Available via license: CC BY
Content may be subject to copyright.
Rev. Adm. Saúde (On-line), São Paulo, v. 21, n. 82: e277, jan. – mar. 2021, Epub 31 mar. 2021
http://dx.doi.org/10.23973/ras.82.277
ARTIGO ORIGINAL
Aplicação de análise descritiva para compreensão das
atividades de desospitalização de um hospital universitário de
grande porte entre 2009 e 2019
Application of descriptive analytics to understand the de-hospitalization
activities of a large university hospital between 2009 and 2019
Antonio Valerio Netto1, Aline Carvalho2, Luciano Rodrigues de Oliveira3
1. Bacharel em ciência da computação. Professor visitante em health data science e
telemedicina na Escola Paulista de Medicina da Universidade Federal de São Paulo
(UNIFESP), São Paulo SP
2. UNIFESP, São Paulo SP
3. Enfermeiro. Doutorando em ciências da saúde pela UNIFESP, São Paulo SP
RESUMO
A análise descritiva (descriptive analytics) permite responder perguntas
relacionadas ao que aconteceu durante um determinado período. Ao
desenvolver indicadores chaves de desempenho, a análise das informações
pode ajudar a rastrear atividades de sucessos ou fracassos. É possível gerar
métricas especializadas para acompanhar o desempenho em setores
específicos, como é o caso do ambiente hospitalar, ou mesmo identificar
métricas necessárias para a análise e a melhoria da gestão. Esse processo
requer coleta, processamento, análise e visualização de dados relevantes. Ele
fornece uma visão essencial do desempenho no passado. Diante disso, a
proposta do artigo está relacionada à aplicação da análise descritiva para
identificar as atividades de desospitalização em um hospital universitário de
grande porte da cidade de São Paulo (SP). O artigo também discorre sobre os
principais conceitos correlatos entre a transição de cuidado e os indicadores de
DRG (Diagnosis Related Groups), principalmente, taxa de reinternação
hospitalar e eficiência do uso do leito. Baseada nessas análises busca-se
influenciar os gestores hospitalares para que possam refletir e promover uma
melhoria contínua nos processos relacionados à jornada do paciente.
Palavras-chave: Estratégias de Saúde, Gestão Hospitalar, Cuidado
de Transição, Assistência ao Paciente, Relatórios Públicos de Dados de
Saúde.
ABSTRACT
Descriptive analytics allows you to answer questions related to what happened
during a certain period. In developing key performance indicators, analyzing
information can help track success or failure activities. It is possible to generate
specialized metrics to monitor performance in specific sectors, such as the
hospital environment, or even to identify metrics necessary for the analysis and
improvement of management. This process requires the collection, processing,
analysis, and visualization of relevant data. It provides an essential view of past
performance. Therefore, the proposal of the article is related to the application
of descriptive analysis to identify the activities of rehospitalization in a large
university hospital in the city of São Paulo (SP). The article also discusses the
main correlated concepts between the transition of care and the indicators of
DRG (Diagnosis Related Groups), mainly, rate of hospital readmission and
efficiency in the use of the bed. Based on these analyzes, we seek to influence
hospital managers so that they can reflect and promote continuous
improvement in processes related to the patient's journey.
Keywords: eHealth Strategies, Hospital Organization and Administration,
Transition Care, Patient Care, Public Reporting of Healthcare Data.
INTRODUÇÃO
O processo de melhoria contínua da gestão hospitalar passa pela análise de
seu conjunto de dados internos para que seja possível tecer considerações
para promover modificações em seu planejamento e execução de atividades.
Inclusive, em 1991, reconhecendo a importância da gestão dos dados
hospitalares foi criado o departamento de informática do Sistema Único de
Saúde (DATASUS), com a criação da Fundação Nacional de Saúde (Funasa).
Na época, a fundação passou a exercer a função de controle e processamento
das contas referentes à saúde que antes era da Empresa de Tecnologia e
Informações da Previdência Social (DATAPREV). O DATASUS tem como
responsabilidade prover sistemas de informação e suporte de informática,
necessários ao processo de planejamento, operação e controle 1.
Para gerenciar as informações das bases de dados foi desenvolvido o
TABNET. Trata-se de um tabulador genérico de domínio público que permite
organizar dados de forma rápida conforme a consulta que se deseja tabular 2.
Por meio dele, o DATASUS disponibiliza informações que podem servir para
subsidiar análises objetivas da situação sanitária e tomadas de decisão
baseadas em elaboração de programas de ações de saúde. São informações
sobre assistência à saúde da população, cadastros (rede assistencial), redes
hospitalares e ambulatoriais, cadastro dos estabelecimentos de saúde, além de
informações sobre recursos financeiros e informações demográficas e
socioeconômicas 3.
As fontes de dados do DATASUS são classificadas em quatro grupos: sistemas
de informações do Ministério da Saúde, outros sistemas de informações de
entidades públicas, censos e pesquisas provenientes do Sistema Estatístico
Nacional, operados pelo Instituto Brasileiro de Geografia e Estatística (IBGE) e
outros censos e pesquisas. O Sistema de Informações Hospitalares do SUS
(SIH/SUS) foi originalmente concebido como Sistema de Assistência Médico-
Hospitalar da Previdência Social (SAMHPS) para operar o sistema de
pagamento de internação aos hospitais contratados pelo Ministério da
Previdência Social, a partir de 1981. A partir da constituição federal de 1988, o
SAMHPS foi estendido em 1991 para todo o SUS, incluindo os hospitais
públicos municipais, estaduais e federais (administração indireta e outros
ministérios), transformando-se no SIH/SUS.
Atualmente, o SIH/SUS é gerido pela Secretaria de Assistência à Saúde, sendo
seu documento básico a “Autorização de Internação Hospitalar” (AIH), que
habilita a internação do paciente e gera valores para pagamento. A AIH é
preenchida pelo estabelecimento hospitalar e enviada mensalmente, em meio
magnético, ao gestor municipal e/ou estadual do SUS, conforme o nível de
gestão, para consolidação junto ao DATASUS. São disponibilizados dados
individualizados (não identificados) sobre o paciente e a internação, como
também o diagnóstico de internação, os procedimentos realizados, os valores
pagos, entre outras informações. A abrangência do sistema está limitada às
internações no âmbito do SUS. Estima-se que o SIH/SUS reúna informações
sobre 60 a 70% das internações hospitalares realizadas no país, variando de
acordo com a região. Contudo, eventuais reinternações e transferências do
mesmo paciente a outros hospitais também não são identificadas, o que pode
resultar em contagem cumulativa 4.
Diante desse conjunto de dados, faz-se necessário a aplicação de algoritmos
analíticos para identificar possíveis padrões, e posteriormente, construir uma
base histórica de dados de gestão hospitalar que podem e devem fazer uso de
plataformas de BI (Business Intelligence) / BA (Business Analytics) ou mesmo
Big Data para construir um processo de análise de informações e tomada de
decisão. Neste caso, se faz uso do Health Analytics. Trata-se de um conjunto
de metodologias utilizadas para analisar grandes volumes de dados
relacionados com o setor de saúde, contribuindo no cuidado clínico geral e na
gestão dos recursos de saúde. Para os gestores de saúde, essa contribuição
está em reduzir desperdícios e melhorar a qualidade e a produtividade do
cuidado com a saúde dos beneficiários, sempre de forma sustentável. Tanto
Health Data Science 5 quanto Health Analytics fazem uso das aplicações em
Data Analytics cujo objetivo é examinar dados brutos para encontrar padrões e
tirar conclusões sobre essa informação, aplicando um processo algorítmico ou
mecânico para obter informações. Data Analytics é um campo amplo e existem
quatro tipos principais de análise de dados: Descriptive analytics, Diagnostic
analytics, Predictive analytics e Prescriptive analytics 6.
No caso do analítico descritivo, o interesse é saber o que aconteceu durante
um determinado período 7. Sobre o analítico diagnóstico, o interesse é saber o
porquê aconteceu. Isto é, se aprofundar nos dados coletados dos pacientes, a
fim de entender “Por que algumas coisas aconteceram”. Para isto, é possível
usar ferramentas de BI para obter alguns insights. No entanto, é um trabalho
penoso e que tem capacidade limitada. Basicamente, este tipo de algoritmo
fornece um bom entendimento de uma parte limitada do problema que se
pretende resolver. Para o analítico preditivo o foco é compreender o que pode
acontecer. Se for possível coletar dados contextuais e correlacioná-los com
outros conjuntos de dados de comportamento do paciente, por exemplo, será
possível prever o que vai acontecer se for mantida a situação atual. Por fim, o
uso do analítico prescritivo busca entender como prevenir as situações ruins e
potencializar as boas. Assim que chegar ao ponto da análise de dados
consistentemente prever o que vai acontecer, é possível ser capaz de entender
o que deve ser realizado a fim de maximizar os bons resultados e também
minimizar os resultados potencialmente ruins. Importante comentar que para
ser capaz de implementar os analíticos preditivos e prescritivos é necessário
adicionar uma tomada de decisão automática a esta análise por meio de
algoritmos de aprendizado de máquina (machine learning), como por exemplo,
redes neurais, lógica fuzzy, SVM (support vector machine), entre outros.
Longa permanência hospitalar e desospitalização
O aumento do tempo de permanência hospitalar — um dos pontos que refletem
a mudança da pirâmide etária e do perfil epidemiológico do país — é um
entrave, afetando a saúde financeira dos hospitais. A longa permanência, isto
é, quando o tempo de internação é maior ou igual a 30 dias; aumenta os custos
e reduz a oportunidade de outros pacientes em estágio agudo da doença
receberem atenção hospitalar, reduzindo assim a rotatividade dos leitos 8. Esse
aumento de custos iniciado no hospital é redirecionado para o SUS,
operadoras de saúde e, na sequência, para suas principais financiadoras: as
empresas. Somente a Anahp (Associação Nacional de Hospitais Privados)
afirma que, em 2017, mais de 9.170 pacientes ficaram por mais de 90 dias em
longa permanência em seus hospitais 9.
A saúde é uma das vertentes econômicas que precisam de maior
maleabilidade para se adequar aos diferentes cenários que se desenham
dentro de uma grande economia como a brasileira. As mudanças de perfis
epidemiológicos, somadas à crescente demanda por economia de recursos em
uma nação que vem enfrentando crises políticas e econômicas recorrentes,
exigem que o cenário de saúde seja constantemente adaptado para garantir
um atendimento de qualidade e, acima de tudo, seguro para todos os cidadãos.
Importante que essa análise de dados seja realizada de forma contínua e em
tempo hábil para que as adequações administrativas sejam executadas o
quanto antes, minimizando problemas futuros.
Atualmente, existem alternativas viáveis para a liberação dos leitos dos
hospitais de alta complexidade. Muitas vezes, esses pacientes internados por
longos períodos poderiam estar sendo atendidos em outras unidades de saúde
de menor complexidade. E consequentemente com menor custo de
manutenção, recebendo tratamento adequado, além de menor exposição a
possíveis infecções; onerando menos o sistema. Já existem resultados
consolidados em diversos locais do mundo que utilizam os serviços de
desospitalização conhecidos internacionalmente como Post Acute Care
(Cuidado Pós-Agudo) 10.
No Brasil, estes serviços foram criados baseados nos modelos internacionais
com adaptações para atender questões locais. Um exemplo são as unidades
de retaguarda, cuidados paliativos e transição que ganham força no país. São
locais onde esses pacientes que não mais precisam dos cuidados intensivos de
um hospital, mas ainda não podem retomar suas atividades normais (carecem
de cuidados específicos) encontram uma infraestrutura completa e adaptada às
suas necessidades. Ao mesmo tempo, os planos de saúde encontram uma
possibilidade de manter um atendimento de qualidade reduzindo de forma
significativa seus custos 11. O maior problema enfrentado com relação a falta
de leitos de retaguarda é o uso de leitos de alta complexidade com pacientes
que já poderiam estar sendo cuidados em locais com menos recursos
tecnológicos e custos de manutenção.
METODOLOGIA
Foi realizada uma revisão de literatura de caráter descritivo, com abordagem
quantitativa, retrospectiva e crítica com uma análise de dados utilizando as
bases do departamento de informática em saúde do Sistema Único de Saúde
(DATASUS). Aplicou-se uma análise descritiva dos dados utilizando a
ferramenta TT Hospital Explorer da empresa Techtrials em um hospital
universitário de grande porte da cidade de São Paulo (SP). A ferramenta utiliza
dados coletados periodicamente das bases do Sistema de Informações
Ambulatoriais de Saúde (SIA/SUS) e do Sistema de Informações Hospitalares
(SIH/SUS), além do Cadastro Nacional de Estabelecimentos de Saúde (CNES).
Os gráficos e os dados utilizados foram planejados buscando informações das
entradas de pacientes, reinternações, diagnósticos de entrada e saída, tipo de
saída, transição de cuidado, perfil dos pacientes, entre outros.
Foi utilizado para análise, o banco de dados disponibilizado pelo DATASUS
entre os anos de 2009 e 2019. Para estudar os dados de reinternação foi
criado um business key composto por três campos. São eles: CEP (Código de
Endereçamento Postal), data de nascimento e sexo. Esse business key foi
validada por um estudo de caso envolvendo 7.367 hospitalizações de cirurgia
bariátrica (banco de dados fornecido pelo DATASUS). Foram cruzados os
dados das AIHs com o CNS (Cartão Nacional de Saúde) de cada paciente; e
identificadas todas as internações e reinternações. Para o mesmo conjunto de
dados, foi aplicada a business key criada e a taxa de acerto foi de 90,55%.
Foram empregados dois indicadores para análise da desospitalização: altas
para assistência domiciliar ou transferências para instituições de longa
permanência ou serviços ambulatoriais específicos; e o número de pacientes
com tempo de permanência superior a 30 dias desospitalizados para estes
serviços. Referente a taxa de reinternação, foram levantados o número de
pacientes com reinternação em menos de 30 dias e os que apresentaram o
mesmo diagnóstico da alta hospitalar.
Por fim, para medir a taxa de eficiência de leito, foram propostas as análises
dos seguintes dados: 12
(1) Taxa de ocupação: cálculo da média de pacientes internados por dia e a
capacidade operacional do hospital naquele dia. São considerados, inclusive os
leitos de recuperação pós-anestésica, de observação, de berçário e pré-parto.
Já os leitos bloqueados, por manutenção ou isolamento por doença, são
excluídos;
(2) Média de permanência: relaciona o total de pacientes internados por dia em
determinado período;
(3) Índice de renovação ou giro de rotatividade: Representa utilização do leito
hospitalar durante o período considerado. Relaciona-se o número de saídas
(altas e óbitos) / número de leitos no mesmo período. Importante para
demostrar quantos pacientes um leito recebe no período. A eficiência no uso do
leito é demonstrada com índices altos de renovação.
(4) Intervalo de substituição: consiste no tempo médio de desocupação de um
leito entre a saída de um paciente e a admissão de outro. Para fazer esse
cálculo, multiplica-se a média de permanência pelo percentual de desocupação
e divide-se o resultado pela porcentagem de ocupação. Um índice alto interfere
na assistência dos pacientes que esperam por um leito clínico ou cirúrgico.
Em seguida, os possíveis indicadores gerados com os dados públicos
disponíveis, foram calculados e apresentados em tabelas e gráficos.
Posteriormente, foram avaliados e validados pela equipe de pesquisadores
formada por três profissionais: um gestor hospitalar, analista de dados, um
coordenador de desospitalização e um cientista de dados.
RESULTADOS E DISCUSSÕES
Quanto aos indicadores para análise da desospitalização para o período de
2009 a 2019 foi possível identificar o total de 2.142 pacientes com
transferências para outros estabelecimentos não especificando o tipo de
instituição receptora ou serviço de saúde. Além disso, tem-se o número de
9.644 pacientes com permanência acima de 30 dias, porém não foi possível
identificar o motivo de saída de cada um desses pacientes.
O número de pacientes com reinternação em menos de 30 dias foi de 36.943,
já os que apresentaram o mesmo diagnóstico da alta hospitalar não estão
descritos. Não foram alinhados na análise, os diagnósticos de entrada e saída
das internações com as reinternações ocorridas. É importante salientar que os
indicadores para medir a taxa de eficiência de leito, exprime informações
importantes da necessidade ou não de redimensionamento ou adequação da
estrutura de atendimento.
Com relação a taxa de ocupação, para a realização desse cálculo se fez
necessário levantar o número de leitos disponíveis no período. O DATASUS
informa apenas o número de leitos instalados, o que inclui leitos
impossibilitados para uso (bloqueados para manutenção, limpeza, isolamento
ou outro) e não os operacionais.
Sobre a média de permanência para cada AIH durante o período estudado foi
de 6,3 dias, (variação entre 5,8 e 6,8 dias) sendo que são informadas
internações de 1 a 400 dias de permanência. Já as internações com mais de
30 dias de permanência somam 9.644. Excluindo-se estes pacientes tem-se
uma média de permanência de 4,6 dias (variação entre 4,5 e 4,8 dias) (Tabela
1).
Tabela 1. Média de permanência dos pacientes por ano analisado.
Ano
Média de permanência
(dias)
Média para pacientes
com internação até 30
dias (dias)
2009
6,1
4,5
2010
5,9
4,5
2011
6,2
4,5
2012
6,6
4,6
2013
6,8
4,8
2014
6,4
4,6
2015
6,4
4,5
2016
6,5
4,5
2017
6,7
4,7
2018
6,3
4,5
2019
5,8
4,6
Média
6,3
4,6
Com relação ao índice de renovação ou giro de rotatividade e do intervalo de
substituição, os mesmos não puderam ser calculados como planejado devido a
indisponibilidade do número de leitos operacionais da instituição no período
analisado. De 2009 a 2019 o hospital teve 269.160 AIHs (Autorização para
Internação Hospitalar) aprovadas para 174.717 pacientes em 232.217
internações e 36.943 reinternações (internação com período menor que 30 dias
da última AIH). Destes pacientes, 8.252 tiveram óbito na primeira internação,
taxa de mortalidade 4,7%. A taxa de mortalidade hospitalar foi de 5,3%. O
grupo “diagnóstico” com maior número de internações é o de doenças do
sistema circulatório com 12,74% (CID10 I00 a I99). Já para reinternações, a
causa principal foram as neoplasias com 20,27% (CID10 C00 a D48) (Tabela
2). Por fim na Tabela 3 são apresentados alguns indicadores gerais
disponibilizados na análise de dados do período.
Tabela 2. Internações e reinternações por ano.
Ano
Internações
Reinternações
% de
Reinternados
2009
28.968
3.844
13,7
2010
29.904
4.506
15,5
2011
25.304
3.612
14,7
2012
25.899
3.477
13,9
2013
24.602
3.061
12,9
2014
26.095
3.281
13,0
2015
24.025
3.375
14,5
2016
22.269
2.907
13,5
2017
18.365
2.449
13,7
2018
20.099
2.583
13,4
2019
23.720
4.021
17,4
Total
232.217
36.943
14,1
Tabela 3. Indicadores gerais.
Leitos operacionais
Informações
Leitos hospitalares
Variação entre 766 e 1061 leitos, redução
de 14,2% de 2009 a 2019
Paciente dia
Dado indisponível
Internações
269.160
Reinternações em menos de
30 dias/ índice
36.943, 14,2%
Altas
250.844
Transferências externas
2.142
Total óbitos / Taxa de
mortalidade
14.395 / 5,2%
Outras saídas hospitalares
1.769
Média de permanência do
paciente
6,3
Média de permanência dos
pacientes excluindo os acima
de 30 dias (total)
4,6 dias / 9.644
Média de diárias pagas
5,2
Média de diárias pagas dos
pacientes excluindo os acima
de 30 dias
4,2
Taxa de rotatividade do leito
Dado indisponível
Intervalo de substituição
Dado indisponível
Média de idade dos
pacientes
42 anos
Não foi possível analisar o percurso da jornada do paciente relacionado a
transição do cuidado devido à dificuldade encontrada de não se ter acesso ao
código de identificação do paciente no sistema para localizar seus
atendimentos nos diversos serviços disponibilizados pelo hospital. Essa
informação, inclusive, evidenciaria as estruturas disponíveis para transição de
cuidados como a assistência domiciliar (homecare).
Outra dificuldade está na não disponibilidade de dados integrados entre os
equipamentos de saúde para que se possa entender essa jornada do paciente.
Ficou inviável saber se, após uma alta hospitalar, o paciente seguiu em um
atendimento ambulatorial, serviço básico de saúde, pronto atendimento, ou
mesmo, uma internação em outra instituição.
Neste trabalho foi criado um business key, que permitiu localizar as
reinternações de pacientes com período menor que 30 dias da alta hospitalar.
Além disso, tentou-se localizar as reinternações motivadas pela mesma doença
(causa de entrada - CID 10), porém, isso é depende da hipótese diagnostica da
equipe na reentrada. O mais adequado seria ter um protocolo de internação
onde fosse especificado na AIH a reinternação para continuidade ou revisão
das condutas terapêuticas adotadas. A adequada análise das reinternações
daria oportunidade para melhor avaliação da aderência do paciente ao
tratamento, bem como da eficiência clínica da instituição com objetivo de
implementação de ações para melhoria.
Por meio dos dados obtidos, observou-se que neste hospital houve uma
redução de 14,2% no número de leitos no período estudado, mas não é
possível saber quais os motivos e se houve aumento de leitos em outra
instituição como contrapartida.
CONSIDERAÇÕES FINAIS
Para o paciente hospitalizado já com diagnóstico e tratamento, porém em
recuperação prolongada, existem as seguintes possibilidades: unidades de
transição ou retaguarda, unidades de cuidados paliativos e assistência
domiciliar. Não há competição, mas sim complementação. Nos hospitais, o
ideal seria o tratamento para o cuidado agudo de cada paciente. Após esse
período, outras unidades de transição e retaguarda, somadas ao homecare,
complementariam o cuidado, garantindo o atendimento adequado. Sem
planejamento adequado da transição do cuidado ocorrem casos em que a alta
é precoce. A expectativa é que o paciente termine o seu tratamento em casa
ou procure a assistência ambulatorial. Mas a falta de controle e
acompanhamento domiciliar na sequência pode acarretar o abandono do
tratamento preconizado, gerando possíveis internações.
Atualmente, existem opções que fortalecem e fazem com que a coordenação
do cuidado evolua. Com a grande rede de equipamentos de saúde disponíveis,
a segurança do paciente deve ser sempre o centro de toda e qualquer decisão.
As discussões sobre transição do cuidado são cada vez mais comuns, visando
que o paciente deve ser tratado no lugar certo, no momento e tempo
adequado. As diversas possibilidades do cuidado se completam e se conectam
durante a jornada do paciente prevenindo agravamento dos casos e
possibilitando mais segurança, especialidade na assistência, menor risco e
custo para o serviço público de saúde.
No contexto hospitalar, o processo de desospitalização é um caminho que
propõe a racionalização de custo e uma tendência no modelo da assistência
aos pacientes complexos, que necessitam de apoio da equipe multiprofissional
para poder retornar ao seu domicílio com segurança. É de fundamental
importância a produção de novas formas de cuidar e de novas práticas de
saúde com o compromisso de manter a excelência na assistência prestada.
AGRADECIMENTOS
Os autores agradecem a empresa Techtrials pela liberação e customização da
ferramenta TT Hospital Explorer, em especial a Douglas Valverde e Élcio
Firmiano.
REFERÊNCIAS
1. Datasus. Histórico do departamento de informática. Disponível em:
https://datasus.saude.gov.br/sobre-o-datasus/
2. Ministério da saúde. Tutorial tabnet. Disponível em:
http://tabnet.datasus.gov.br/Tutorial/Tutorial_tabNet_FINAL.pdf
3. Tabnet. Informações gerais. Disponível em:
https://datasus.saude.gov.br/informacoes-de-saude-tabnet/
4. Tabnet. Capítulo 4 – fonte de informações. Disponível em:
http://tabnet.datasus.gov.br/tabdata/livroidb/2ed/fontes.pdf
5. Netto AV, Tateyama AGP. Avaliação de tecnologia de telemonitoramento e
biotelemetria para o cuidado híbrido para o idoso com condição crônica.
Journal of Health Informatics. 2018; 10(4).
6. Valerio Netto, A. Quando a área de saúde encontra a ciência de dados.
Disponível em: https://antoniovalerionetto.medium.com/quando-a-
%C3%A1rea-de-sa%C3%BAde-encontra-a-ci%C3%AAncia-dos-dados-
c6cf63007dda
7. Valerio Netto A, Petraroli AG. Modelagem de um sistema para o
telemonitoramento de idosos com condição crônica baseado em
biotelemetria. J. Health Inform. Jan.-Mar., 2020; 12(1):10-6.
8. Oliveira, LR. Descrição do serviço de desospitalização de um hospital
privado no município de São Paulo, Dissertação de mestrado. São Paulo.
Universidade Federal de São Paulo, 2018.
9. Anahp. Os desafios na gestão dos leitos de longa permanência. Revista
Panorama ANAPH [internet]. 2015. Disponível em:
https://issuu.com/anahp/docs/revpanorama_2015-mai_jun-site
10. Mendes EV. As redes de atenção à saúde. Brasília: Organização Pan-
Americana da Saúde, p.549, 2011.
11. Polisaitis AEG. Cuidados pós-agudos: como estão inseridas nas políticas de
saúde brasileira as Instituições de Longa Permanência para Idosos (ILPIs) e
as clínicas de retaguarda? Disponível em:
http://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/24065/TA.Arian
e.Polisaitis.VF.pdf
12. Zucchi P, Bittar OJ, Nogueira V, Haddad N. Produtividade em hospitais de
ensino no estado de São Paulo, Brasil. Rev. Panam. Salud. Publica. Nov.
1998; 4(5).
Recebido: 23 de março de 2021. Aceito: 31 de março de 2021
Correspondência: Antonio Valerio Netto. E-mail: avnetto@hotmail.com
Conflito de Interesses: os autores declararam não haver conflito de
interesses.
© This is an Open Access article distributed under the terms of the Creative Commons
Attribution License, which permits unrestricted use, distribution, and reproduction in any
medium, provided the original work is properly cited
