Desenvolvimento de um sistema para o gerenciamento das internações e fluxo de pacientes entre hospitais e cidades de uma região

Desenvolvimento de um sistema para o gerenciamento das internações e fluxo de pacientes entre hospitais e cidades de uma região Fernando Sequeira Sousa1, 2, Lygia M. Ferreira R. da Silva1, 2, Emilson Roveri2, Gilmar Mazzer2, Juan Stuardo Yazlle Rocha2, Domingos Alves2 1

Departamento de Física e Matemática (DFM), Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP), Universidade de São Paulo (USP), Brasil 2 Departamento de Medicina Social (DMS), Faculdade de Medicina de Ribeirão Preto (FMRP), Universidade de São Paulo (USP), Brasil Resumo – O processamento automático de dados hospitalares tem uma grande importância na tomada de decisões em ambientes de saúde. Gestores e profissionais dessa área podem utilizar ferramentas e sistemas de informação que facilitam a visualização e análise destes dados. Este artigo descreve o desenvolvimento de um sistema de informação que possibilita a integração e análise de dados referentes às internações e o fluxo de pacientes entre hospitais e cidades de uma região. Isto é feito de maneira robusta através de relatórios gerenciais, onde as informações podem ser desagregadas no espaço e no tempo e visualizadas por meio de tabelas, gráficos e até mesmo em mapas da região. O sistema ainda fornece medidas estatísticas inovadoras que caracterizem os hospitais e as cidades da região de estudo. Palavras-chave: Sistemas de Informação em Saúde, Demanda Hospitalar, Fluxo de Pacientes, CPDH Abstract – The automatic nosocomial data processing has a large importance at decision-making at health ambient. Managers and health professionals can use tools and information systems that make visualization and data analysis easy. This article describes the development of an information system that allows the integration and data analysis of internments and patient flow between hospitals and cities of a region. It is done by a strong means through managerial reports, where the information can be desegregated at space and time and seem on tables, chart and even in maps of the region. The system also gives innovative statistical measures that characterize hospitals and cities from the study region. Key-words: Health Information System, Nosocomial flow, Patient flow, CPDH Introdução O Departamento de Medicina Social da Faculdade de Medicina de Ribeirão Preto conta com um centro que processa dados de egressos provindos de 34 estabelecimentos das 26 cidades que compõem a região de Ribeirão Preto (DRSXIII), o CPDH (Centro de Processamento de Dados Hospitalares). Este centro trabalha com o intuito de organizar os dados hospitalares, melhorando a sua qualidade e possibilita estudos da assistência médico hospitalar, tanto clínicos, como epidemiológicos e de gestão da assistência a partir das informações processadas por ele. A principal fonte de dados que alimenta o banco de dados do CPDH é a folha de alta hospitalar, que é preenchida manualmente pelos médicos nos hospitais e depois enviadas eletronicamente para o CPDH, para então compor seu banco de dados. Após serem preenchidas pelos médicos, a folha de alta hospitalar é revisada, codificada e digitada, para que o CPDH já receba a informação digitalizada. Isso faz com que o CPDH tenha informações de todas as internações realizadas na região, SUS e não SUS (YAZLLE ROCHA, 1993). Essa característica torna os dados do CPDH mais completos que o

de sistemas como o SIHSUS (Sistemas de Informações Hospitalares do SUS), pois este contém informações apenas de internações SUS. Nesse contexto, o desenvolvimento de um sistema que permita trabalhar com esses dados de maneira gerencial, torna-se importante para acelerar o processo de avaliação da assistência hospitalar e de estudos epidemiológicos da morbidade e mortalidade hospitalar, bem como para fornecer um cenário mais abrangente da demanda de pacientes no contexto regional e em múltiplas escalas. A idéia principal deste trabalho é mostrar alguns aspectos do desenvolvimento de um sistema de informação que auxilie não só na recuperação de dados, mas seja capaz de extrair informações relevantes desses dados, transformando-as em conhecimento sobre as principais características que influenciam as internações de pacientes em uma região, cidade ou hospital. Para isso, as informações extraídas devem ser transformadas automaticamente de estatísticas simples, já conhecidas em epidemiologia, até medidas mais complexas, como a entropia (desordem) no fluxo de pacientes e coeficientes de competição entre hospitais,

baseados na proporção de pacientes atendidos em cada hospital. Mais ainda, o sistema deveria permitir uma visualização e integralização de relatórios com opções de tabelas, simples gráficos e até mesmo em mapas temáticos da região, de uma cidade, ou de uma micro-região específica. Metodologia Como já comentado inicialmente utilizamos um banco de dados disponibilizado pelo Centro de Processamentos de Dados do Hospitalares (CPDH), do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (FMRP - USP). Particularmente, para caracterizar o sistema, as informações sobre internações hospitalares estão restritas aos pacientes que tiveram alta nos anos de 2005 e de 2006, na regional de saúde de Ribeirão Preto (DRS XIII). O sistema foi desenvolvido em linguagem JAVATM, com o auxílio da ferramenta de ambiente de desenvolvimento Netbeans 5.5. Uma das principais motivações para a escolha dessa linguagem é a sua portabilidade, ou seja, o sistema pode ser utilizado em qualquer plataforma computacional. Além disso, o JAVA tem a vantagem de ser uma linguagem de programação orientada a objetos, um paradigma muito utilizado ultimamente, e que possibilita a programação dividida em classes, cada qual responsável por um conjunto de tarefas específicas Para o armazenamento das informações, utilizamos um banco de dados relacional, para guardar as informações das tabelas de dados de internações, assim como informações adicionais relacionadas os dados de internação, possibilitando um melhor gerenciamento e organização dos dados no banco, melhorando assim as consultas e o acesso ao banco. No nosso projeto escolhemos o PostgreSQL como sendo o Sistema Gerenciador de Banco de Dados (SGDB), por ser uma ferramenta gratuita, bastante utilizada e com boa reputação, além de apresentar todas as características de um banco de dados relacional (NETO, 2003; The PostgreSQL Global Development Group). O SGDB PostgreSQL também permite que os dados gerenciados por ele sejam manipulados por aplicações feitas em várias linguagens de programação, inclusive JAVA (NETO, 2003). Assim, os dados provenientes do CPDH foram primeiramente editados com auxílio de funcionários do departamento de Medicina Social da Faculdade de Medicina de Ribeirão Preto. Os dados brutos foram avaliados por esses funcionários e disponibilizados para o nosso trabalho através de uma tabela no formato DBF. Utilizamos o software TABWIN, disponibilizado pelo SUS, para poder visualizar essas tabelas. Com esse arquivo DBF em mãos, o

transformamos em uma tabela SQL para poder ser inserida no banco. Essa transformação foi feita através do programa JAVA dbasepsql, de distribuição livre. Após isso, uma pequena auditoria foi realizada, no sentido de corrigir algumas inconsistências, principalmente sobre datas e acentuação de nomes. Já com os dados prontos, criamos o banco de dados no gerenciador PostgreSQL, criando uma tabela para cada um dos arquivos DBF disponíveis. Isso foi feito inicialmente para fazermos testes e extrair algumas informações epidemiológicas. A intenção foi colocar todas essas informações em uma tabela só, e relacioná-la com outras tabelas de informações complementares, que auxiliam nas consultas e mantém as informações mais organizadas, constituindo assim um banco de dados relacional. A modelagem do banco foi feita baseada em um diagrama entidade-relacionamento, que sintetiza as tabelas e as informações contidas no banco. Essa modelagem foi feita cm o auxílio da ferramenta gratuita DBDesigner. Todo esse procedimento foi generalizado e automatizado, para que o banco de dados do sistema possa ser alimentado com novos dados que são disponibilizados pelo CPDH todo ano. Profissionais da área da saúde foram consultados para verificar quais as necessidades deles quanto a um sistema que gerencie dados hospitalares, bem como para saber quais informações de saída do sistema seriam interessantes e qual a melhor forma de exibir essa saída. É importante destacar que o sistema ainda utiliza duas medidas estatísticas, um tanto quanto raras de serem utilizadas na literatura especializada em desenvolvimento de sistemas de informação aplicado à saúde. Uma delas é a entropia, e outra é um coeficiente de competição entre hospitais. Com efeito, a entropia é uma medida que indica o grau de desordem de alguma situação. No nosso caso, a entropia vai medir a desordem no fluxo de pacientes entre as cidades da região de estudo (LIPPI BRUNI, 2007). Podemos calcular a entropia para uma cidade considerando a entrada (entropia destino) ou saída (entropia de origem) de pacientes nessa cidade. Entropia de destino informa se a cidade recebe mais pacientes da própria cidade ou de outras cidades, e a entropia de origem informa se os pacientes de uma determinada cidade procuram assistência hospitalar mais freqüentemente na própria cidade de residência ou em outras cidades. Quanto mais próximo de 0, mais ordenado é o fluxo de pacientes nessa cidade, enquanto que mais próximo de 1, mais desordenado será este fluxo. Mais especificamente, a entropia de origem é 0 quando os residentes de uma dada cidade são tratados exclusivamente em hospitais locais, de maneira oposta o índice é igual a 1 se o fluxo na matriz

origem-destino é igualmente distribuído entre todas as cidades, isto é cada paciente tem uma probabilidade igual de qualquer uma das cidades disponíveis. A interpretação para a entropia de destino é a mesma: se os hospitais de uma determinada cidade atendem mais pacientes da cidade onde ele se insere, a entropia se aproxima de 0, enquanto que se ele atende mais pacientes que vem de fora da cidade, a entropia se aproxima de 1. A entropia é definida com base na probabilidade de ocorrência de um evento, no nosso caso, a proporção de pacientes que entram ou saem em uma cidade. O cálculo é feito por:

de dados, através de interfaces desenvolvidas em JAVA, com o auxílio do software Netbeans. Um exemplo da interface desenvolvida com os principais filtros da pesquisa é mostrado na Figura 1.

(1) Onde é a proporção de pacientes. Para a entropia de destino, é a proporção de pacientes que entraram na cidade X vindos da cidade i, sobre o total de pacientes que entraram na cidade X. Para a entrada, é a proporção de pacientes que saíram da cidade X para a cidade i, sobre o total de pacientes que saíram da cidade X. A outra medida que pode ser calculada a partir das informações que dispomos é a competição entre hospitais (SOHN, 2001). Um gráfico comparativo entre dois hospitais pode ser gerado plotando a quantidade de pacientes que foram internados em cada um desses hospitais, vindos de cada uma das cidades de uma região de estudo. Além disso, podemos calcular o coeficiente de competição para cada um dos hospitais, que é dado por:

Figura 1: Interface do sistema com os filtros possíveis para demanda entre cidades ou entre cidades e hospitais

Nela o usuário pode consultar, por exemplo, o fluxo de pacientes entre cidades e entre cidades e hospitais, podendo ainda filtrar essa busca de acordo com algum atributo do banco, como faixa etária do paciente, data de internação, data de saída, afecção de internação, sexo, tipo de internação (SUS ou não SUS) e condição de saída, gerando um relatório com as informações da consulta realizada e o resultado (quantidade de pacientes) dessa consulta.

(2) Aqui, significa a proporção de todos os pacientes admitidos no hospital i vindos da cidade k. O denominador na equação acima é o tamanho do “nicho” do hospital i e o numerador é a porção desse nicho compartilhado (disputado) pelo hospital j (o overlap entre eles). O termo impõe que fique entre 0 e 1. A competição

pode ser interpretada como a

proporção de pacientes do compartilhado por um coeficiente de competição overlap de 50% do pool hospital.

nicho de um hospital i competidor j. Um igual a 0,5 indica um de pacientes de um

Resultados O sistema desenvolvido até agora possibilita a interação dos usuários com o banco

Figura 2: Mapa com os resultados de uma consulta realizada mostrando os fluxos das cidades da DRS – XIII para Ribeirão Preto

Após ter realizado a consulta, o usuário poderá escolher a visualização do fluxo de pacientes em forma de tabela, gráfico ou mapa. Na figura 2, exemplificamos o fluxo dos pacientes das cidades da DRS – XIII para Ribeirão Preto em forma de mapa. As setas representam esse fluxo, acompanhado da quantidade de pacientes vindos de cada cidade.

Outra possibilidade para o usuário é consultar a demanda de pacientes de acordo com apenas um dos filtros citados acima. Assim, o usuário pode escolher para ver a demanda segundo as afecções de internação (Capítulos do CID10, código de 4 ou 3 dígitos), e observar uma tabela ou um gráfico com os resultados obtidos. Esses resultados estão na Figura 3.

em um eixo o numero de pacientes que chegam ao hospital A vindos de uma dada cidade e no outro eixo o numero de pacientes vindos da mesma cidade que chegaram ao hospital B. Com isso em mente o gráfico mostra o quanto o par de hospitais disputa por pacientes (esse é o fator de competição). Pontos em torno da inclinação de 45 graus indicam que uma dada cidade envia um numero de pacientes igual ou comparável para cada um dos dois hospitais. Pontos perto de um dado eixo (X ou Y) representam cidades que enviam muito mais pacientes a um hospital que o outro.

Figura 4: Tabela com parte dos resultados do coeficiente de competição Figura 3: Gráfico e tabela com o resultado da consulta da demanda por capítulos do CID10

Na Figura 4 é mostrado um exemplo do coeficiente de competição por pacientes entre hospitais e cidades para o ano de 2005, em forma de tabela, onde mostramos apenas parte da tabela para melhor visualização Ali é possível ver alguns valores desse coeficiente para alguns hospitais da região. As linhas indicam o hospital (i) nos seus nichos e as colunas os competidores (j). Assim, vemos que para o HCFMRP em média de todos os pacientes da região (o seu nicho) ele compartilha 99,1% deles com a Beneficência Portuguesa de Ribeirão Preto e apenas 0,2% com o Hospital São Marcos de Jaboticabal É interessante notar que no caso do nicho da Beneficência Portuguesa de Ribeirão Preto o HCFMRP compete por 78,3% em média de seus pacientes. Ainda com relação a essa medida, outra estratégia para visualizar a competição entre os hospitais da região é apresentada na Figura 5. Nessa figura o gráfico apresentado contém o número de pacientes enviados para um dado hospital por uma dada cidade para um par de hospitais. Assim, um ponto em gráfico significa

Na Figura 5, mostramos a comparação da competição entre as duas maternidades de Ribeirão Preto, a Mater e a Maternidade Sinhá Junqueira. Para efeito visual, eliminamos a demanda de pacientes da cidade de Ribeirão Preto, visto que esse valor é muito grande comparado com das outras cidades. Nesse cenário, é possível divisar 3 padrões: 1) Mínimo ou nenhum overlap entre os hospitais, quando os pontos são distribuídos ao longo dos dois eixos indicando que os hospitais não compartilham pacientes. Este padrão estritamente não é observado no conjunto de gráficos disponibilizados. 2) Dominância, que é o padrão para quando um hospital domina o outro no sentido de receber pacientes da região. Que é o caso do HCFMRP e a Beneficência Portuguesa. 3) Overlap desigual, que é o caso intermediário entre os dois padrões anteriores que é o caso da M. Sinhá Junqueira e a Beneficência Portuguesa. Os resultados da entropia estão na Figura 6, que representa o gráfico da entropia destino pela entropia de origem das cidades da regional de Ribeirão Preto, bem como as quatro regiões que podemos dividir o gráfico.

respectivamente), a desordem no fluxo de pacientes é maior, com os pacientes escolhendo uma maior variedade de cidades para obter assistência hospitalar.

Figura 5: Exemplo do gráfico de competição entre hospitais. Aqui, temos a comparação entre a maternidade Mater e a maternidade Sinhá Junqueira

Podemos observar que Ribeirão Preto possui uma entropia de origem próxima de 0 (0,005), o que significa que pacientes dessa cidade não variam muito da escolha de uma cidade para buscar assistência médica, com a maioria dos pacientes dessa cidade buscando assistência na própria cidade. Quanto à entropia de destino, observamos que ela é a maior entre todas as cidades da região (0,0600), ou seja, Ribeirão Preto atende muitas pessoas que vêm de outras cidades. Como este valor é relativamente próximo de 0,5, Ribeirão Preto atende quase que igualmente pessoas da própria cidade e de outras cidades. Todas as outras cidades apresentam o valor de entropia de destino menor que 0,5. Isso significa que Ribeirão Preto é a cidade que recebe pacientes de uma maior variedade de cidades. Em dois casos encontramos entropia de destino igual a 0: são aqueles em que a cidade recebeu pacientes apenas da própria cidade (Serra Azul e Santo Antônio da Alegria). Nesses casos não há desordem na entrada de pacientes nessas cidades. Portanto os hospitais destas cidades não apresentam uma grande procura de pacientes vindos de outras cidades, podendo se tratar de um hospital sem grande complexidade, atendendo apenas a demanda local. As cidades que não apresentam valores de entropia de destino variam bastante quanto à entropia de origem. Estes casos merecem uma atenção especial, visto que eles não receberam nenhum paciente. No caso de Luiz Antônio, que possui uma entropia de origem próxima de 0 (0,085), os pacientes dessa cidade saem de seu local de residência para procurar assistência hospitalar em outras cidades (pois não apresentam entropia de destino), mas suas escolhas se concentram em uma ou outra cidade, gerando uma ordem no fluxo de pacientes. Nos casos de Barrinha e Pradópolis, que apresentam o valor de entropia de destino próximo de 0,5 (0,448 e 0,416,

Figura 6: Gráfico da entropia de destino pela entropia de origem

De uma maneira geral através desse aplicativo, também podemos interpretar o perfil de cada cidade, dependendo da região do gráfico em que a cidade se encontra. Isto é possível já que o sistema automaticamente muda a escala do gráfico e ainda pode dividir o gráfico em 4 quadrantes de interesse. Consideramos o valor de entropia baixo quando for menor que 0,5 e alto quando for maior que este valor. Assim, o primeiro quadrante, representa a região onde as cidades apresentam tanto entropia de destino quanto entropia de origem alta: são as cidades que recebem pacientes de várias cidades diferentes e enviaram pacientes para várias cidades diferentes também. A desordem no fluxo de pacientes é grande tanto para entrada quanto para a saída de pacientes. Essa situação é muito difícil de ocorrer, pois na maioria dos casos uma cidade que é um centro de referência hospitalar (recebe muito pacientes de variadas cidades), dificilmente vai enviar pacientes para outras cidades, pois os seus hospitais já atendem as necessidades dos pacientes residentes. Na DRS– XIII, nenhuma cidade apresentou essa característica. O segundo quadrante inclui as cidades com entropia de destino alta e entropia de origem baixa: a cidades recebem pacientes de várias cidades diferentes, mas a saída de pacientes não se dá para várias cidades; se concentra nela própria ou em poucas. A desordem no fluxo de pacientes é maior na entrada, e não na saída. Nos nossos estudos, somente uma cidade encontra-se nessa região, e é exatamente Ribeirão Preto, que é um centro de excelência em saúde, e procurado por muitos pacientes do DRS – XIII; os moradores de Ribeirão Preto encontram, na maioria dos casos a

assistência necessária na própria cidade. O terceiro quadrante contém as cidades que apresentam ambas as entropias (de destino e de origem) com valor baixo, ou seja, hospitais dessas cidades não recebem pacientes de uma variedade grande de cidades, sendo a maioria da própria cidade e pacientes dessas cidades também não procuram assistência médicas em muitas cidades variadas, se concentrando apenas em algumas poucas, ou na própria cidade de residência. Esse é o caso que ocorre para quase todas as cidades da DRS-XIII (a única exceção é Ribeirão Preto, caso já exposto anteriormente). Isso mostra que a maioria das cidades na nossa região de estudo apresenta certa ordem no fluxo de pacientes tanto para a entrada quanto para a saída. A diferença entre as cidades se da apenas na magnitude da entropia, umas apresentando entropia mais próximo de 0,5 (fluxo mais desordenado), e outras mais próximo de 0 (fluxo mais ordenado). Pensando na entropia de origem para estas cidades, podemos dizer que este fluxo de pacientes ordenados é causado pela presença de recursos hospitalares de nível terciário e um hospital público de grande porte assistencial (o HCFMRP) em Ribeirão Preto, procurado preferencialmente por pacientes SUS de cidades vizinha. O quarto e último quadrante contêm as cidades que apresentam entropia de destino baixa e entropia de origem alta. Em outras palavras, a entrada de pacientes nessa cidade se da de forma ordenada, com pacientes vindos da própria ou de poucas outras cidades, e uma saída de pacientes desordenada, com pacientes procurando assistência em muitas outras cidades de uma região. Essa situação, como a primeira, também é difícil de ocorrer, pois se pacientes procuram muito assistência em cidades diferentes, eles quase não vão procurar assistência em hospitais da própria cidade. No nosso estudo, não houve nenhum caso desse tipo. Discussão e Conclusões O desenvolvimento do SUS no Brasil consolida no presente momento a constituição de regiões de saúde, operando o conceito de regionalização de recursos. Para contribuir ao avanço desse processo é essencial conhecer os fluxos regionais de pacientes e os fatores que interferem, inclusive quantificando os elementos envolvidos. O desenvolvimento de sistemas de informações amigáveis para gestores da saúde é essencial para o monitoramento da demanda/assistência regional. A aplicação de conceitos como a entropia e competição aqui desenvolvidos, mostra-se como alternativa muito promissora para o planejamento em saúde. Um módulo do sistema que foi desenvolvido em paralelo e faz parte de outro estudo complementar ao descrito aqui,

apresentado também nesse congresso é a análise de séries temporais do fluxo de pacientes entre as cidades e hospitais da região. Esse é outro estudo promissor, que avalia como muda a demanda de pacientes de um determinado hospital ou cidade em diferentes épocas (dias, semanas, meses ou anos), e juntamente com este, forma uma poderosa ferramenta de análise dos dados de internações. Agradecimentos Esta pesquisa foi realizada com financiamento FAPESP – processo 05/01002-0. Referências Congdon P. The Development of Gravity Models for Hospital Patient Flows under a System Change: A Bayesian Modelling Approach. Health Care Management Science, 2001 4: 289-304. Lippi Bruni M, Nobilio L, Ugolini, C. The analysis of a cardiological network in a regulated setting: a spatial interaction approach. Health Economics, 2007 Rezende CEM. Regionalização da assistência hospitalar: estudo do fluxo de demanda na região de Ribeirão Preto-SP, no ano de 2000. [dissertação]. Ribeirão Preto (SP): Programa de Pós-Graduação em Saúde da Comunidade do Departamento de Medicina Social da Faculdade de Medicina de Ribeirão Preto – USP, São Paulo, Ribeirão Preto; 2004. Sohn M. A Relational Approach to Measuring Competition Among Hospitals. Department of Health Studies, The University of Chicago. Publication on Health Services Research on March 5, 2001 Yazlle Rocha JS, Simões BJG. Forster AC. Estudos de demanda e utilização de serviços de saúde: uma experiência regional. Medicina (RibeirãoPreto) 1993 26(4):636-642. Yazlle Rocha JS, Fávero M. Fatores que influenciam a demanda a um hospital regional. Med. CARL, Ribeirão Preto, 1972 5:141. Contato Domingos Alves, Departamento Medicina Social, FMRP – USP, Av. Bandeirantes, 3900, 14040901, Ribeirão Preto, SP. [email protected].