma contribuição prática substancial, ao permitir que gestores hospitalares revisem e aprimorem protocolos clínicos institucionais, especialmente em relação ao uso de dieta enteral, transfusões, exames de imagem e ecocardiogramas, e ao manejo de pacientes com doenças neurológicas e em fim de vida. Sugere-se que estudos futuros explorem a implementação de ferramentas preditivas de risco financeiro na admissão hospitalar, baseadas neste modelo, e avaliem seu impacto na otimização da alocação de recursos e na qualidade da assistência. O modelo desenvolvido representa, portanto, uma ferramenta valiosa para a tomada de decisão estratégica, visando conciliar a eficiência econômica com a qualidade do cuidado em UTIs.

Referências Bibliográficas

Almeida, J.F.F.; Conceição, S.V.; Magalhães, V.S.; Alemão, M.M. 2024. Estimating and planning hospital costs of public hospitals in Brazil. The International Journal of Health Planning and Management 39(6): 1790-1809.

Bass, L. M.; Henrique, L.; Kiriyama, E.J.; Oliveira, N.; Honorato, A.; Cristina, K.; Moraes, R.; Prandini, C.M.; Silva, C.; Gonsalez, R.; Franco, F. F.; Petenate, A.J.; Reis, M.; Garcia, C.; Vernal, S. 2

Bruyneel, A.; Larcin, L.; Martins, D.; Van, J.; Leclercq, P.; Pirson, M. 2023. Cost comparisons and factors related to cost per stay in intensive care units in Belgium. BMC Health Services Research 23(1).

Ministério da Saúde [MS]. 2013. Introdução à Gestão de Custos em Saúde. 1ed. Ministério da Saúde, Brasília, GO, Brasil. Disponível em: <https://www.gov.br/saude/pt-br/acesso-a-informacao/gestao-do-sus/economia-da-saude/nucleos-de-economia-da-saude/publicacoes>. Acesso em: 17 agosto 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy