AO-5476 VERSÃO ORIGINAL EM PORTUGUÊS_PREPRINT_JULIANA Tempo de permanência em unidade de terapia intensiva pediátrica: modelo de predição Length of stay in pediatric intensive care unit: prediction model Título curto: Tempo de permanência em unidade de terapia intensiva pediátrica: modelo de predição Simone Brandi 1 , Eduardo Juan Troster 2 , Mariana Lucas da Rocha Cunha 2 1 Hospital Israelita Albert Einstein, São Paulo, SP, Brasil. 2 Faculdade Israelita de Ciências da Saúde Albert Einstein, Hospital Israelita Albert Einstein, São Paulo, SP, Brasil. DOI: 10.31744/einstein_journal/ xxxxAO5476
58
Embed
apps.einstein.brapps.einstein.br/revista/arquivos/correcaotraducao/5476... · Web view8.Levin SR, Harley ET, Fackler JC, Lehmann CU, Custer JW, France D, et al. Real-time forecasting
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
AO-5476 VERSÃO ORIGINAL EM PORTUGUÊS_PREPRINT_JULIANA
Tempo de permanência em unidade de terapia intensiva pediátrica: modelo de
predição
Length of stay in pediatric intensive care unit: prediction model
Título curto: Tempo de permanência em unidade de terapia intensiva pediátrica:
modelo de predição
Simone Brandi1, Eduardo Juan Troster2, Mariana Lucas da Rocha Cunha2
1 Hospital Israelita Albert Einstein, São Paulo, SP, Brasil.
2 Faculdade Israelita de Ciências da Saúde Albert Einstein, Hospital Israelita Albert
Einstein, São Paulo, SP, Brasil.
DOI: 10.31744/einstein_journal/xxxxAO5476
Como citar este artigo:
Brandi S, Troster EJ, Cunha ML. Tempo de permanência em unidade de terapia
intensiva pediátrica: modelo de predição. einstein (São Paulo). xxxx;xx:eAO5476.
LegendaA = Idade em meses G = Transplante de Medula Óssea N = Pós operatório pequeno porte B = Masculino H = Monitorização Hemodinâmica O = SepseC = Ambulatório I = Monitorização pós evento P = TraumaD = Centro Cirúrgico J = Neurológico Q = OutroE = Externo L = Pós operatório grande porte R = Escore PELODF = Pediatria M = Pós operatório médio porte S = Admissão Urgência/Emergência
Com os valores preditos por este esse modelo, foi construída a curva ROC COR
(figura Figura 3), e a área sob a curva foi de 0,71. Os valores preditos na curva
CORROC, no momento da admissão, que se apresentaremapresentassem-se
maiores que o ponto de corte (-0,855), indicarão indicariam que existiahá risco de TP
Mariana Lucas da Rocha Cunha, 27/07/20,
Inserido em word
Juliana Reisa Almeida Machado, 27/07/20,
Editora técnicaNão é possível visualizar claramente a legenda da figura. Autor enviar a legenda no formato de texto
Viviane Zeppelini, 27/07/20,
ilegível. Melhor apresentar como Equação 1 ao invés de Figura 2. Verificar
entre três 3 e quatro 4 dias. Ao passo que, vValores preditos menores que o ponto
de corte (-0,855), estimarão estimariam risco entre 1 a 2 dias.
Ponto de corte ótimo indicado junto ao valor do ponto de corte (Sensibilidade,
Especificidade). n=912ASC: área sob a curva.
Figura 3. Curva Característica de Operação do Receptor ROC para o risco de
permanência 3 a 4 dias obtida pelo modelo logístico múltiplo. O ponto de corte ótimo
foi indicado junto ao valor do ponto de corte (sensibilidade e especificidade), com
n=912.
AUC: área sob a curva. Ponto de corte ótimo indicado junto ao valor do ponto de
corte (Sensibilidade, Especificidade). n=912
Da mesma forma, no cálculo para o modelo de predição de risco de permanência
maior que 4 dias, as variáveis significativas foram: idade (em meses), idade ao
Juliana Reisa Almeida Machado, 27/07/20,
Editora técnicaFavor verificar se o título da figura está okJu: Não precisa dizer que é curva ROC. Risco de permanência......
Viviane Zeppelini, 27/07/20,
Alterar na imagem AUC para ASC
Mariana Lucas da Rocha Cunha, 27/07/20,
ok
Viviane Zeppelini, 27/07/20,
Alterei o tempo verbal por se tratar dos Resultados. Checar se não mudei demais o sentido da frase
quadrado (em meses), motivo de admissão, escore PELOD e o seu quadrado, e uso
de acesso venoso. O mesmo modelo foi ajustado aos dados, excluindo-se valores
discrepantes, com TP superior a 50 dias e superior a 30 dias, e notou-se que o
sentido dos efeitos não se alterou, nem as conclusões sobre a significância de cada
uma das variáveis incluída no modelo, evidenciando-se que o modelo de predição
de risco não sofreu influência considerável de tais valores discrepantes. A fórmula
para o cálculo do risco do TP maior que quatro 4 dias na UTIP UTI pediátrica é
apresentada na figura 4. A área sob a curva ROC COR foi de 0,69, com ponto de
corte para o escore de risco estimado de -1,221 (Figura 5).
Figura 4. Fórmula para o cálculo do risco do tempo de permanência maior que
quatro 4 dias na unidade de terapia intensiva pediátrica.
LegendaA = Idade em meses G= Pós operatório pequeno porte B = Monitorização Hemodinâmica H = Sepse C = Monitorização pós evento I = Trauma D = Neurológico J = Outro E = Pós operatório grande porte L = Escore PELOD F = Pós operatório médio porte M = Acesso Venoso
Mariana Lucas da Rocha Cunha, 27/07/20,
Inserido
Juliana Reisa Almeida Machado, 27/07/20,
editora técnicaNão é possível visualizar claramente a legenda da figura. Autor enviar a legenda no formato de texto
Juliana Reisa Almeida Machado, 27/07/20,
Editora técnica ok a fórmula no formato de figura ?pode ser
Viviane Zeppelini, 27/07/20,
Equação 2?
ASC: área sob a curva.
Figura 5. Curva Característica de Operação do ReceptorROC para risco
permanência maior que 4 dias obtida pelo modelo logístico múltiplo. AUC: área sob
a curva. PO ponto de corte ótimo foi indicado junto ao valor do ponto de corte
(Sensibilidadesensibilidade, e Especificidadeespecificidade). ), com n=1.197.
Finalmente, para obtenção do escore preditivo, foi necessário, primeiramente,
utilizar o modelo de predição de risco para TP maior que 4 dias. Isto, inicialmente,
definiu se a permanência seria menor ou maior que 4 dias. Caso o valor do escore
fosse menor que -1,221 deveria ser aplicado o modelo de predição de 3 a 4 dias,
enquanto que, se o valor do escore fosse menor que -0,855, a permanência
estimada seria de 1 a 2 dias. Finalmente, se o valor fosse maior do que -0,855, o TP
seria de 3 a 4 dias.
Viviane Zeppelini, 27/07/20,
Alterar na imagem AUS para ASC
DISCUSSÃO
Os pacientes graves que há duas décadas morreriam, atualmente, são expostos às
internações prolongadas, mortalidade tardia e graus variados de incapacidade, a fim
de se tentar evitar o desfecho de óbito. Avanços na tecnologia e a expectativa da
família ou da equipe assistencial correspondem a estas essas mudanças.
PortantoAssim, a identificação precoce do risco de permanência dos pacientes
ajudaria a equipe de saúde e as famílias a entenderem as implicações da doença e
do TP prolongado. Os potenciais resultados permitiriam ainda, o planejamento dos
cuidados, visando, sempre que possível, aà desospitalização do paciente.(1,2)
Os modelos de predição de risco são utilizados para prever o risco de um evento
específico, – neste caso, a chance de permanência 1 a 2 dias, 3 a 4 dias e maior
que 4 dias. Neste Nesse sentido, somente serão úteis se trouxerem resultados que
auxiliem o planejamento adequado da desospitalização; evitarem atrasos nas
admissões de pacientes que requerem cuidado intensivo; e favorecerem a gestão
adequada de recursos humanos e físicos.(3)
A desospitalização em tempo adequado, sem riscos para o paciente, também deve
ser uma preocupação do gestor, com o intuito de evitar alta precoce e readmissão.
Uma pesquisa que avaliou a readmissão em UTIP UTI pediátrica detectou que 62%
dos pacientes foram readmitidos devido à piora da condição primária. A predição do
TP pode otimizar a sustentabilidade dos recursos, mas não deve promover
condições iatrogênicas no cuidado ao paciente.(10)
No presente estudo, os modelos de predição de risco para o período de 3 a 4
dias e maior que 4 dias de permanência, apresentaram uma discriminação de
0,71 e 0,69, respectivamente. As acurácias encontradas para 3 a 4 dias e maior
que 4 dias de permanência, mostrou mostraram uma possibilidade de acerto,
considerada modesta, de 65% e 66%, respectivamente. Neste caso, para a adoção
do modelo no caso de indivíduos impactados por questões clínicas, seria necessária
uma acurácia excepcional acima de 0.,90 e, provavelmente, o julgamento clínico da
equipe assistencial poderia ser mais preciso que o risco calculado por este modelo.
Foi possível identificar que somente a utilização de dados clínicos e, provavelmente,
de algumas das características do paciente na admissão, limitou a predição do TP
dos pacientes admitidos na UTIPUTI pediátrica, com melhor discriminação e
acurácia. Um estudo que avaliou a implantação de um projeto para participação dos
enfermeiros nas visitas clínicas à beira do leito em UTIP, pediátrica identificou
diminuição do TP de 2,5 dias, antes das visitas, para 2,10 dias, durante o projeto.
Além disto, as pontuações nas pesquisas de satisfação de pacientes internados
aumentaram de 82,4 para 92,2%.(11) Os resultados deste referido estudo reforçam a
importância de se considerar outros fatores para a avaliação do TP.
Estudos revelaram que hHá outros fatores que influenciam no TP do paciente
admitido em uma UTIPUTI pediátrica, como as complicações decorrentes das
condições clínicas, como pneumotórax, falência renal, bloqueio neuromuscular e
infusões vasoativas, e, também as taxas de infecção associada à corrente
sanguínea, que exigem métodos sofisticados de suporte à vida, e aumentam o TP e
os custos nas UTIPUTI pediátricas.(3,12)
Estudo que avaliou os indicadores de qualidade assistencial em uma UTI pediátricaP
de 7 sete leitos, na região Região nordeste Nordeste do país, apontou para um TP
médio de permanência de 15,52 ± 0,94 dias e concluiu que esta média teria relação
com o perfil de pacientes com diagnóstico de TCE internados na região. Além
Mariana Lucas da Rocha Cunha, 27/07/20,
Sim, pode alterar!
Viviane Zeppelini, 27/07/20,
Traumatismo craniencefálico?
Mariana Lucas da Rocha Cunha, 27/07/20,
Por favor, excluir esta frase riscada
distoAinda, o TP foi menor quando o tempo de ventilação mecânica necessário
também tinha sidofora menor.(13)
Modelos de predição de risco que auxiliem no conhecimento prévio do TP são
ferramentas importantes, dada a possibilidade de comparação com o desfecho real
de tempo e por permitirem a avaliação indireta da qualidade do cuidado. , Além além
da previsão de permanência apoiar a tomada de decisão no gerenciamento do leito.
(8)
Todavia, ao utilizarmos o TP como indicador de qualidade para avaliação do serviço
e controle satisfatório dos custos hospitalares, há um risco dessa abordagem
conduzir aà prática de alta insegura, que é inapropriada e precoce. O objetivo da
previsão acurada da alta, ou seja, de predizer o tempo de permanênciaTP, não é
acrescentar condições inseguras ao processo do cuidado do paciente, mas
encorajar a implantação de programas que evitem as complicações associadas à
longa permanência nas UTIPUTI pediátricas.(8,9)
Modelos de predição de risco do TP que consideram variáveis do paciente obtidas
somente durante a admissão teêm limitações intrínsecas, já que não consideram
outras características presentes durante a internação tais como possíveis
complicações e eventos adversos, que mostraram-se associados ao aumento do TP
na UTI.(14) Estudo identificou que somente a utilização de características da
admissão dos pacientes e o uso do perfil fisiológico não são suficientemente
conclusivos para estimar o TP dos pacientes, e, que a inclusão de fatores
terapêuticos pós-admissão sãoé importantes na investigação desta relação, para a
proposição dos modelos multivariáveis.(3)
Há que se considerar, por exemplo, que crianças com condições de saúde crônicas
possuem doenças prévias (de base) com necessidades contínuas de cuidados.
Estudo recente mostra que as condições crônicas presentes nas crianças aumentam
o seu risco de permanência mais do queem relação às outras sem esta essa
condição. Portanto, não ponderar sobre a prevalência e o tipo de condição crônica
dificultará a predição do TP destas dessas crianças.(1,2)
No entanto, ao se considerar incluir as variáveis pós-admissionais, que
possivelmente aumentariam a chance de acerto do modelo de predição, acarretaria
em desvalorizar as vantagens de se ter uma estimativa de TP imediata ao momento
da admissão.
O fator institucional, não avaliado em nosso estudo, é provavelmente causa da
variabilidade no TP e limita a acurácia dos modelos de predição. Entre os fatores
institucionais que podem ser citados, destacam-se os protocolos clínicos, as práticas
de manejo de final de vida, assim como e, a filosofia assistencial adotada, e os
eventos ou intercorrências clínicas que ocorrem durante a internação e que
influenciam podem influenciar significativamente na performanceno desempenho
dos modelos estatísticos. Quando estes fatores não são incluidos no cálculo de
estimativas de tempo de permanência, os modelos de predição não são capazes de
considerar as Ademais, não são capazes de refletir as mudanças na prática
intensiva e na utilização dos recursos terapêuticos, que ocorrem durante a
internação.
CONCLUSÃO
Este estudo possibilitou a construção de um modelo de predição de risco de tempo
de permanência das crianças no momento da admissão na unidade de terapia
intensiva pediátrica, considerando-se as características e os dados clínicos dos
pacientes.
Mariana Lucas da Rocha Cunha, 27/07/20,
Alterado, por favor, considerar a nova versão:O fator institucional é provavelmente causa da variabilidade no TP e, quando não avaliado, como neste estudo, limita a acurácia dos modelos de predição. Entre os fatores institucionais que podem ser citados, destacam-se os protocolos clínicos, as práticas de manejo de final de vida e os eventos ou intercorrências clínicas que ocorrem durante a internação e podem influenciar significativamente nos desfechos clínicos nas UTIP e, consequentemente no desempenho dos modelos estatísticos. Quando estes fatores não são incluidos no cálculo de estimativas de tempo de permanência, os modelos de predição não são capazes de considerar as mudanças na prática intensiva e na utilização dos recursos terapêuticos que ocorrem ao longo da internação.
As características demográficas, e as condições clínicas e de internação dos
pacientes na admissão que se apresentaram como melhores preditores do tempo de
permanência de três 3 a quatro 4 dias na unidade de terapia intensiva pediátrica
foram idade (em meses), gênerosexo, origem, motivo de admissão, Escore escore
PELOD e o seu quadrado, indicação de admissão e a interação entre a indicação de
admissão e a idade (em meses). Considerando-se o modelo preditor para mais de
quatro 4 dias na unidade de terapia intensiva pediátrica, foram significativas as
variáveis: idade (em meses), idade ao quadrado (em meses), motivo de admissão,
Escore escore PELOD e o seu quadrado, e uso de acesso venoso.
Apesar da baixa acurácia encontrada, que, de certa forma, limita o apoio à tomada
de decisão da equipe assistencial para a gestão dos recursos e planejamento da alta
do paciente, evidencia-se que o estudo avançou no conhecimento referente aos
fatores admissionais do paciente, que interferem no tempo de permanência na
unidade de terapia intensiva pediátrica e colabora com a literatura sobre o tema.
INFORMAÇÃO DOS AUTORES
Brandi S: http://orcid.org/0000-0002-5564-4861
Troster EJ: http://orcid.org/0000-0002-9164-9280
Cunha ML: http://orcid.org/0000-0002-0768-7971
REFERÊNCIAS
1. O’Brien S, Nadel S, Almosssawi O, Inwald DP. The impact of chronic health
conditions on lengtht of stay and mortality in general PICU. Pediatr Crit Care Med.
2017;18(1):1-7.
[2.] Geoghegan S MA, Oulton K, Bull C, Brierley J, Peters M, Wray J. The challenges
of caring for long-stay patients in the PICU. Pediatr Crit Care Med. 2016;17(6):266-
71.
[3.] Pollack MM, Holubkov R, Reeder R, Dean JM, Meert KL, Berg RA, et al. PICU
length of stay: factors associated with bed utilization and development of a
benchmarking model. Pediatr Crit Care Med. 2018;19(3):196-203.
[4.] Verburg IW, de Keizer NF, de Jonge E, Peek N. Comparison of regression
methods for modeling intensive care length of stay. PLoS One. 2014;9(10):e109684.
[5.] Hsu BS, Lakhani SA, Brazelton TB. Relationship between severity of illness and
length of stay on costs incurred during a pediatric critical care hospitalization. S D
Med. 2015;68(8):339-44.
6. PICANet: a decade of data: Paediatric Intensive Care Audit Network. Leeds
(UK): Universities of Leeds and Leicester; 20184.[Internet]. UK: PICANet, 2018
LegendA = Age in months G = Bone Marrow Transplant N = Small post-operative period B = Male H = Hemo-dynamic Monitoring O = SepsisC = Outpatient I = Post-event monitoring P = TraumaD = Surgical Center J = Neurological Q = OtherE = External L = Large postoperative period R = PELOD scoreF = Pediatrics M = Medium-sized postoperative period S =Emergency/Urgency/Admission
Predicted values for this model was constructed the COR curve (Figure 3),
and the area under the curve was 0.71. Predict values in COR curve, upon
admission, that presented greater than cut-off point (-0,855) indicated that risk would
exist of LOS between 3 and 4 days. Lower predict values than the cut-off point (-
0.885) estimated risk between 1 and 2 days.
Mariana Lucas da Rocha Cunha, 07/27/20,
Por se tratar de estimativa, não poderia ser: Would estimated? A frase original é “valores.... estimariam risco entre...”Por favor, confirmar.
Mariana Lucas da Rocha Cunha, 07/27/20,
ROC
Mariana Lucas da Rocha Cunha, 07/27/20,
Inserido
Juliana Reisa Almeida Machado, 07/27/20,
Editora técnicaNão é possível visualizar claramente a legenda da figura. Autor enviar a legenda no formato de texto
Viviane Zeppelini, 07/27/20,
ilegível. Melhor apresentar como Equação 1 ao invés de Figura 2. Verificar
ASCAUC: area under the curve
Figure 3. Receiver operating characteristic curve for risk of hospitalization from 3 to
4 days obtained by multiple logistic model. The optimal cut-off point was indicated
along with cut-off point (sensibility and specificity), n=912.
Similarly, in predictive for calculation of risk model with a longer stay, more than 4
days, significant variables were age (in months), age-squared (in months), reasons
for hospital admission, PELOD score and their square, and the use of venous
access. The same model was adjusted to data, excluding different values, with LOS
higher than 50 days and 30 days, and the sense of effects that did not change,
neither conclusions about significance of each one of the variables included in the
Mariana Lucas da Rocha Cunha, 07/27/20,
Termo mais usado em estatística, nestes casos é outliers.
Mariana Lucas da Rocha Cunha, 07/27/20,
Similarly, in predictive for calculation of risk model with LOS?
Juliana Reisa Almeida Machado, 07/27/20,
Editora técnicaFavor verificar se o título da figura está okJu: Não precisa dizer que é curva ROC. Risco de permanência......
Mariana Lucas da Rocha Cunha, 07/27/20,
Em Inglês, AUC. Por favor, confirmar.
Viviane Zeppelini, 07/27/20,
Alterar na imagem AUC para ASC
model, showing that predictive risk model did not suffer considerable influence of
such disrupting values. The form to calculate risk of LOS greater than 4 days in
pediatric ICU is presented in figure 4. The area under the COR curve was 0.69 with
cut-off point for risk score estimated from -1,221 (Figure 5).
A = Age in months G = Small post-operative period B = Hemo-dynamic Monitoring H = Sepsis C = Post-event monitoring I = Trauma D = Neurological J = Other E = Large postoperative period L = PELOD score F = Medium-sized postoperative period M = Venous Access
Figure 4. Form to calculate risk of length of stay greater than 4 days in the pediatric
intensive care unit.
Juliana Reisa Almeida Machado, 07/27/20,
editora técnicaNão é possível visualizar claramente a legenda da figura. Autor enviar a legenda no formato de texto
Mariana Lucas da Rocha Cunha, 07/27/20,
outliers
ASCAUC: area under the curve.
Figure 5. Receiver operating characteristic curve for stay risk greater than 4 days
obtained by the multiple logistic model. The cut-off point was indicated along with
values of cut-off value (sensibility and specificity), n=1,197.
Finally, to obtain the predictive score, first there was the need to use model of risk
prediction for LOS greater than 4 days. Initially, we defined that stay would be lower
or greater than 4 days. In case of score value they would be lower than -1,221 that
should be applied the prediction model from 3 to 4 days, while, if the value of score
would be lower than -0,855, the estimated stay would be 1 to 2 days. Finally, the
value would be greater than -0,855, and the LOS would be from 3 to 4 days.
DISCUSSION
Severe ills patients who for the two decades would die, currently, are exposed to
longer periods of hospitalization, late death and a varied degrees of disability, in
Mariana Lucas da Rocha Cunha, 07/27/20,
Seria sem este “and”. Por favor, confirmar.
Mariana Lucas da Rocha Cunha, 07/27/20,
Idem
Viviane Zeppelini, 07/27/20,
Alterar na imagem AUS para ASC
order to prevent death. Advances in technology, family expectation, or health care
team correspond to these changes. Therefore, the early identification of risk among
hospitalized patient would help health care team and patients’ families to understand
implications of the disease and the longer LOS. Potential results would also allow
care planning, aiming, whenever possible, hospital discharge.(1,2)
Prediction models of risk are used to prevent risk of specific event – in this
case, the chance of hospitalization from 1 to 2 days, 3 to 4 days, and greater than 4
days. In this sense, these models will only be useful if they brought results that help
adequate planning for hospital discharge, avoid delays in hospital admissions that
required intensive care, and favor the adequate management of physical and human
resources.(3)
Hospital discharge on the adequate time, without risk for the patient, would
also be a concern for the manager, with the reason to avoid early hospital discharge
and readmission. A study that evaluated readmission on pediatric ICU reported that
62% of patients were readmitted due to worsening in primary condition. The
prediction of LOS can optimize the sustainability of resources, but such prediction
does not promote iatrogenic conditions in patient care.(10)
In this study, risk prediction models for the period from 3 to 4 days and greater
than 4 days had discrimination from 0.71 and 0.69, respectively. aAccuracy found for
periods from 3 to 4 days and greater than 4 days of hospital stay showed a chance of
correctness that was considered modest, from 65% and 66%, respectively. In this
case, to adopt the model for individuals affected by clinical issues would require an
excellent accuracy, i.e., above 0.09 and, probably, the clinical judgment of care team
would be more precise than the calculated risk for this model.
Mariana Lucas da Rocha Cunha, 07/27/20,
Retiramos a frase referente à discriminação. Favor considerar a nova versão.
Microsoft Office User, 07/27/20,
Authors, please confirm this term. I could not understand the idea in Portuguese.
Mariana Lucas da Rocha Cunha, 07/27/20,
Não seria “the early identification of stay risk”? Por favor, confirmar.
It was possible to identify that only the use of clinical data and, probably, some
of characteristics of patient upon admission had limited prediction of LOS of patients
admitted to pediatric ICU, showing a better discrimination and accuracy. One study
that evaluated the implantation of project for participation of nurses on bedside
clinical visits on pediatric ICU identified reduced LOS from 2.5 days before visits, to
2,10 days during the project. In addition, the average score on satisfaction surveys of
hospitalized patients raised from 82.4 to 92.2%.(11) The results of this specific study
reinforce the importance take into account other factors for assessment of LOS.
There are other factors that influence in LOS of patients admitted to pediatric
ICU such as complications due to clinical conditions, pneumothorax, renal failure,
neuromuscular, and vasoactive infusions, and also associated bloodstream infection,
which require sophisticated methods of life support and increase LOS and pediatric
ICU-costs.(3,12)
A study that evaluated indications of care quality in pediatric ICU with seven
beds, on northeast region of Brazil, pointed out for mean LOS from 15.52 ± 0.94
days, and concluded that this mean would be related with profile of patients with
diagnosis of CET hospitalized in the region. Still, the LOS was lower when the time
for mechanical ventilation needed was also lower.(13)
Prediction risk models that support previous knowledge of LOS are important
tools given the possibility of compare them with real time outcomes and conduct
indirect assessment of care quality. In these models help in decision making in bed
management.(8)
Of note is that the use of LOS as quality indicator to assess services and to
the fair control of hospital costs involve the risk of this approach leads to highly
insecure practice, which is inappropriate and early approach. The objective of high-
Mariana Lucas da Rocha Cunha, 07/27/20,
Unsafe? Fiquei em dúvida, vejo mais o termo “safe practice” do que “secure practice”. Por favor, confirmar.
Mariana Lucas da Rocha Cunha, 07/27/20,
Não seria melhor: “risk of this approach leading to” Por favor, confirmar.
Mariana Lucas da Rocha Cunha, 07/27/20,
Considerando a sugestão do revisor e portanto, a mudança da frase em português, não seria: “in addition to supporting decision-making in bed management”?
Mariana Lucas da Rocha Cunha, 07/27/20,
pneumothorax, renal failure, neuromuscular são exemplos das complicações, não devemos usar uma frase ou expressão de ligação. “…such as complications due to clinical conditions, for example, pneumothorax , renal failure, neuromuscular…”
accurate discharge, i.e., time for LOS prediction, is not to promote insecurity
conditions for patient care process, but to encourage the adoption of the actions and
programs that avoid complications associated with long hospital stay in pediatric ICU.
(8,9)
Prediction risk models of LOS that consider only variables obtained from
patient during admission are limited, particularly that these variables do not consider
other characteristics during the hospitalization such as possible complications and
adverse events that may be associated with increase of LOS in ICU.(14) A study
identified that only the use of characteristics of admission of patients and the use of
physiological profile are not conclusive enough to estimate LOS of patients. There is
a need to include therapeutic factors after admission to investigate this estimation
and to propose multivariable models.(3)
We should consider, for example, that children with chronic health conditions
often present previous disease (underlying disease) and require continuing
healthcare. A recent study showed that children with chronic conditions have higher
risk of LOS than those without these conditions. Therefore, the lack of reflection that
is not to evaluate about the prevalence and type of chronic condition may be barrier
to LOS prediction for these children.(1,2)
However, to consider to include post-admission variables that would be
possible to increase the chance of accurate prediction model would end up decrease
the impact of advantages of immediate estimation of LOS upon admission.
The institutional factor, which was not evaluated in our study, is likely to be the
cause of variability in LOS and limitation of the accurate prediction models.
Institutional factors that can be mentioned are clinical protocols, end-of-life
management practices and care philosophy adopted that influence significantly
Mariana Lucas da Rocha Cunha, 07/27/20,
Acho que mudou o sentido, favor avaliar: “Therefore, not considering the assessment of prevalence and the type of chronic condition can lead to a barrier to predicting LOS for these children.” Por favor, confirmar.
Mariana Lucas da Rocha Cunha, 07/27/20,
Penso que aqui temos que colocar algo que reforce a ideia de que a doença crônica aumenta o risco de permanência prolongada. Talvez: “A recent study showed that children with chronic conditions have a higher risk of long-term stay than those without these conditions.”
performance of statistical models. Other factors may be those unable to lead to
changes in intensive practice and to promotion of using of therapeutic resources
during hospitalization.
CONCLUSION
This study enabled to construct predictive risk model of LOS of children upon
admission at the pediatric intensive care unit by considering patients’ characteristics
and clinical data. Demographic features, clinical conditions and hospitalization of
patients on admission that presented best predictors of LOS of 3-4 days at the
pediatric intensive care unit were age (in months), sex, origin, reason for admission,
and interaction between indication for admission and age (in months).
In the predictive model for more than 4 days at the pediatric intensive care unit
significant variables were age (in months), age-squared (in months), reason for
admission, PELOD score and its square, and the use of intravenous access.
Despite the low accuracy found that, in certain extent, limits the support to
decision making of healthcare team in terms of resource management and planning
of patient discharge. Our study contributes to extent the literature and advance the
knowledge related to patients’ admission factors that interfere in length of stay at
pediatric intensive care units.
AUTHOR’S INFORMATION
Brandi S: http://orcid.org/0000-0002-5564-4861
Troster EJ: http://orcid.org/0000-0002-9164-9280
Cunha ML: http://orcid.org/0000-0002-0768-7971
Microsoft Office User, 07/27/20,
Author, please check the wording. I could not understand the original idea in Portuguese.
Mariana Lucas da Rocha Cunha, 07/27/20,
Alteramos a frase, favor considerar a nova versão: O fator institucional é provavelmente causa da variabilidade no TP e, quando não avaliado, como neste estudo, limita a acurácia dos modelos de predição. Entre os fatores institucionais que podem ser citados, destacam-se os protocolos clínicos, as práticas de manejo de final de vida e os eventos ou intercorrências clínicas que ocorrem durante a internação e podem influenciar significativamente nos desfechos clínicos nas UTIP e, consequentemente no desempenho dos modelos estatísticos. Quando estes fatores não são incluidos no cálculo de estimativas de tempo de permanência, os modelos de predição não são capazes de considerar as mudanças na prática intensiva e na utilização dos recursos terapêuticos que ocorrem ao longo da internação.
REFERENCES
2.[6.] O’Brien S, Nadel S, Almosssawi O, Inwald DP. The impact of chronic health
conditions on length of stay and mortality in general PICU. Pediatr Crit Care Med.
2017;18(1):1-7.
3.[7.] Geoghegan SM, Oulton K, Bull C, Brierley J, Peters M, Wray J. The challenges
of caring for long-stay patients in the PICU. Pediatr Crit Care Med. 2016;17(6):266-
71.
4.[8.] Pollack MM, Holubkov R, Reeder R, Dean JM, Meert KL, Berg RA, et al. PICU
length of stay: factors associated with bed utilization and development of a
benchmarking model. Pediatr Crit Care Med. 2018;19(3):196-203.
5.[9.] Verburg IW, de Keizer NF, de Jonge E, Peek N. Comparison of regression
methods for modeling intensive care length of stay. PLoS One. 2014;9(10):e109684.
6.[10.] Hsu BS, Lakhani SA, Brazelton TB. Relationship between severity of illness
and length of stay on costs incurred during a pediatric critical care hospitalization. S
D Med. 2015;68(8):339-44.
6. PICANet: a decade of data: Paediatric Intensive Care Audit Network. Leeds
(UK): Universities of Leeds and Leicester; 2014.
7. Brasil. Ministério da Saúde. Agência Nacional de Saúde Suplementar. Média
de permanência UTI pediátrica [Internet]. Rio de Janeiro: ANS; 2013 [citado 2020
Mar 10]. Disponível em: http://www.ans.gov.br/images/stories/prestadores/E-EFI-
08.pdf
8. Levin SR, Harley ET, Fackler JC, Lehmann CU, Custer JW, France D, et al.
Real-time forecasting of pediatric intensive care unit length of stay using
computerized provider orders. Crit Care Med. 2012;40(11):3058-64.
Juliana Reisa Almeida Machado, 27/07/20,
AutorFavor enviar o link de acesso para padronização da referência