Adriele da Mota de França Pinto; Wagner Wilson Bortoletto

DOI: 10.22167/2675-6528-202602601

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

La Unidad de Cuidados Intensivos (UCI) representa uno de los sectores hospitalarios más costosos del sistema de salud. Los modelos de regresión pueden ayudar a los gerentes en la toma de decisiones al identificar los factores que impactan los costos de atención. El objetivo fue analizar la asociación entre rangos de costos directos hospitalarios y variables sociodemográficas, clínicas y de insumos en pacientes ingresados en una UCI de un hospital en Paraná. Se realizó un estudio transversal y retrospectivo, utilizando datos secundarios de auditoría hospitalaria entre septiembre de 2023 y septiembre de 2024. Se aplicaron análisis inferenciales, con pruebas de Chi-cuadrado y Kruskall-Wallis, y análisis computacional, desarrollando un modelo de regresión logística multinomial. Se observó que pacientes con perfil clínico, uso de dieta enteral, transfusión, radiografía, tomografía y fallecimiento se asociaron a los rangos de costo Medio y Alto. La edad, el uso de ecocardiograma y el CIE de admisión del Capítulo 6 – Enfermedades del sistema nervioso se asociaron solo al rango de Alto costo. Se concluyó que los factores sociodemográficos, clínicos e insumos utilizados por los pacientes en UCI, asociados a los rangos de costo, pueden subsidiar la toma de decisiones por parte de los gerentes hospitalarios y orientar la elaboración de protocolos clínicos.

Palabras clave: Análisis de Regresión; Costos Directos de Servicios; Unidades de Terapia Intensiva.

1. Introducción

Los costos hospitalarios representan un componente significativo del sistema de salud, definiéndose como todos los gastos necesarios para la prestación de servicios. Esta categoría abarca tanto los costos directos, que son objetivamente medibles a partir de los estados de gastos del paciente, como los costos indirectos, que requieren aproximaciones y criterios de asignación por no ser atribuibles individualmente (Ministerio de Salud [MS], 2013).

En Brasil, el sector de la salud absorbe aproximadamente el 9,5% del Producto Interno Bruto, con el 1,9% de este total destinado a gastos hospitalarios. Los hospitales son reconocidos como instituciones complejas y onerosas (Almeida et al., 2024). Dentro de este escenario, la Unidad de Terapia Intensiva (UTI) se destaca como uno de los sectores más costosos, responsable de pacientes en estado crítico. Aunque las UTIs representan solo el diez por ciento de las camas hospitalarias, pueden corresponder a una porción del ocho al treinta por ciento de los gastos totales de un hospital (Bruyneel et al., 2023).

Un estudio multicéntrico realizado en UCI brasileñas reveló que el costo promedio total por paciente, que abarca tanto costos directos como indirectos, alcanzó aproximadamente R$15.906,51 (Bass et al., 2025). Sin embargo, estos costos pueden variar considerablemente en función de diversos factores, como la ocurrencia de infecciones hospitalarias, la edad del paciente, el tiempo de hospitalización, la presencia de comorbilidades y los procedimientos realizados (Reddy et al., 2024; Bass et al., 2025). Por ejemplo, los pacientes que desarrollan infecciones relacionadas con la atención médica pueden presentar un costo promedio elevado de R$58.053,13 (Bass et al., 2025).

La gran variabilidad de los costos hospitalarios, influenciada por variables clínicas y por la evolución pronóstica de los pacientes, resalta la importancia del desarrollo de modelos predictivos. Tales modelos son fundamentales para identificar las variables que impactan los costos directos en pacientes críticos, auxiliando en la gestión de recursos y en la toma de decisiones más eficientes (Gomes y Borgert, 2025).

En países desarrollados, como Francia, Estados Unidos y Bélgica, el análisis de los costos relacionados con la asistencia sanitaria se realiza frecuentemente a través de modelos de regresión, ya sean lineales o logísticos (Vimont et al., 2022). La literatura académica ha documentado ampliamente el uso de modelos de regresión para investigar variables asociadas a altos costos hospitalarios, debido a su capacidad interpretativa y aplicabilidad en la práctica clínica (Ruijter et al., 2024; Marín et al., 2025).

Los modelos de regresión, en comparación con otros enfoques, permiten estimar de forma más clara el impacto de las variables independientes sobre la variable dependiente. Son capaces de cuantificar directamente cuánto un determinado factor aumenta o reduce la probabilidad de un resultado específico (Ruijter et al., 2024; Marín et al., 2025). Esta capacidad de identificar y cuantificar factores es crucial para ayudar a la gestión hospitalaria en la optimización y asignación de recursos (Marín et al., 2025).

El desarrollo de modelos de regresión para analizar la asociación entre los costos incurridos en UCI y las variables clínicas es, por lo tanto, una herramienta valiosa. Permite identificar los factores que influyen en los costos, apoyar la toma de decisiones, optimizar la asignación de recursos, formular estrategias específicas para la gestión hospitalaria y, potencialmente, predecir los costos hospitalarios futuros (Gomes y Borgert, 2025; Langenberger et al., 2023). Ante lo expuesto, el objetivo del presente trabajo consiste en analizar la asociación entre rangos de costos directos hospitalarios y variables sociodemográficas, clínicas y relacionadas con el uso de insumos en pacientes ingresados en una Unidad de Terapia Intensiva de un hospital en el estado de Paraná.

2. Material y Métodos

El presente estudio se caracterizó como cuantitativo, observacional, transversal y retrospectivo, con el objetivo de analizar la asociación entre rangos de costos directos hospitalarios y variables sociodemográficas, clínicas y de insumos. La investigación se realizó con datos secundarios de internaciones ocurridas en una Unidad de Terapia Intensiva (UTI) de un hospital universitario en el estado de Paraná, Brasil.

La recolección de datos se realizó entre septiembre de 2023 y septiembre de 2024, utilizando información de una base de datos proporcionada por el sector de Auditoría Hospitalaria de la institución. Se recolectaron datos sociodemográficos (edad y sexo), clínicos (diagnóstico inicial, perfil de atención, desarrollo de infecciones y tiempo de hospitalización) e insumos utilizados (exámenes, procedimientos y materiales hospitalarios). Los costos directos atribuidos a los pacientes se obtuvieron a partir del valor contractual de los insumos multiplicado por la cantidad consumida durante la hospitalización.

El diagnóstico inicial se clasificó según la Clasificación Internacional de Enfermedades – 10ª Revisión (CIE-10), asignada por los médicos de guardia al ingreso (Wells et al., 2017), con capítulos de baja frecuencia agrupados en “Otros capítulos”. El tiempo de hospitalización consideró como día todas las entradas en la UCI, siguiendo el reglamento interno del hospital. El perfil de los pacientes, clasificado como clínico o quirúrgico, fue determinado por los grupos de procedimientos de la Portaria GM/MS nº 2.848/2007 (Brasil, 2007).

Los exámenes, procedimientos y materiales hospitalarios se extrajeron del sistema Tasy®. Las Infecciones Relacionadas con la Atención Sanitaria (IRAS) se clasificaron según criterios de la Agencia Nacional de Vigilancia Sanitaria (ANVISA, 2017), incluyendo Neumonía asociada a Ventilación Mecánica (PAV), Infección Primaria de Corriente Sanguínea asociada a catéter venoso central (IPCS-AC) e Infección de Tracto Urinario asociada a catéter vesical de demora (ITU-AC). La evolución clínica se categorizó en alta sectorial o fallecimiento.

Para la inclusión en la muestra, se consideraron pacientes con edad igual o superior a 18 años e información completa de todas las variables. Se excluyeron datos con atenciones duplicadas y costo directo igual a R$0,00. De 562 pacientes iniciales, 484 individuos fueron incluidos por conveniencia.

Los costos directos se categorizaron en Bajo costo, Costo medio y Alto costo, basándose en los cuartiles de la distribución. Bajo costo comprendió valores menores o iguales al primer cuartil (Q1), Costo medio incluyó valores mayores que Q1 y menores que el tercer cuartil (Q3), y Alto costo abarcó valores mayores o iguales a Q3 (Marín et al., 2025). Las variables sociodemográficas, clínicas y de insumos se definieron como independientes, y los rangos de costo directo como dependiente.

El análisis de los datos se realizó en dos etapas: estadística y computacional. En la etapa estadística, se llevó a cabo el análisis descriptivo (frecuencias absolutas y relativas para categóricas; medidas de tendencia central y dispersión para numéricas). Para el análisis inferencial, la asociación entre variables categóricas se evaluó mediante la prueba Chi-cuadrado (Fávero y Belfiore, 2025). Para variables numéricas, la distribución de los datos se probó mediante la prueba de Kolmogorov-Smirnov, que indicó la no normalidad. Así, para los rangos de costo directo total, se aplicaron las pruebas de Kruskall-Wallis y el post hoc de Dunn (Fávero y Belfiore, 2025). El nivel de significancia adoptado para todos los análisis fue del 5%.

En la etapa computacional, se desarrolló un modelo de Regresión Logística Multinomial, adecuado para la variable respuesta cualitativa con más de dos categorías (Fávero y Belfiore, 2025). Este modelo de aprendizaje automático supervisado estimó la probabilidad de que cada observación perteneciera a una categoría de la variable de resultado, definiendo una categoría como referencia para la comparación de las demás mediante la razón de probabilidades (odds ratio [OR]), evaluando el efecto individual de cada variable explicativa (Fávero y Belfiore, 2025).

La evaluación del modelo final utilizó el Log-Likelihood (LL), la estadística chi-cuadrado (X²) y el Pseudo-R² de McFadden, que indicaron el ajuste y la ganancia de probabilidad del modelo en comparación con un modelo nulo (Fávero y Belfiore, 2025). El rendimiento general del modelo fue evaluado por métricas de precisión, sensibilidad, especificidad y el área bajo la curva (AUC) de las clasificaciones predichas, tanto para el modelo general como para comparaciones “One-vs-All” (OVA) (Abramovich et al., 2020).

3. Resultados y Discusión

El presente estudio buscó analizar la asociación entre los rangos de costos directos hospitalarios y diversas variables sociodemográficas, clínicas y de insumos en pacientes internados en una Unidad de Terapia Intensiva. Los resultados obtenidos, por medio de análisis estadísticos y computacionales, revelan patrones importantes que pueden subsidiar la gestión hospitalaria en la optimización de recursos y en la toma de decisiones estratégicas. La muestra final analizada comprendió 484 individuos, cuyos datos fueron categorizados y sometidos a pruebas inferenciales y modelado de regresión logística multinomial.

Análisis estadístico

Los análisis descriptivos de los datos categóricos revelaron que la mayoría de los pacientes eran de sexo masculino, representando el 53,93% de la muestra, y presentaban un perfil clínico en el 56,00% de los casos. El diagnóstico de admisión más prevalente fue el Capítulo 19 – Lesiones y causas externas, correspondiente al 31,20% de los pacientes. En cuanto al uso de insumos, se observó alta utilización de catéteres (76,24%), dieta enteral (65,91%), radiografía (70,25%) y tomografía (56,61%). La evolución clínica predominante fue el alta de la unidad hospitalaria, con el 80,37% de los pacientes, mientras que el 19,6% evolucionó a óbito. Estos hallazgos están en consonancia con estudios retrospectivos en UCIs de perfiles clínico y quirúrgico, que también reportan prevalencia de pacientes masculinos y diagnósticos traumáticos (Krieger et al., 2024; Michetti et al., 2019).

En relación con los datos numéricos, la edad mediana de los pacientes fue de 63 años, con una desviación estándar de 20 años, y el tiempo mediano de permanencia en la UCI fue de 4 días, con una desviación estándar de 7 días. Estos valores son compatibles con la literatura, que frecuentemente describe pacientes de UCI con edad media en torno a los 58 años y tiempo de hospitalización mediano de 5 días, además de un uso significativo de insumos hospitalarios y una menor prevalencia de Infecciones Relacionadas con la Asistencia Sanitaria (IRAS) (Krieger et al., 2024; Michetti et al., 2019).

Los análisis inferenciales de los rangos de costo directo, utilizando pruebas de Chi-cuadrado y Kruskall-Wallis, indicaron asociaciones significativas para la mayoría de las variables, excepto el sexo (p=0,330). Los pacientes en el rango de Bajo costo directo fueron predominantemente aquellos con diagnósticos del Capítulo 13 – Enfermedades osteomusculares (63,3%) y Otros capítulos (100%), y que no utilizaron dieta enteral (49,7%), radiografía (49,3%) o tomografía (49,0%). En contraste, el rango de Alto costo directo se asoció con pacientes que recibieron transfusión (56,5%), ultrasonografía (46,4%), electroencefalograma (57,5%), y que desarrollaron IPCS-AC (100,0%), PAV (87,1%) e ITU-AC (57,1%). Las demás variables presentaron mayor prevalencia en el rango de Medio costo directo.

El análisis de la edad no reveló una diferencia estadísticamente significativa entre los rangos de costo directo (p=0,122). Sin embargo, el tiempo de permanencia en la UCI demostró una diferencia altamente significativa (p<0,001). Los pacientes con bajo costo presentaron un tiempo mediano de 1 día, mientras que aquellos con costo medio permanecieron por 4 días y los de alto costo por 14 días. Estos resultados refuerzan la literatura que señala la influencia de factores sociodemográficos, clínicos y asistenciales en los costos hospitalarios en UCI, con mayores costos asociados a dispositivos invasivos, tiempo de internación prolongado, patologías neurológicas y cardiovasculares, e infecciones (Bruyneel et al., 2025; Mastrogianni et al., 2021).

Análisis computacional

Para el análisis computacional, se desarrolló un modelo de regresión logística multinomial, tomando la categoría de Bajo costo como referencia. El modelo final, tras la aplicación del procedimiento stepwise, resultó estadísticamente significativo (x²=403,82; p<0,001). El Log-Likelihood fue de -301,31, lo que representa una mejora sustancial en comparación con el modelo nulo (-503,22), y el Pseudo-R² de 0,40 indicó un ajuste razonable del modelo a los datos observados (Fávero y Belfiore, 2025). Este rendimiento sugiere que el conjunto de predictores incluidos mejora significativamente la capacidad de explicar la variación en los rangos de costo.

Las métricas de rendimiento del modelo final revelaron una precisión general del 71,9%, sensibilidad del 69,8% y especificidad del 83,8%. Las curvas ROC presentaron valores de Área Bajo la Curva (AUC) de 0,93 para Bajo costo, 0,81 para Medio costo y 0,89 para Alto costo. Estos valores de AUC se consideran buenos a excelentes, especialmente por encima de 0,80, lo que indica un rendimiento robusto del modelo en la predicción de pacientes de alto costo (Langenberger et al., 2023; Dilixiati et al., 2024). La alta especificidad es particularmente valiosa para la gestión hospitalaria, ya que permite identificar correctamente a los pacientes que no pertenecen a la categoría de alto costo, evitando intervenciones innecesarias y optimizando la asignación de recursos (Dilixiati et al., 2024; Kaiser et al., 2021).

El análisis de los coeficientes del modelo de regresión logística multinomial identificó diversos factores asociados a los rangos de costo. Pacientes con perfil clínico (OR=3,14; IC95%=1,69; 5,82), que utilizaron dieta enteral (OR=5,64; IC95%=2,98; 10,67), recibieron transfusión (OR=9,32; IC95%=2,92; 29,71), realizaron radiografía (OR=2,92; IC95%=1,58; 5,40) y tomografía (OR=9,72; IC95%=4,87; 19,39), y que evolucionaron a óbito (OR=5,65; IC95%=1,76; 18,12) presentaron mayor probabilidad de pertenecer al rango de costo directo hospitalario Medio (p<0,01 para todas las variables). Estos resultados subrayan la complejidad de los factores que impulsan los costos moderados en ambientes de terapia intensiva.

Para la franja de Alto costo directo, la probabilidad fue significativamente mayor para pacientes con perfil clínico (OR=4,07; IC95%=1,78; 9,33), que utilizaron dieta enteral (OR=50,89; IC95%=15,74; 164,49), recibieron transfusión (OR=49,18; IC95%=13,79; 175,31), realizaron radiografía (OR=26,41; IC95%=7,49; 93,07) y tomografía (OR=18,88; IC95%=7,58; 47,03), y que evolucionaron a óbito (OR=12,19; IC95%=3,25; 45,75). Además, la edad (OR=0,97; IC95%=0,95; 0,99), el uso de ecocardiograma (OR=4,38; IC95%=1,30; 14,76) y el CIE de admisión perteneciente al Capítulo 6 – Enfermedades del sistema nervioso (OR=11,49; IC95%=1,02; 129,34) también se asociaron al Alto costo directo (p<0,05 para todas las variables).

La asociación de la edad con una menor probabilidad de alto costo directo (OR=0,97) es un hallazgo notable y consistente con estudios que indican que los pacientes de mayor edad, especialmente mayores de 80 años, tienden a ser menos propensos a generar altos costos (Dziegeilewski et al., 2021). Esto puede explicarse por la mayor fragilidad y multimorbilidad en los ancianos, que frecuentemente resultan en tiempos de hospitalización más cortos en cuidados agudos y menos intervenciones, reduciendo así los costos acumulados (Zhang et al., 2025; Dziegeilewski et al., 2021).

Los pacientes con perfil clínico presentaron mayores probabilidades de pertenecer a las categorías de costo Medio y Alto en comparación con los pacientes quirúrgicos. Este resultado corrobora la literatura, que sugiere que los pacientes clínicos generalmente tienen más comorbilidades, mayor gravedad de la enfermedad y tiempos de hospitalización más prolongados, demandando, en consecuencia, más intervenciones de salud (Bruyneel et al., 2025; Gershengorn et al., 2015). La complejidad de los casos clínicos exige una asignación más intensiva de recursos, impactando directamente los costos hospitalarios.

El diagnóstico de admisión relacionado con el Capítulo 6 – Enfermedades del sistema nervioso (CIE) se asoció con una probabilidad 11,49 veces mayor de pertenecer a la categoría de Alto costo directo. Las enfermedades neurológicas frecuentemente requieren hospitalizaciones complejas, con múltiples exámenes de laboratorio, intervenciones quirúrgicas y procedimientos invasivos, además de extensos exámenes de imagen (Raj et al., 2024). Este hallazgo sugiere la necesidad de revisar los protocolos clínicos institucionales, con enfoque en estrategias como la rehabilitación temprana y el uso de ultrasonido a pie de cama, que pueden contribuir a la reducción de costos (Shrestha et al., 2025; Aung et al., 2019).

El uso de dieta enteral se asoció con mayores probabilidades de pertenecer a las categorías de costo Medio y Alto. Este resultado contrasta con estudios nacionales en Estados Unidos, donde la nutrición enteral temprana se asoció con la reducción de costos totales en UCI, menor mortalidad y menor tiempo de ventilación mecánica y estancia hospitalaria (Dainelli et al., 2023; Haines et al., 2023). La divergencia puede indicar un protocolo hospitalario inadecuado en la institución analizada, como inicio tardío de la nutrición, uso de fórmulas onerosas sin beneficio proporcional o falta de opciones específicas de inmunonutrición, aspectos que la gestión hospitalaria puede optimizar (Haines et al., 2023; Dainelli et al., 2023).

Pacientes que recibieron transfusión sanguínea también presentaron mayores probabilidades de pertenecer a las categorías de Medio y Alto costo. Un estudio brasileño demostró que los individuos transfundidos tuvieron costos 5,1 veces mayores, y una investigación suiza asoció la transfusión de una única unidad de concentrado de glóbulos rojos a un aumento significativo en los costos hospitalarios (Machado et al., 2019; Saporito et al., 2026). Se recomienda que los gestores hospitalarios orienten a los equipos asistenciales a adoptar estrategias restrictivas de transfusión, basadas en criterios establecidos por el Ministerio de Salud, para reducir transfusiones innecesarias y prevenir complicaciones (Saporito et al., 2026; Machado et al., 2019).

La realización de radiografía y tomografía se asoció con mayores probabilidades de pertenecer a las categorías de Medio y Alto costo. Si bien estos exámenes contribuyen a los costos, un estudio en hospitales de Bélgica indicó que el diagnóstico por imágenes representó una fracción insignificante de los costos diarios totales en comparación con el tiempo de permanencia y el uso de ventilación mecánica (Bruyneel et al., 2023). Por lo tanto, la revisión de las prácticas de realización de exámenes de imagen de rutina, basada en evidencia, puede reducir los costos hospitalarios promedio mensuales hasta en un 37% sin impactar la mortalidad o el tiempo de permanencia en UCI (Scott et al., 2020; Lee et al., 2015).

El uso de ecocardiograma también se asoció con mayores posibilidades de pertenecer a la categoría de Alto costo. Una investigación con más de 390 hospitales estadounidenses reveló que las instituciones con tasas más altas de utilización de ecocardiografía presentaron costos promedio aproximadamente US$ 3.164 mayores por hospitalización (Pack et al., 2019). La adopción de un uso más criterioso y selectivo del ecocardiograma, evitando la prolongación de la hospitalización solo para la realización del examen sin expectativa de cambio de conducta, puede generar ganancias económicas sin comprometer los resultados clínicos (Pack et al., 2019).

Finalmente, los pacientes cuya evolución clínica resultó en fallecimiento presentaron mayores probabilidades de pertenecer tanto a la categoría de costo Medio como a la de costo Alto. Este hallazgo está alineado con la literatura, que muestra que los pacientes que evolucionan a fallecimiento pueden generar costos hasta un 12,4% mayores que los sobrevivientes (Bruyneel et al., 2023; Kramer et al., 2017). Esto se debe al uso intensivo de intervenciones clínicas hasta el agotamiento de las posibilidades terapéuticas, incluyendo medicamentos de alto costo, ventilación mecánica prolongada, procedimientos invasivos y manejo de múltiples infecciones, que prolongan el tiempo de hospitalización (Bruyneel et al., 2023; Kramer et al., 2017).

Aunque los servicios hospitalarios deben proporcionar los recursos para revertir cuadros patológicos, es crucial que el equipo asistencial esté capacitado para reconocer precozmente el pronóstico y la posibilidad de irreversibilidad de la enfermedad (Quinn et al., 2021). Un enfoque asistencial centrado en la calidad de vida al final de la vida puede contribuir al uso racional de recursos hospitalarios y a la oferta de cuidados más adecuados a las necesidades clínicas y a los objetivos terapéuticos del paciente (Quinn et al., 2021). El modelo desarrollado, por lo tanto, ofrece una herramienta para mejorar protocolos asistenciales, centrarse en intervenciones costo-efectivas y desarrollar herramientas predictivas de riesgo financiero en la admisión hospitalaria (Marín et al., 2025).

En resumen, los resultados obtenidos demuestran que factores sociodemográficos, clínicos y de insumos son cruciales para la determinación de los costos directos en UCI. La identificación de estas asociaciones, especialmente a través del modelo de regresión logística multinomial, permite a los gestores hospitalarios una comprensión más profunda de los impulsores de costos. Esta comprensión es fundamental para la elaboración de protocolos clínicos más eficientes, la optimización de la asignación de recursos y la toma de decisiones estratégicas que concilien la eficiencia económica con la calidad de la asistencia y los principios éticos de la justicia distributiva (Charlton, 2022; Bilinski et al., 2022), respondiendo directamente al objetivo de analizar la asociación entre los rangos de costos y las variables estudiadas.

4. Conclusión

El presente estudio buscó analizar la asociación entre rangos de costos directos hospitalarios y variables sociodemográficas, clínicas y de insumos en pacientes internados en una Unidad de Terapia Intensiva de un hospital en Paraná. Se verificó que un modelo de regresión logística multinomial demostró capacidad robusta para identificar los factores que impactan significativamente los costos asistenciales. Se observó que pacientes con perfil clínico, uso de dieta enteral, transfusión sanguínea, realización de radiografía y tomografía, y evolución a óbito se asociaron a mayores probabilidades de pertenecer a los rangos de Medio y Alto costo directo. Adicionalmente, la edad, el uso de ecocardiograma y el diagnóstico de admisión relacionado a enfermedades del sistema nervioso (Capítulo 6 de la CID) fueron asociados específicamente al rango de Alto costo. La precisión general del modelo, de 71,9%, y los valores de Área Bajo la Curva (AUC) superiores a 0,80 para todas las categorías de costo, indicaron un desempeño predictivo consistente, capaz de subsidiar la gestión hospitalaria en la identificación precoz de pacientes con mayor potencial de costos.

A pesar de la relevancia de los hallazgos, el estudio, de naturaleza transversal y retrospectiva, realizado en una única institución, limita la generalización de los resultados a otros contextos hospitalarios. Sin embargo, la identificación de las variables predictoras de costo ofrece una contribución práctica sustancial, al permitir que los gestores hospitalarios revisen y mejoren los protocolos clínicos institucionales, especialmente en relación con el uso de dieta enteral, transfusiones, exámenes de imagen y ecocardiogramas, y el manejo de pacientes con enfermedades neurológicas y en fase terminal. Se sugiere que estudios futuros exploren la implementación de herramientas predictivas de riesgo financiero en la admisión hospitalaria, basadas en este modelo, y evalúen su impacto en la optimización de la asignación de recursos y en la calidad de la asistencia. El modelo desarrollado representa, por lo tanto, una herramienta valiosa para la toma de decisiones estratégicas, con el objetivo de conciliar la eficiencia económica con la calidad del cuidado en UCIs.

Referencias Bibliograficas

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.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy