Predição do risco de hospitalização de idosos: adaptação de uma metodologia para clientes de uma operadora de planos de saúde Justificativa Camila Canella Cherubino Ilka Afonso Reis Fernando Martin Biscione Graziele Umbelina Alves Ferreira Sergio Adriano Loureiro Bersan Em 2020, o Brasil terá a sexta maior população idosa do mundo, com cerca de 32 milhões de pessoas 1, representando 11% do total da população. Com o aumento da expectativa de vida da população brasileira para 73 anos, houve uma modificação no padrão de utilização dos serviços de saúde. As hospitalizações são mais frequentes e prolongadas, tendo em vista que as condições de saúde dos idosos são crônicas e múltiplas e envolvem intervenções custosas, com tecnologias complexas para acompanhamento e cuidado adequados 6,7. Nesse contexto, o objetivo do presente estudo foi construir um modelo de regressão logística que seja capaz de predizer o risco de hospitalização de idosos clientes de uma operadora de saúde para aprimoramento de medidas preventivas e desenvolvimento de ações e atividades de educação e promoção da saúde. Metodologia Foi realizado um estudo de coorte retrospectivo envolvendo 10.544 clientes, com idade igual ou superior a 60 anos, aleatoriamente amostrados, de uma operadora de planos de saúde. No período de janeiro a outubro de 2010, foi aplicado o questionário, pertencente ao instrumento Probability of Repeated Admission (PRA) elaborado por Boult et al 1 (1993). A aplicação do questionário foi via contato telefônico. O questionário possui oito perguntas objetivas e aborda os seguintes fatores para a predição da probabilidade de admissão hospitalar: auto-percepção do estado de saúde; número de hospitalizações nos últimos 12 meses; número de consultas médicas nos últimos 12 meses; presença de diabetes mellitus; presença de doença coronariana; sexo; disponibilidade de um cuidador; faixa etária 4. A entrevista foi realizada por duas empresas de pesquisa (A e B). 41,6% dos indivíduos foi entrevistada pela empresa A, na qual os entrevistadores eram profissionais da área da saúde e 58,4% dos indivíduos foram entrevistados pela empresa B, onde os entrevistadores eram leigos no assunto. As respostas foram auto-referidas pelos idosos ou ficavam a cargo do cuidador, quando o mesmo era incapaz de respondê-las. Com as respostas obtidas foi elaborado o modelo de regressão logística capaz de estimar a probabilidade de hospitalizações. Após 12 meses da aplicação do questionário, verificou-se a hospitalização ou não desses indivíduos. Assim como no estudo de Boult et al 1, a técnica estatística utilizada para a construção do instrumento capaz de discriminar indivíduos com alto ou baixo risco de internação foi a Regressão Logística com função de ligação logit. 1
No modelo de regressão logística, dadas a variável dependente Y e as variáveis independentes (fatores) X 1,..., X n, o objetivo foi construir um modelo que relacionasse a variável aleatória Y a variáveis independentes fixadas. O modelo é expresso por; (1) Onde: Y é a variável resposta observada; X j são as j variáveis independentes observadas; β j são os coeficientes que devem ser estimados com base nos valores observados de Y e X Para evitar o problema restritivo de que os valores de probabilidade são números no intervalo de 0 e 1, a função logística pode ser linearizada pela transformação logit, que é definida como: (2) Onde PI(X) representa a probabilidade de o indivíduo ser internado nos próximos 12 meses e é expressa por: (3) Sendo, (4) Isto nos leva à seguinte relação: = (5) A expressão em (5) é chamada Função de Regressão Logística Linear. A importância dessa transformação é que o logit tem muito das desejáveis propriedades de regressão linear. Depois de ajustado, foi necessário verificar se o modelo é adequado. Nesse estudo, para verificar essa adequação foi utilizado o teste da Razão de Verossimilhança, que define um teste uniformemente mais poderoso. As hipóteses para o teste da Razão de Verossimilhança são: H 0 : β 1 = β 2 = β 3 =... = β p-1 = 0 H 1 : Pelo menos um β j é diferente. A estatística de teste é dada por: 2
LR chi2 = -2ln (6) Sendo a distribuição Qui-quadrado com k graus de liberdade. K representa o número de fatores incluídos no modelo e λ é o valor da função de verossimilhança para o modelo múltiplo. Para esse trabalho, a hipótese nula será rejeitada se o valor-p associado ao teste for menor que 0,05. Outro método utilizado no estudo para verificar a qualidade do modelo ajustado foi a Curva ROC (Receiver Operating Characteristic). A curva ROC permite quantificar a exatidão do teste diagnóstico. Ela é proporcional à área sob a curva. Além disso, com a sensibilidade, a especificidade e a prevalência de internações durante os 12 meses de acompanhamento dadas pela curva ROC, foi possível calcular os valores preditivos positivos e os valores preditivos negativos para cada ponto de corte. O valor preditivo positivo (VPP) indica a proporção de acertos do modelo para aqueles indivíduos que obtiveram teste positivo. Já o valor preditivo negativo (VPN) indica a proporção de acertos do modelo para indivíduos classificados como negativos. Resultados Análise Descritiva 10.546 (8,11%) clientes idosos foram entrevistados. Dois desses clientes não puderam ser acompanhados durante o período de 12 meses após a aplicação do questionário, sendo assim, a amostra utilizada foi de 10.544 clientes. Dos idosos estudados 66,7% eram do sexo feminino (7.033 mulheres) e 23,7% do sexo masculino. Em relação à idade, estratificada no questionário em quatro faixas-etárias, foi encontrada a seguinte distribuição: 58,6% estavam na faixa de 60 a 74 anos, 17,2% tinham de 75 a 79 anos, 13,3% de 80 a 84 anos e 11% tinha mais de 80 anos de idade. A categorização das idades difere, uma vez que foi necessário adaptar o instrumento para utilização em nosso meio, de acordo com o preconizado nas diretrizes legais da Política Nacional do Idoso 2, que define como idosos os indivíduos de 60 anos ou mais de idade e não os de 70 anos ou mais como utilizado por Boult 1 e colaboradores. Durante os 12 meses de acompanhamento, a prevalência de internações foi de 15,6%, sendo a taxa de 15,3% entre as mulheres e 16,4%.entre os homens. Quanto à auto-percepção do estado de saúde, 1.075 (10,2%) disseram ter saúde excelente; 1.837 (17,4%) muito boa; 4.996 (47,4%) boa; 2.352 (22,3%) média e 284 (2,7%) ruim. Nos últimos meses anteriores à entrevista, a maior parte dos idosos não havia sido hospitalizada nenhuma vez (82%), 612 (5,8%) não fizeram nenhuma consulta médica; 988 (9,4%) consultaram uma vez, 3.700 (35,1%) consultaram duas ou três vezes; 3.122 (29,6%) consultaram de quatro a seis vezes e 2.122 (20,1%) mais que seis vezes. Em relação è presença de diagnósticos clínicos de condições crônicas consideradas de risco para a hospitalização, 36,3% responderam possuir doença coronariana e 17,5% declararam possuir diabetes mellitus. 3
A Tabela 1 resume os perfis encontrados na amostra investigada, com relação aos fatores de risco de hospitalização. Tabela 1: Perfil dos idosos que responderam ao questionário segundo variáveis do instrumento de predição de internação Variáveis Frequência % Sexo Masculino 3.511 33,3% Feminino 7.033 66,7% Faixa etária 60 a 74 anos 6.174 58,6% 75 a 79 anos 1.810 17,2% 80 a 84 anos 1.404 13,3% Maior ou igual a 85 anos 1.156 11,0% Auto-percepção do estado de saúde Excelente 1.075 10,2% Muito boa 1.837 17,4% Boa 4.996 47,4% Média 2.352 22,3% Ruim 284 2,7% Presença de doença coronariana Não 6.712 63,7% Sim 3.832 36,3% Presença de diabetes mellitus Não 8.701 82,5% Sim 1.843 17,5% Número de consultas médicas nos últimos 12 meses anteriores à entrevista Nenhuma vez 612 5,8% Uma vez 988 9,4% Duas ou três vezes 3.700 35,1% Quatro a seis vezes 3.122 29,6% Mais do que seis vezes 2.122 20,1% Número de internações nos últimos 12 meses anteriores à entrevista Não 8.651 82,0% Sim 1.893 18,0% Disponibilidade de um cuidador Não 543 5,1% Sim 9.755 92,5% Não sei 246 2,3% Ajuste do modelo A amostra utilizada para o ajuste dos modelos de regressão logística foi dos 4.386 idosos entrevistados pela empresa A. Após o ajuste de alguns modelos e o agrupamento das categorias de algumas variáveis, o modelo considerado mais adequado e parcimonioso para explicar a hospitalização de idosos pode ser visto na Tabela 2. O valor-p para a estatística do teste que verifica a adequação do modelo obtido foi inferior a 0,01. Assim pode-se considerar que o modelo é adequado para predizer a internação de um idoso a níveis de significância superiores a 1%. 4
Tabela 2: Resultados para o modelo de regressão logística para predição do risco de hospitalização em idosos considerando a amostra entrevistada pela empresa A. Variável resposta: Internação nos próximos 12 meses Odds Ratio Coeficiente P-valor Intervalo de 95% confiança para OR Limite inferior Limite superior Constante - -2,35 0,00 - - Auto-percepção do estado de saúde: Boa a Excelente 1,00 - - - - Média 1,63 0,49 0,00 1,35 1,97 Ruim 1,72 0,54 0,02 1,11 2,67 Internou nos últimos 12 meses: Não 1,00 - - - - Sim 1,92 0,65 0,00 1,59 2,32 Faixa etária: De 60 a 74 anos 1,00 - - - - De 75 a 79 anos 1,32 0,27 0,02 1,04 1,66 De 80 a 84 anos 1,29 0,25 0,03 1,02 1,62 Mais de 85 anos 2,03 0,71 0,00 1,64 2,51 Sexo: Feminino 1,00 - - - - Masculino 1,29 0,26 0,00 1,08 1,54 Número de vezes que foi à uma consulta médica nos últimos 12 meses: Até 6 vezes 1,00 - - - - Mais de 6 vezes 1,27 0,24 0,01 1,05 1,54 Presença de doença coronariana: Não 1,00 - - - - Sim 1,43 0,36 0,00 1,17 1,74 Presença de Diabetes Mellitus: Não 1,00 - - - - Sim 1,20 0,18 0,10 0,96 1,49 O fator Disponibilidade de um cuidador foi excluído do modelo, uma vez que, assim como em outros modelos testados, o mesmo não foi estatisticamente significativo para explicar a variável resposta. Apesar de o fator Presença de diabetes mellitus também não ter obtido significância estatisticamente relevante, ele permaneceu no modelo por ser importante do ponto de vista médico para prever a hospitalização, principalmente em pessoas idosas. As complicações decorrentes da diabetes são graves, destacando-se a doença isquêmica do coração e doenças vasculares periféricas, que estão entre as maiores causas de mortalidade e morbidade. 3,5. Idosos com auto-percepção do estado de saúde classificadas como ruim apresentaram 72% a mais de chances de ser hospitalizado que aqueles que auto-classificaram sua saúde como Boa a Excelente. Além disso, aqueles que já haviam sido internados 12 meses antes de responderem ao questionário tiveram a chance de internar aumentada em 92%. Outro fator é a faixa etária à qual o indivíduo pertence. Indivíduos acima de 85 anos têm 2 vezes mais chance de internar que um que está na faixa dos 60 a 74 anos. Essa chance passa para aproximadamente 30% para as outras faixas etárias se comparadas à faixa de 60 a 74 anos. Foi possível perceber também que os homens têm 5
29% de chances a mais de internar que as mulheres. Os pacientes que fizeram mais de seis consultas médicas nos 12 meses anteriores à entrevista apresentaram uma chance de hospitalização superior em 43% se comparada à chance dos que fizeram menos de seis consultas. Os fatores com maior influência no modelo, foram aqueles que obtiveram os maiores coeficientes, ou seja, idosos que internaram nos 12 meses anteriores à entrevista, que possuem mais de 85 anos ou avaliam a própria saúde como média ou ruim possuem a probabilidade de internação aumentada se comparados aos demais. Qualidade do ajuste Indivíduos com alta chance de hospitalização serão aqueles com probabilidade de internação (PI(Y)) acima do ponto de corte escolhido. Caso contrário, a chance será classificada como baixa. A curva ROC (Figura 1), construída com base na amostra de idosos entrevistados pela empresa A, mostrou acurácia preditiva de 0,6677, com intervalo de confiança variando de 0,6462 a 0,6891. Baseando-se nos pontos de corte, percebe-se que o modelo tem uma alta especificidade. Figura 1: Curva ROC do modelo de predição do risco de hospitalização em 12 meses para idosos com idades acima de 60 anos entrevistados pela empresa de pesquisa A. A Figura 2 apresenta o comportamento do VPP, do VPN e da probabilidade de diagnósticos positivos (P[+]) segundo vários pontos de corte aplicados à estimativa de probabilidade de internação fornecidos pelo modelo de regressão logística apresentado na Tabela 3, ajustado na população de idosos entrevistados pela empresa A. Como pode ser observado, quanto maior for o ponto de corte, maior será o VPP e menor serão o VPN e a probabilidade de diagnósticos positivos (P[+]). Além disso, nota-se que o modelo é melhor em prever indivíduos que não serão hospitalizados, já que o VPN tem valores muito altos, variando de 84% a 93%. 6
Figura 2: VPP, VPN e probabilidades de diagnósticos positivos segundo pontos de corte aplicados à estimativa da probabilidade de internação futura fornecidas pelo modelo de regressão logística ajustado na amostra entrevistada pela empresa A. Uma vez que o P[+] representa o percentual de indivíduos que terão diagnóstico positivo, ou seja, o percentual de idosos que serão classificados como sendo detentores de uma alta chance de serem hospitalizados dentro de 12 meses, a operadora de planos de saúde deve escolher o ponto de corte levando em consideração o número de idosos que ela está disposta ou que é capaz de acompanhar na tomada de ações preventivas. É importante ressaltar que o modelo tem uma maior capacidade de acerto em indivíduos que não serão hospitalizados. Sendo assim, é mais vantajoso escolher o ponto de corte observando o VPN, já que, se aqueles que não serão hospitalizados forem definidos com alta probabilidade de acerto, basta agir preventivamente nos restantes. Para verificar a qualidade preditiva do modelo, o mesmo foi aplicado na população de 6.158 idosos entrevistados pela empresa B. As probabilidades de internação foram calculadas para cada um deles. As curvas do VPP, VPN e P[+] construídas para esse grupo apresentaram comportamento semelhante à curva da Figura 2. A Tabela 3 apresenta a distribuição desses idosos quanto a essas probabilidades e a prevalência de internação. Tabela 3: Percentual de idosos e prevalência de internação de acordo com a probabilidade de internação em 12 meses dada pelo modelo de regressão logística aplicado à população entrevistada pela empresa B. PI(Y) Frequência % Prevalência de internação Menor que 0,2 4.396 71,4% 19% De 0,2 a 0,3* 1.221 19,8% 21% De 0,3 a 0,4* 376 6,1% 32% De 0,4 a 0,5* 129 2,1% 42% Maior ou igual a 0,5 36 0,6% 91% Total 6.158 100% 15% * exclusive o limite superior De acordo com a Tabela 3, maior prevalência de internações ocorreu em indivíduos que tiveram probabilidade maior ou igual a 0,5 (91%). Nessa amostra, quando a probabilidade de internação foi inferior a 0,2, apenas 19% dos indivíduos internaram no período estudado. 7
Ao aplicar os coeficientes de regressão do modelo Boult et al (1993) na população estudada, apenas 34% dos indivíduos com probabilidade de internação superior a 0,5 foram hospitalizados, sugerindo maior eficiência do modelo proposto. Conclusão O presente trabalho apresenta uma adaptação de um instrumento de predição do risco de hospitalização em idosos clientes de uma operadora de planos de saúde. Essa ferramenta permite que a operadora construa uma estratégia de intervenção específica para redução de hospitalizações em idosos identificados como de maior risco. A ferramenta desenvolvida nesse trabalho mostrou-se adequada para predizer a internação dos idosos clientes da operadora se comparada ao instrumento original desenvolvido por Boult et al (1993). Idosos do sexo masculino, que foram hospitalizados ou fizeram mais de 6 visitas médicas nos 12 meses anteriores à entrevista, que possuíam mais de 85 anos, avaliaram a própria saúde como média ou ruim e que possuem doença coronariana apresentaram maior chance de internação se comparados às suas respectivas categorias de referência. A escolha do ponto de corte para definição do estrato de risco deverá ser baseada nos valores preditivos positivo e negativo desejados, levando em consideração o número de idosos que ela está disposta ou que é capaz de acompanhar por meio de ações preventivas. A escolha de um ponto de corte alto tenderá a diminuir o número de indivíduos com diagnóstico positivo, diminuindo a proporção de casos de internação futura classificados erroneamente pelo instrumento. Referências Bibliográficas 1. Boult C, Dowd B, McCaffrey D, Boult L, Hernandez R, Krulewitch H. Screening elders for risk of hospital admission. J Am Geriatr Soc 1993; 41:811-7 2. Gordilho A, Nascimento J S, Ramos LR, Freire MPA, Espindola N, Maia R, Veras R, Karsch U. Desafios a Serem Enfrentados no Terceiro Milênio pelo Setor Saúde na Atenção Integral ao Idoso. Rio de Janeiro: Universidade Aberta da Terceira Idade, Universidade do Estado do Rio de Janeiro. 2000 3. Kutner MH, Nachtsheim CJ, Neter J, Wasserman W. Applied Linear Statistical Models. 4ª ed. New York: McGraw-Hill, 1996; p. 573 4. Lima MF, Veras, R. Saúde pública e envelhecimento. Cadernos de Saúde Pública 2003;19(3):700-701. 5. Louenço RA. Assistência ambulatorial geriátrica: hierarquização da demanda. Rev Saude Publica 2005; 39(2): 311-8. 6. Veras RP, Costa MFL. Saúde Pública e Envelhecimento. Rev Saude Publica. 2003. 7. Wagner JT, Bachmann LM, Boult C, Harari D, Renteln-Kruse W, Egger M, et al. Predicting the risk of hospital admission in older persons validation os a brief self- administered questionnaire in three European countries. J Am Geriatr Soc. 2006;54(8):1271-6. 8