16 de novembro de 2026
Fatores de risco para desfechos desfavoráveis em pacientes admitidos para reabilitação em hospital de transição
João Gabriel Rosa Ramos; Henrique Raymundo Gioia
DOI: 10.22167/2675-6528-202604288
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
Investigaram-se os fatores de risco para desfechos desfavoráveis, como reinternação hospitalar e óbito não esperado, em pacientes internados para reabilitação em um hospital de transição. O objetivo foi criar e analisar a performance de modelos preditivos para esses desfechos adversos, baseados em variáveis coletadas na admissão. Realizou-se um estudo de coorte retrospectiva com 1.306 indivíduos admitidos entre 2017 e 2024. Compararam-se quatro modelos estatísticos e de machine learning: Regressão Logística, Árvore de Decisão, Random Forest e XGBoost, empregando pré-processamento rigoroso, otimização de hiperparâmetros via gridsearch e validação cruzada k-fold. A técnica SHAP foi utilizada para identificar as variáveis preditivas de maior impacto. O desfecho desfavorável foi frequente, atingindo 29% da amostra, predominantemente devido a transferências hospitalares (26%). O algoritmo XGBoost demonstrou a melhor performance discriminativa (AUC 0,723), sendo estatisticamente superior à Árvore de Decisão e ao Random Forest. A funcionalidade na admissão (escala MIF), lesões por pressão e procedência da UTI foram identificadas como as variáveis de maior impacto preditivo. Concluiu-se que modelos de gradient boosting permitem uma estratificação de risco eficaz em ambientes pós-agudos, oferecendo suporte robusto à decisão clínica e podem ser úteis na predição de desfechos desfavoráveis, auxiliando na mitigação desses riscos.
Palavras-chave: Cuidados Pós Agudos; Estratificação de risco; Machine Learning; Modelos Preditivos; Prognóstico.
1. Introdução
Os hospitais de transição desempenham um papel crucial no sistema de saúde, atuando como uma etapa intermediária entre o hospital geral agudo e o domicílio, conforme destacado por Makam e Grabowski (2021). Essas instituições são especializadas em fornecer cuidados médicos a pacientes complexos, mas clinicamente estáveis, que necessitam de reabilitação intensiva, cuidados de enfermagem de alta intensidade assistencial e, em alguns casos, cuidados paliativos de fim de vida (Kahn et al., 2010; Lee et al., 2020; Ramos et al., 2024). Caracterizam-se por internações de curta duração, distinguindo-se das instituições de longa permanência.
Os pacientes admitidos nesses hospitais frequentemente apresentam um alto grau de dependência funcional e uma elevada complexidade de cuidado. Geralmente, são indivíduos idosos com múltiplas comorbidades, que passaram por internações prolongadas devido a afecções graves, como acidentes vasculares encefálicos, sepse, complicações pós-operatórias ou traumas.
Apesar da estabilidade clínica, a gravidade e a complexidade desses pacientes tornam frequente a necessidade de transferência para hospitais agudos gerais durante a internação no hospital de transição, evento conhecido como reinternação. A literatura indica que a taxa de reinternação pode atingir 23% na população geral de pacientes pós-agudos, e ser ainda maior em subgrupos específicos, como pacientes com câncer (Burke et al., 2016; Fu et al., 2014; Horney et al., 2017; Ottenbacher et al., 2014). Pacientes que vivenciam reinternações apresentam piores desfechos clínicos (Burke et al., 2016), e o risco de mortalidade pode ser elevado, chegando a 60% em doze meses para idosos submetidos a ventilação mecânica invasiva (Makam et al., 2019).
Diante da relevância clínica dessa questão, observa-se uma lacuna na literatura quanto à investigação de fatores potencialmente modificáveis que permitam a identificação precoce de pacientes com maior risco de reinternação ou óbito não esperado durante a internação em hospitais de transição. A capacidade de identificar esses pacientes no momento da admissão é fundamental para a introdução de estratégias de mitigação que possam reduzir a ocorrência de desfechos desfavoráveis.
Nesse contexto, a presente pesquisa justifica-se pela necessidade de desenvolver ferramentas que auxiliem na estratificação de risco e no suporte à decisão clínica em ambientes de cuidados pós-agudos. O objetivo deste estudo é criar e analisar a performance de modelos preditivos de desfechos adversos, caracterizados por transferência para hospital geral ou óbito não esperado, baseado em variáveis coletadas no momento da internação de uma população de pacientes admitidos para reabilitação em um hospital de transição. Para tanto, serão avaliadas as capacidades de discriminação e interpretabilidade de modelos de machine learning, a saber: regressão logística, árvore de decisão, random forest e XGBoost.
2. Material e Métodos
O presente estudo caracterizou-se como uma pesquisa observacional, do tipo coorte retrospectiva, com o propósito de criar e analisar a performance de modelos preditivos de desfechos adversos. A abordagem metodológica empregou técnicas de machine learning para identificar fatores de risco. A pesquisa foi aprovada por um comitê de ética em pesquisa, sob o número 53032821.0.0000.0047, com dispensa de Termo de Consentimento Livre e Esclarecido. Os dados foram tratados de maneira pseudonimizada, com acesso restrito aos pesquisadores, garantindo o sigilo e a confidencialidade das informações dos pacientes.
A unidade de análise consistiu em pacientes admitidos para reabilitação em um hospital de transição, uma instituição privada com 60 leitos, que oferece assistência médica e de enfermagem ininterrupta. Foram incluídos todos os pacientes admitidos para reabilitação nesse hospital no período compreendido entre julho de 2017 e dezembro de 2024. Excluíram-se da amostra os pacientes admitidos para cuidados paliativos. Para pacientes com múltiplas internações, apenas a primeira admissão foi considerada.
Os dados foram coletados de um banco de dados extraído de prontuários digitais dos pacientes. As informações foram pseudonimizadas. As variáveis coletadas incluíram dados clínicos sobre doenças de base, histórico de hospitalização aguda em hospital geral e informações da admissão no hospital de transição. A funcionalidade dos pacientes foi mensurada pela escala de Medida de Independência Funcional (MIF), com valores de 18 a 126. Os diagnósticos de admissão foram categorizados conforme a Classificação Internacional de Doenças (CID-10).
O desfecho principal do estudo foi categorizado em duas classes: favorável e não favorável. O desfecho favorável compreendeu alta médica e óbito esperado, enquanto o desfecho não favorável incluiu transferência para hospital geral ou óbito não esperado. Considerou-se reinternação toda transferência não programada para hospitais gerais durante a internação no hospital de transição, excluindo transferências eletivas para exames ou procedimentos programados. Óbito não esperado foi definido como qualquer óbito de paciente sem definição prévia de cuidados paliativos, mesmo que admitido para reabilitação.
Para o tratamento da base de dados, realizou-se um pré-processamento para lidar com valores ausentes e codificação de variáveis categóricas. Para a variável MIF, os 3% de valores ausentes foram substituídos pela moda. Nas variáveis “ferida” e “internações prévias nos últimos 12 meses”, os 7% e 1% de valores ausentes, respectivamente, foram atribuídos como zero. Os 10% de valores ausentes na variável CID foram categorizados como “outros”, e os 0,4% de valores ausentes na variável “unidade de origem” foram preenchidos com o valor mais frequente. Variáveis categóricas, como perfil, unidade de origem e CID, foram convertidas em variáveis “dummy” por meio de “one-hot encoding”.
Inicialmente, foram realizadas análises descritivas e univariadas da população para caracterizar os pacientes. Para comparar variáveis categóricas, utilizou-se o teste qui-quadrado. Para as variáveis contínuas, empregou-se o teste de Mann-Whitney. Essas análises preliminares visaram compreender a distribuição das variáveis e suas associações iniciais com o desfecho.
Para a construção dos modelos preditivos, a amostra foi dividida em subconjuntos de treinamento (70% dos indivíduos) e teste (30% dos indivíduos). Foram implementados e comparados quatro modelos estatísticos e de machine learning: Regressão Logística, Árvore de Decisão, Random Forest e XGBoost. A otimização dos hiperparâmetros para cada modelo foi realizada por meio da técnica de gridsearch, combinada com validação cruzada k-fold. Adicionalmente, aplicou-se uma estratégia de calibração do limiar de decisão (threshold).
A interpretabilidade dos modelos foi abordada com a tecnologia SHAP (SHapley Additive exPlanations). Avaliou-se o ranking global de importância das variáveis por meio de gráficos de Bar-Plot e Beeswarm, e realizou-se uma análise de explicação local no XGBoost com gráficos de Waterfall. A calibração dos modelos foi comparada pela área sob a curva ROC, utilizando análise de diferenças emparelhadas via bootstrapping com 1000 repetições. As análises foram realizadas em Python® versão 3.12.7, no ambiente IDE Spyder 5.5.1, utilizando bibliotecas como pandas, numpy, matplotlib, seaborn, statsmodel, statstests, sklearn, scipy, xgboost e shap. A conferência e otimização dos scripts foram auxiliadas pelo modelo de inteligência artificial Gemini (Google, 2024).
3. Resultados e Discussão
A presente investigação revelou que a ocorrência de desfechos desfavoráveis, caracterizados por reinternação hospitalar ou óbito não esperado, é uma realidade frequente em pacientes admitidos para reabilitação em hospitais de transição. Dos 1.306 pacientes incluídos na análise final, após a exclusão de 1.318 admissões por critérios específicos, 375 indivíduos, correspondendo a 29% da amostra, apresentaram um desfecho desfavorável. A maior parte desses eventos foi atribuída a transferências para hospitais de alta complexidade, que representaram 26% do total, enquanto os óbitos inesperados corresponderam a 2,7%.
As análises descritivas univariadas identificaram diversas variáveis associadas significativamente ao desfecho desfavorável. Pacientes que experimentaram desfechos adversos eram, em média, mais velhos (68,6 anos versus 66,1 anos, p=0,005) e apresentavam menor funcionalidade na admissão, conforme a escala MIF (40,3 versus 52,5, p<0,001). Adicionalmente, o tempo de internação no hospital de origem era mais prolongado (42,1 dias versus 32,0 dias, p<0,001) e o número de comorbidades era superior (3,1 versus 2,6, p<0,001) no grupo com desfechos desfavoráveis.
Em relação às variáveis categóricas, o perfil de adequação de cuidados, a presença de dieta enteral, a traqueostomia e a ocorrência de lesões por pressão na admissão foram associados a desfechos desfavoráveis com significância estatística (p<0,001 para todos). Por exemplo, 49,9% dos pacientes com desfecho desfavorável tinham perfil de adequação de cuidados, comparado a 34,2% no grupo favorável. A presença de lesões por pressão foi observada em 61,1% dos pacientes com desfecho desfavorável, contra 41,4% no grupo com desfecho favorável.
A unidade de origem também se mostrou um fator relevante, com pacientes provenientes da Unidade de Terapia Intensiva (UTI) apresentando uma proporção significativamente maior de desfechos desfavoráveis (42,7% versus 24,7% para desfecho favorável, p<0,001). Certas categorias diagnósticas, conforme a Classificação Internacional de Doenças (CID-10), como Neoplasias (grupo C), Doenças do Aparelho Respiratório (grupo J), Doenças do Aparelho Digestivo (grupo K) e Doenças do Sistema Osteomuscular e do Tecido Conjuntivo (grupo M), também exibiram associação com desfechos adversos.
No que concerne à modelagem preditiva, a regressão logística multivariada, empregada com finalidade explicativa, resultou em um modelo final com dez variáveis. Este modelo demonstrou uma acurácia de 74,43%, com precisão de 61% e recall de 30%. A área sob a curva ROC (Receiver Operating Characteristic) foi de 0,736, com um intervalo de confiança de 95% entre 0,706 e 0,766. A calibração do modelo foi considerada boa, conforme o teste de Hosmer-Lemeshow, que apresentou um valor de p de 0,887.
As variáveis identificadas como preditoras independentes no modelo de regressão logística incluíram a funcionalidade na admissão (MIF), o número de comorbidades, a presença de feridas (lesão por pressão), o tempo de internação no hospital de origem, a dieta enteral, o perfil de adequação de cuidados, a procedência da UTI e os grupos diagnósticos C (Neoplasias), K (Doenças do Aparelho Digestivo) e M (Doenças do Sistema Osteomuscular e do Tecido Conjuntivo). A funcionalidade na admissão (MIF) apresentou um Odds Ratio (OR) de 0,98, indicando que quanto menor a funcionalidade, maior o risco de desfecho desfavorável. Feridas (lesão por pressão) e procedência da UTI apresentaram ORs de 1,81 e 1,80, respectivamente, ambos com p<0,001, evidenciando seu impacto significativo.
A implementação do modelo de árvore de decisão, com o objetivo de aprimorar a capacidade preditiva, especialmente o recall, resultou em uma acurácia de 69% na base de teste. A área sob a curva ROC para este modelo foi de 0,657, com uma precisão de 45% e um recall de 30%. A acurácia na base de treino foi de 78%, enquanto na base de teste foi de 69%, sugerindo ausência de overfitting significativo. A árvore foi otimizada utilizando o critério de Gini, profundidade de sete e um mínimo de dez folhas.
O modelo Random Forest, aplicado na sequência para buscar melhorias de performance, inicialmente apresentou uma acurácia de 70%, com precisão de 47% e recall de 34%. Após a otimização de hiperparâmetros via gridsearch e validação cruzada k-fold, a melhor configuração alcançou uma profundidade de cinco e quinhentos estimadores. A performance otimizada resultou em uma acurácia balanceada de 62,7%, precisão de 42,4% e recall de 56,6%.
A análise de sensibilidade com diferentes limiares para o modelo Random Forest indicou que um limiar de 40% era o mais adequado clinicamente, priorizando a identificação de risco (recall de 84% e precisão de 37%). A área sob a curva ROC para este modelo na base de teste foi de 0,707, com um intervalo de confiança de 95% entre 0,653 e 0,762. As variáveis mais importantes para o modelo Random Forest, conforme a pontuação de Gini Importance, foram a funcionalidade na admissão (MIF), o tempo de internação no hospital de origem e a idade na internação.
O algoritmo XGBoost foi o modelo que demonstrou a melhor performance preditiva. Após a otimização de hiperparâmetros, obteve-se uma acurácia balanceada de 64,9% na base de teste, com um gap de 7,5% em relação à base de treino, considerado aceitável e indicativo de ausência de overfitting. O limiar de decisão de 35% foi identificado como o de melhores métricas, resultando em uma acurácia balanceada de 63%, recall de 90% e precisão de 36%.
A área sob a curva ROC para o modelo XGBoost na base de teste foi de 0,723, com um intervalo de confiança de 95% entre 0,666 e 0,774. A análise SHAP, utilizada para interpretar o impacto das variáveis, confirmou que a funcionalidade na admissão (MIF), a presença de lesões por pressão e a procedência da UTI foram as variáveis de maior impacto preditivo. Essas variáveis são consistentes com os achados da regressão logística, reforçando seu racional teórico como marcadores de fragilidade e complexidade clínica.
A comparação entre os modelos revelou que o XGBoost apresentou superioridade estatística em relação à Árvore de Decisão e ao Random Forest. O ganho médio na área sob a curva ROC do XGBoost sobre a Árvore de Decisão foi de 0,079 (p=0,006), e sobre o Random Forest foi de 0,015 (p=0,046). Este resultado sugere que a complexidade algorítmica dos modelos de gradient boosting, como o XGBoost, agrega valor significativo na predição de risco em comparação com modelos mais simples ou menos regularizados.
A performance discriminativa do modelo XGBoost, com AUC de 0,723, é considerada satisfatória e comparável ou superior à de outros estudos na literatura que abordam desfechos desfavoráveis em pacientes pós-agudos (Hoyer et al., 2014; Chandra et al., 2019). Embora alguns estudos tenham reportado AUCs mais elevadas, é importante notar que frequentemente empregaram técnicas de balanceamento de classes ou focaram em populações muito específicas, o que pode introduzir viés ou limitar a generalização dos resultados (Mohanty et al., 2021; Scrutinio et al., 2020).
A decisão de não utilizar técnicas de over ou undersampling no presente estudo foi deliberada, visando preservar a representatividade da realidade do fenômeno e evitar potenciais vieses na interpretação dos dados. O ajuste do modelo por meio da tunagem de hiperparâmetros e calibração de limiares foi a estratégia adotada para otimizar a performance, resultando em uma AUC razoável e calibração adequada para uma população clínica complexa, onde fatores extrínsecos podem influenciar os desfechos.
Os fatores preditores de desfechos desfavoráveis identificados, como a funcionalidade na admissão (MIF), a presença de lesões por pressão e a procedência da UTI, são consistentemente apontados na literatura como marcadores de fragilidade e complexidade clínica. A dependência funcional está associada a maior probabilidade de reinternação (Hoyer et al., 2014; Li et al., 2021; Shih et al., 2016), e lesões por pressão são um fator de risco para reinternações hospitalares (Bogaisky & Dezieck, 2015; Burke et al., 2016; Mohanty et al., 2021; Wang et al., 2022). A procedência da UTI também é um indicador de instabilidade clínica e risco de complicações (Burke et al., 2016; Ramos et al., 2024; White et al., 2011).
Esses achados reforçam a tese de que marcadores de gravidade clínica e fragilidade são cruciais na predição de eventos adversos em pacientes de reabilitação em hospitais de transição. A capacidade de identificar esses pacientes de alto risco no momento da admissão é fundamental para a implementação de estratégias de mitigação, o que pode incluir intervenções mais intensivas, monitoramento aprimorado ou ajustes no plano de cuidados. A consistência dos resultados com a literatura existente valida a relevância clínica dos fatores identificados e a utilidade dos modelos propostos.
Em síntese, a pesquisa demonstrou que desfechos desfavoráveis são comuns em hospitais de transição, e que modelos de machine learning, em particular o XGBoost, podem efetivamente estratificar o risco desses eventos. As variáveis de funcionalidade na admissão, lesões por pressão e procedência da UTI foram consistentemente identificadas como os principais preditores, oferecendo um suporte robusto à decisão clínica para a identificação precoce de pacientes vulneráveis e a mitigação de riscos, respondendo assim ao objetivo de criar e analisar a performance de modelos preditivos de desfechos adversos.
4. Conclusão
O presente estudo buscou criar e analisar a performance de modelos preditivos de desfechos adversos, como transferência para hospital geral ou óbito não esperado, em pacientes internados para reabilitação em um hospital de transição, utilizando variáveis coletadas na admissão. Verificou-se que desfechos desfavoráveis foram frequentes, atingindo 29% da amostra, predominantemente devido a transferências hospitalares. As análises identificaram que a funcionalidade na admissão (escala MIF), a presença de lesões por pressão e a procedência da Unidade de Terapia Intensiva (UTI) foram as variáveis de maior impacto preditivo para esses eventos. Entre os modelos de machine learning avaliados – Regressão Logística, Árvore de Decisão, Random Forest e XGBoost –, o algoritmo XGBoost demonstrou a melhor performance discriminativa, com uma área sob a curva ROC de 0,723, sendo estatisticamente superior aos modelos de Árvore de Decisão e Random Forest. Esses achados oferecem um suporte robusto à decisão clínica, permitindo a estratificação de risco eficaz em ambientes pós-agudos e a identificação precoce de pacientes vulneráveis, o que é fundamental para a implementação de estratégias de mitigação de riscos.
Uma limitação do presente estudo reside na necessidade de validação externa dos modelos, bem como na generalização dos achados para outras populações de pacientes em hospitais de transição. A decisão metodológica de não empregar técnicas de balanceamento de classes visou preservar a representatividade do fenômeno, embora possa ter influenciado a magnitude da área sob a curva ROC. Sugere-se que estudos futuros explorem a aplicação e validação desses modelos em diferentes contextos clínicos e geográficos, além de investigar a eficácia da implantação de intervenções baseadas na estratificação de risco para mitigar desfechos desfavoráveis.
Referências Bibliográficas
BOGAISKY, M.; DEZIECK, L. 2015. Early hospital readmission of nursing home residents and community-dwelling elderly adults discharged from the geriatrics service of an urban teaching hospital: patterns and risk factors. Journal of the American Geriatrics Society 63(3): 548-552.
BURKE, R.E.; WHITFIELD, E.A.; Hittle, D.; Min, S.j.; et al. 2016. Hospital readmission from post-acute care facilities: risk factors, timing, and outcomes. Journal of the American Medical Directors Association 17(3): 249-255.
Chandra, A.; Rahman, P.A.; SNEVE, A.; MCCOY, R.G.; et al. 2019. Risk of 30-day hospital readmission among patients discharged to skilled nursing facilities: development and validation of a risk-prediction model. Journal of the American Medical Directors Association 20(4): 444-450.
FU, J.B.; LEE, J.; SMITH, D.W.; SHIN, K.; et al. 2014. Frequency and reasons for return to the primary acute care service among patients with lymphoma undergoing inpatient rehabilitation. PM & R: The Journal of Injury, Function, and Rehabilitation 6(7): 629-634.
Google, 2024 [Referência completa não encontrada no documento original]
HORNEY, C.; CAPP, R.; BOXER, R.; BURKE, R.E. 2017. Factors associated with early readmission among patients discharged to post-acute care facilities. Journal of the American Geriatrics Society 65(6): 1199-1205.
HOYER, E.H.; NEEDHAM, D.M.; ATANELOV, L.; KNOX, B.; et al. 2014. Association of impaired functional status at hospital discharge and subsequent rehospitalization. Journal of Hospital Medicine 9(5): 277-282.
KAHN, J.M.; BENSON, N.M.; APPLEBY, D.; CARSON, S.S.; et al. 2010. Long-term acute care hospital utilization after critical illness. JAMA 303(22): 2253-2259.
LEE, J.T.; MIKKELSEN, M.E.; QI, M.; WERNER, R.M. 2020. Trends in post-acute care use after admissions for sepsis. Annals of the American Thoracic Society 17(1): 118-121.
LI, C.Y.; HAAS, A.; PRITCHARD, K.T.; KARMARKAR, A.; et al. 2021. Functional status across post-acute settings is associated with 30-day and 90-day hospital readmissions. Journal of the American Medical Directors Association 22(12): 2447-2453.e2445.
MAKAM, Α.Ν.; GRABOWSKI, D.C. 2021. Policy in clinical practice: choosing post-acute care in the new decade. Journal of Hospital Medicine 16(3): 171-174.
MAKAM, Α.Ν.; TRAN, T.; MILLER, M.E.; XUAN, L.; et al. 2019. The clinical course after long-term acute care hospital admission among older medicare beneficiaries. Journal of the American Geriatrics Society 67(11): 2282-2288.
MOHANTY, S.D.; LEKAN, D.; MCCOY, T.P.; JENKINS, M.; et al. 2021. Machine learning for predicting readmission risk among the frail: explainable Al for healthcare. Patterns 3(1): 100395.
OTTENBACHER, K.J.; KARMARKAR, A.; GRAHAM, J.E.; KUO, Y.F.; et al. 2014. Thirty-day hospital readmission following discharge from postacute rehabilitation in fee-for-service medicare patients. JAMA 311(6): 604-614.
RAMOS, J.G.R.; DE SOUZA, M.J.; REZENDE, A.S.; FERREIRA, F.S.; et al. 2024. Clinical trajectories of critically ill patients discharged directly from a critical unit to a postacute care facility: retrospective cohort. Critical Care Science 36: e20240015en.
SCRUTINIO, D.; RICCIARDI, C.; DONISI, L.; LOSAVIO, E.; et al. 2020. Machine learning to predict mortality after rehabilitation among patients with severe stroke. Scientific Reports 10: 20127.
SHIH, S.L.; ZAFONTE, R.; BATES, D.W.; GERRARD, P.; et al. 2016. Functional status outperforms comorbidities as a predictor of 30-day acute care readmissions in the inpatient rehabilitation population. Journal of the American Medical Directors Association 17(10): 921-926.
WANG, X.; EZEANA, C.F.; WANG, L.; PUPPALA, M.; et al. 2022. Risk factors and machine learning model for predicting hospitalization outcomes in geriatric patients with dementia. Alzheimer’s & Dementia: Translational Research & Clinical Interventions 8(1): e12351.
WHITE, A.C.; JOSEPH, B.; PERROTTTA, B.A.; GRANDFIELD, J.; et al. 2011. Unplanned transfers following admission to a long-term acute care hospital: a quality issue. Chronic Respiratory Disease 8(4): 245-252.
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

