16 de noviembre de 2026
Factores de riesgo para desenlaces desfavorables en pacientes admitidos para rehabilitación en hospital de transición
João Gabriel Rosa Ramos; Henrique Raymundo Gioia
DOI: 10.22167/2675-6528-202604288
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
Se investigaron los factores de riesgo de resultados desfavorables, como la readmisión hospitalaria y la muerte inesperada, en pacientes ingresados para rehabilitación en un hospital de transición. El objetivo fue crear y analizar el rendimiento de modelos predictivos para estos resultados adversos, basados en variables recopiladas en el momento del ingreso. Se realizó un estudio de cohorte retrospectivo con 1.306 individuos ingresados entre 2017 y 2024. Se compararon cuatro modelos estadísticos y de aprendizaje automático: Regresión Logística, Árbol de Decisión, Random Forest y XGBoost, empleando preprocesamiento riguroso, optimización de hiperparámetros mediante gridsearch y validación cruzada k-fold. Se utilizó la técnica SHAP para identificar las variables predictivas de mayor impacto. El resultado desfavorable fue frecuente, alcanzando el 29% de la muestra, predominantemente debido a transferencias hospitalarias (26%). El algoritmo XGBoost demostró el mejor rendimiento discriminatorio (AUC 0,723), siendo estadísticamente superior al Árbol de Decisión y al Random Forest. La funcionalidad en el momento del ingreso (escala MIF), las úlceras por presión y la procedencia de la UCI se identificaron como las variables de mayor impacto predictivo. Se concluyó que los modelos de gradient boosting permiten una estratificación de riesgo eficaz en entornos post-agudos, ofreciendo un soporte robusto a la decisión clínica y pueden ser útiles en la predicción de resultados desfavorables, ayudando a mitigar estos riesgos.
Palabras clave: Cuidados Post Agudos; Estratificación de riesgo; Machine Learning; Modelos Predictivos; Pronóstico.
1. Introducción
Los hospitales de transición desempeñan un papel crucial en el sistema de salud, actuando como una etapa intermedia entre el hospital general agudo y el domicilio, como lo destacan Makam y Grabowski (2021). Estas instituciones se especializan en brindar atención médica a pacientes complejos pero clínicamente estables que requieren rehabilitación intensiva, cuidados de enfermería de alta asistencia y, en algunos casos, cuidados paliativos al final de la vida (Kahn et al., 2010; Lee et al., 2020; Ramos et al., 2024). Se caracterizan por estancias cortas, distinguiéndose de las instituciones de larga estancia.
Los pacientes admitidos en estos hospitales a menudo presentan un alto grado de dependencia funcional y una elevada complejidad de cuidados. Generalmente, son personas mayores con múltiples comorbilidades, que han pasado por hospitalizaciones prolongadas debido a afecciones graves, como accidentes cerebrovasculares, sepsis, complicaciones postoperatorias o traumatismos.
A pesar de la estabilidad clínica, la gravedad y la complejidad de estos pacientes hacen frecuente la necesidad de transferencia a hospitales agudos generales durante la hospitalización en el hospital de transición, evento conocido como reinternación. La literatura indica que la tasa de reinternación puede alcanzar el 23% en la población general de pacientes posagudos, y ser aún mayor en subgrupos específicos, como pacientes con cáncer (Burke et al., 2016; Fu et al., 2014; Horney et al., 2017; Ottenbacher et al., 2014). Los pacientes que experimentan reinternaciones presentan peores resultados clínicos (Burke et al., 2016), y el riesgo de mortalidad puede ser elevado, llegando al 60% en doce meses para ancianos sometidos a ventilación mecánica invasiva (Makam et al., 2019).
Dada la relevancia clínica de esta cuestión, se observa una brecha en la literatura en cuanto a la investigación de factores potencialmente modificables que permitan la identificación temprana de pacientes con mayor riesgo de reinternación u óbito inesperado durante la hospitalización en hospitales de transición. La capacidad de identificar a estos pacientes en el momento del ingreso es fundamental para la introducción de estrategias de mitigación que puedan reducir la ocurrencia de desenlaces desfavorables.
En este contexto, la presente investigación se justifica por la necesidad de desarrollar herramientas que ayuden en la estratificación de riesgos y en el soporte a la decisión clínica en entornos de cuidados postagudos. El objetivo de este estudio es crear y analizar el rendimiento de modelos predictivos de resultados adversos, caracterizados por transferencia a hospital general u óbito no esperado, basado en variables recopiladas en el momento del ingreso de una población de pacientes admitidos para rehabilitación en un hospital de transición. Para ello, se evaluarán las capacidades de discriminación e interpretabilidad de modelos de machine learning, a saber: regresión logística, árbol de decisión, random forest y XGBoost.
2. Material y Métodos
El presente estudio se caracterizó como una investigación observacional, de tipo cohorte retrospectiva, con el propósito de crear y analizar el rendimiento de modelos predictivos de desenlaces adversos. El enfoque metodológico empleó técnicas de machine learning para identificar factores de riesgo. La investigación fue aprobada por un comité de ética en investigación, bajo el número 53032821.0.0000.0047, con exención de Consentimiento Informado Libre y Aclarado. Los datos fueron tratados de manera pseudonimizada, con acceso restringido a los investigadores, garantizando el sigilo y la confidencialidad de la información de los pacientes.
La unidad de análisis consistió en pacientes admitidos para rehabilitación en un hospital de transición, una institución privada de 60 camas que ofrece atención médica y de enfermería ininterrumpida. Se incluyeron todos los pacientes admitidos para rehabilitación en este hospital durante el período comprendido entre julio de 2017 y diciembre de 2024. Se excluyeron de la muestra los pacientes admitidos para cuidados paliativos. Para pacientes con múltiples admisiones, solo se consideró la primera admisión.
Los datos se recolectaron de una base de datos extraída de historias clínicas digitales de pacientes. La información fue anonimizada. Las variables recolectadas incluyeron datos clínicos sobre enfermedades de base, historial de hospitalización aguda en hospital general e información del ingreso en el hospital de transición. La funcionalidad de los pacientes se midió mediante la escala de Medida de Independencia Funcional (MIF), con valores de 18 a 126. Los diagnósticos de ingreso se categorizaron según la Clasificación Internacional de Enfermedades (CIE-10).
El desenlace principal del estudio se clasificó en dos categorías: favorable y no favorable. El desenlace favorable comprendió el alta médica y el fallecimiento esperado, mientras que el desenlace no favorable incluyó la transferencia a un hospital general o el fallecimiento inesperado. Se consideró readmisión toda transferencia no programada a hospitales generales durante la estancia en el hospital de transición, excluyendo las transferencias electivas para exámenes o procedimientos programados. El fallecimiento inesperado se definió como cualquier fallecimiento de paciente sin una definición previa de cuidados paliativos, incluso si fue admitido para rehabilitación.
Para el tratamiento de la base de datos, se realizó un preprocesamiento para manejar valores ausentes y la codificación de variables categóricas. Para la variable MIF, el 3% de valores ausentes fueron sustituidos por la moda. En las variables “herida” e “internaciones previas en los últimos 12 meses”, el 7% y 1% de valores ausentes, respectivamente, fueron asignados como cero. El 10% de valores ausentes en la variable CID fueron categorizados como “otros”, y el 0,4% de valores ausentes en la variable “unidad de origen” fueron rellenados con el valor más frecuente. Variables categóricas, como perfil, unidad de origen y CID, fueron convertidas en variables “dummy” mediante “one-hot encoding”.
Inicialmente, se realizaron análisis descriptivos y univariados de la población para caracterizar a los pacientes. Para comparar variables categóricas, se utilizó la prueba Chi-cuadrado. Para las variables continuas, se empleó la prueba de Mann-Whitney. Estos análisis preliminares tuvieron como objetivo comprender la distribución de las variables y sus asociaciones iniciales con el desenlace.
Para la construcción de los modelos predictivos, la muestra se dividió en subconjuntos de entrenamiento (70% de los individuos) y prueba (30% de los individuos). Se implementaron y compararon cuatro modelos estadísticos y de machine learning: Regresión Logística, Árbol de Decisión, Random Forest y XGBoost. La optimización de los hiperparámetros para cada modelo se realizó mediante la técnica de gridsearch, combinada con validación cruzada k-fold. Adicionalmente, se aplicó una estrategia de calibración del umbral de decisión (threshold).
La interpretabilidad de los modelos se abordó con la tecnología SHAP (SHapley Additive exPlanations). Se evaluó el ranking global de importancia de las variables mediante gráficos de Bar-Plot y Beeswarm, y se realizó un análisis de explicación local en XGBoost con gráficos de Waterfall. La calibración de los modelos se comparó por el área bajo la curva ROC, utilizando análisis de diferencias emparejadas vía bootstrapping con 1000 repeticiones. Los análisis se realizaron en Python® versión 3.12.7, en el entorno IDE Spyder 5.5.1, utilizando bibliotecas como pandas, numpy, matplotlib, seaborn, statsmodel, statstests, sklearn, scipy, xgboost y shap. La conferencia y optimización de los scripts fueron auxiliadas por el modelo de inteligencia artificial Gemini (Google, 2024).
3. Resultados y Discusión
La presente investigación reveló que la ocurrencia de desenlaces desfavorables, caracterizados por reinternación hospitalaria u óbito no esperado, es una realidad frecuente en pacientes admitidos para rehabilitación en hospitales de transición. De los 1.306 pacientes incluidos en el análisis final, tras la exclusión de 1.318 admisiones por criterios específicos, 375 individuos, correspondientes al 29% de la muestra, presentaron un desenlace desfavorable. La mayor parte de estos eventos se atribuyó a transferencias a hospitales de alta complejidad, que representaron el 26% del total, mientras que los óbitos inesperados correspondieron al 2,7%.
Los análisis descriptivos univariados identificaron diversas variables asociadas significativamente con el desenlace desfavorable. Los pacientes que experimentaron desenlaces adversos eran, en promedio, mayores (68,6 años frente a 66,1 años, p=0,005) y presentaban menor funcionalidad en la admisión, según la escala MIF (40,3 frente a 52,5, p<0,001). Adicionalmente, el tiempo de hospitalización en el hospital de origen era más prolongado (42,1 días frente a 32,0 días, p<0,001) y el número de comorbilidades era superior (3,1 frente a 2,6, p<0,001) en el grupo con desenlaces desfavorables.
En relación con las variables categóricas, el perfil de adecuación de cuidados, la presencia de dieta enteral, la traqueostomía y la ocurrencia de lesiones por presión en la admisión se asociaron con desenlaces desfavorables con significancia estadística (p<0,001 para todos). Por ejemplo, el 49,9% de los pacientes con desenlace desfavorable tenían perfil de adecuación de cuidados, comparado con el 34,2% en el grupo favorable. La presencia de lesiones por presión se observó en el 61,1% de los pacientes con desenlace desfavorable, frente al 41,4% en el grupo con desenlace favorable.
La unidad de origen también resultó ser un factor relevante, con pacientes provenientes de la Unidad de Terapia Intensiva (UTI) que presentaron una proporción significativamente mayor de desenlaces desfavorables (42,7% frente a 24,7% para desenlace favorable, p<0,001). Ciertas categorías diagnósticas, según la Clasificación Internacional de Enfermedades (CIE-10), como Neoplasias (grupo C), Enfermedades del Aparato Respiratorio (grupo J), Enfermedades del Aparato Digestivo (grupo K) y Enfermedades del Sistema Osteomuscular y del Tejido Conectivo (grupo M), también mostraron asociación con desenlaces adversos.
En cuanto al modelado predictivo, la regresión logística multivariada, empleada con fines explicativos, resultó en un modelo final con diez variables. Este modelo demostró una precisión del 74,43%, con una precisión del 61% y un recall del 30%. El área bajo la curva ROC (Receiver Operating Characteristic) fue de 0,736, con un intervalo de confianza del 95% entre 0,706 y 0,766. La calibración del modelo se consideró buena, según la prueba de Hosmer-Lemeshow, que presentó un valor de p de 0,887.
Las variables identificadas como predictoras independientes en el modelo de regresión logística incluyeron la funcionalidad en el ingreso (MIF), el número de comorbilidades, la presencia de heridas (lesión por presión), el tiempo de estancia en el hospital de origen, la dieta enteral, el perfil de adecuación de cuidados, la procedencia de la UCI y los grupos diagnósticos C (Neoplasias), K (Enfermedades del Aparato Digestivo) y M (Enfermedades del Sistema Musculoesquelético y del Tejido Conectivo). La funcionalidad en el ingreso (MIF) presentó un Odds Ratio (OR) de 0,98, lo que indica que cuanto menor es la funcionalidad, mayor es el riesgo de desenlace desfavorable. Las heridas (lesión por presión) y la procedencia de la UCI presentaron ORs de 1,81 y 1,80, respectivamente, ambos con p<0,001, evidenciando su impacto significativo.
La implementación del modelo de árbol de decisión, con el objetivo de mejorar la capacidad predictiva, especialmente el recall, resultó en una precisión del 69% en la base de prueba. El área bajo la curva ROC para este modelo fue de 0,657, con una precisión del 45% y un recall del 30%. La precisión en la base de entrenamiento fue del 78%, mientras que en la base de prueba fue del 69%, sugiriendo ausencia de overfitting significativo. El árbol fue optimizado utilizando el criterio de Gini, una profundidad de siete y un mínimo de diez hojas.
El modelo Random Forest, aplicado en la secuencia para buscar mejoras de rendimiento, inicialmente presentó una precisión del 70%, con una exactitud del 47% y un recall del 34%. Tras la optimización de hiperparámetros mediante gridsearch y validación cruzada k-fold, la mejor configuración alcanzó una profundidad de cinco y quinientos estimadores. El rendimiento optimizado resultó en una precisión balanceada del 62,7%, una exactitud del 42,4% y un recall del 56,6%.
El análisis de sensibilidad con diferentes umbrales para el modelo Random Forest indicó que un umbral del 40% era el más adecuado clínicamente, priorizando la identificación de riesgo (recall del 84% y precisión del 37%). El área bajo la curva ROC para este modelo en la base de prueba fue de 0,707, con un intervalo de confianza del 95% entre 0,653 y 0,762. Las variables más importantes para el modelo Random Forest, según la puntuación de Gini Importance, fueron la funcionalidad en el momento del ingreso (MIF), el tiempo de estancia en el hospital de origen y la edad en el momento del ingreso.
El algoritmo XGBoost fue el modelo que demostró el mejor rendimiento predictivo. Tras la optimización de hiperparámetros, se obtuvo una precisión balanceada del 64,9% en la base de prueba, con una brecha del 7,5% en relación con la base de entrenamiento, considerada aceptable e indicativa de ausencia de sobreajuste. El umbral de decisión del 35% fue identificado como el de mejores métricas, resultando en una precisión balanceada del 63%, recall del 90% y precisión del 36%.
El área bajo la curva ROC para el modelo XGBoost en la base de prueba fue de 0,723, con un intervalo de confianza del 95% entre 0,666 y 0,774. El análisis SHAP, utilizado para interpretar el impacto de las variables, confirmó que la funcionalidad en la admisión (MIF), la presencia de úlceras por presión y la procedencia de la UCI fueron las variables de mayor impacto predictivo. Estas variables son consistentes con los hallazgos de la regresión logística, reforzando su racional teórico como marcadores de fragilidad y complejidad clínica.
La comparación entre los modelos reveló que XGBoost presentó superioridad estadística en relación al Árbol de Decisión y al Random Forest. La ganancia media en el área bajo la curva ROC del XGBoost sobre el Árbol de Decisión fue de 0,079 (p=0,006), y sobre el Random Forest fue de 0,015 (p=0,046). Este resultado sugiere que la complejidad algorítmica de los modelos de gradient boosting, como el XGBoost, agrega valor significativo en la predicción de riesgo en comparación con modelos más simples o menos regularizados.
El rendimiento discriminatorio del modelo XGBoost, con un AUC de 0,723, se considera satisfactorio y comparable o superior al de otros estudios en la literatura que abordan desenlaces desfavorables en pacientes posagudos (Hoyer et al., 2014; Chandra et al., 2019). Aunque algunos estudios han reportado AUCs más altas, es importante señalar que frecuentemente emplearon técnicas de balanceo de clases o se enfocaron en poblaciones muy específicas, lo que puede introducir sesgos o limitar la generalización de los resultados (Mohanty et al., 2021; Scrutinio et al., 2020).
La decisión de no utilizar técnicas de sobremuestreo o submuestreo en el presente estudio fue deliberada, con el objetivo de preservar la representatividad de la realidad del fenómeno y evitar posibles sesgos en la interpretación de los datos. El ajuste del modelo mediante la sintonización de hiperparámetros y la calibración de umbrales fue la estrategia adoptada para optimizar el rendimiento, resultando en una AUC razonable y una calibración adecuada para una población clínica compleja, donde factores extrínsecos pueden influir en los desenlaces.
Los factores predictivos de resultados desfavorables identificados, como la funcionalidad en el ingreso (MIF), la presencia de úlceras por presión y la procedencia de la UCI, son consistentemente señalados en la literatura como marcadores de fragilidad y complejidad clínica. La dependencia funcional se asocia con una mayor probabilidad de reinternación (Hoyer et al., 2014; Li et al., 2021; Shih et al., 2016), y las úlceras por presión son un factor de riesgo para reinternaciones hospitalarias (Bogaisky & Dezieck, 2015; Burke et al., 2016; Mohanty et al., 2021; Wang et al., 2022). La procedencia de la UCI también es un indicador de inestabilidad clínica y riesgo de complicaciones (Burke et al., 2016; Ramos et al., 2024; White et al., 2011).
Estos hallazgos refuerzan la tesis de que los marcadores de gravedad clínica y fragilidad son cruciales en la predicción de eventos adversos en pacientes de rehabilitación en hospitales de transición. La capacidad de identificar a estos pacientes de alto riesgo en el momento del ingreso es fundamental para la implementación de estrategias de mitigación, lo que puede incluir intervenciones más intensivas, monitorización mejorada o ajustes en el plan de cuidados. La consistencia de los resultados con la literatura existente valida la relevancia clínica de los factores identificados y la utilidad de los modelos propuestos.
En resumen, la investigación demostró que los resultados desfavorables son comunes en hospitales de transición, y que los modelos de machine learning, en particular XGBoost, pueden estratificar eficazmente el riesgo de estos eventos. Las variables de funcionalidad en la admisión, las úlceras por presión y la procedencia de la UCI fueron consistentemente identificadas como los principales predictores, ofreciendo un soporte robusto a la decisión clínica para la identificación temprana de pacientes vulnerables y la mitigación de riesgos, respondiendo así al objetivo de crear y analizar el rendimiento de modelos predictivos de resultados adversos.
4. Conclusión
El presente estudio buscó crear y analizar el rendimiento de modelos predictivos de desenlaces adversos, como transferencia a hospital general u óbito no esperado, en pacientes internados para rehabilitación en un hospital de transición, utilizando variables recolectadas en la admisión. Se verificó que los desenlaces desfavorables fueron frecuentes, alcanzando el 29% de la muestra, predominantemente debido a transferencias hospitalarias. Los análisis identificaron que la funcionalidad en la admisión (escala MIF), la presencia de lesiones por presión y la procedencia de la Unidad de Terapia Intensiva (UTI) fueron las variables de mayor impacto predictivo para estos eventos. Entre los modelos de machine learning evaluados – Regresión Logística, Árbol de Decisión, Random Forest y XGBoost –, el algoritmo XGBoost demostró el mejor rendimiento discriminativo, con un área bajo la curva ROC de 0,723, siendo estadísticamente superior a los modelos de Árbol de Decisión y Random Forest. Estos hallazgos ofrecen un soporte robusto a la decisión clínica, permitiendo la estratificación de riesgo eficaz en entornos post-agudos y la identificación precoz de pacientes vulnerables, lo cual es fundamental para la implementación de estrategias de mitigación de riesgos.
Una limitación del presente estudio reside en la necesidad de validación externa de los modelos, así como en la generalización de los hallazgos a otras poblaciones de pacientes en hospitales de transición. La decisión metodológica de no emplear técnicas de balanceo de clases visó preservar la representatividad del fenómeno, aunque pueda haber influido en la magnitud del área bajo la curva ROC. Se sugiere que estudios futuros exploren la aplicación y validación de estos modelos en diferentes contextos clínicos y geográficos, además de investigar la eficacia de la implantación de intervenciones basadas en la estratificación de riesgo para mitigar desenlaces desfavorables.
Referencias 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.
Artículo originado 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