Search

Introdução: A perda de informações é um problema frequente em estudos realizados na área da Saúde. Na literatura essa perda é chamada de missing data ou dados faltantes. Através da imputação dos dados faltantes são criados conjuntos de dados artificialmente completos que podem ser analisados por técnicas estatísticas tradicio¬nais. O objetivo desse artigo foi comparar, em um exemplo baseado em dados reais, a utilização de três técnicas de imputações diferentes. Método: Os dados utilizados referem-se a um estudo de desenvolvimento de modelo de risco cirúrgico, sendo que o tamanho da amostra foi de 450 pacientes. Os métodos de imputação empregados foram duas imputações únicas e uma imputação múltipla (IM), e a suposição sobre o mecanismo de não-resposta foi MAR (Missing at Random). Resultados: A variável com dados faltantes foi a albumina sérica, com 27,1% de perda. Os modelos obtidos pelas imputações únicas foram semelhantes entre si, mas diferentes dos obtidos com os dados imputados pela IM quanto à inclusão de variáveis nos modelos. Conclusões: Os resultados indicam que faz diferença levar em conta a relação da albumina com outras variáveis observadas, pois foram obtidos modelos diferentes nas imputações única e múltipla. A imputação única subestima a variabilidade, gerando intervalos de confiança mais estreitos. É importante se considerar o uso de métodos de imputação quando há dados faltantes, especialmente a IM que leva em conta a variabilidade entre imputações para as estimativas do modelo. Introduction: It is common for studies in health to face problems with missing data. Through imputation, complete data sets are built artificially and can be analyzed by traditional statistical analysis. The objective of this paper is to compare three types of imputation based on real data. Methods: The data used came from a study on the development of risk models for surgical mortality. The sample size was 450 patients. The imputation methods applied were: two single imputations and one multiple imputation and the assumption was MAR (Missing at Random). Results: The variable with missing data was serum albumin with 27.1% of missing rate. The logistic models adjusted by simple imputation were similar, but differed from models obtained by multiple imputation in relation to the inclusion of variables. Conclusions: The results indicate that it is important to take into account the relationship of albumin to other variables observed, because different models were obtained in single and multiple imputations. Single imputation underestimates the variability generating narrower confidence intervals. It is important to consider the use of imputation methods when there is mis¬sing data, especially multiple imputation that takes into account the variability between imputations for estimates of the model.

OBJETIVO: Avaliar a mortalidade hospitalar por meio de análise multinível utilizando dados disponíveis no Sistema de Informações Hospitalares do Sistema Único de Saúde. MÉTODOS: Estudo transversal com dados de internações obtidas das Autorizações de Internação Hospitalar do Rio Grande do Sul no ano de 2005. A modelagem foi realizada por meio de regressão logística multinível, utilizando variáveis do nível individual (internações) e do nível contextual (hospitais). Analisou-se a variabilidade causada por variáreis individuais no nível hospitalar, bem como a participação do perfil dos hospitais na taxa de mortalidade hospitalar. RESULTADOS: A taxa bruta de mortalidade calculada para o conjunto de hospitais foi de 6,3%. As variáveis uso de Unidade de Terapia Intensiva e idade foram os principais preditores para óbito hospitalar no nível individual. As variáveis de contexto que se relacionaram mais intensamente com o óbito hospitalar foram: porte do hospital, natureza jurídica e média de permanência. A chance de óbito em hospital de grande porte é 1,85 vezes a chance do hospital de pequeno porte e no hospital de médio porte é 1,69 vezes a chance do hospital de pequeno porte. Os hospitais públicos apresentam 67% mais chances de óbito hospitalar do que os privados. CONCLUSÕES: O perfil hospitalar tem papel importante na mortalidade hospitalar do Sistema de Informações Hospitalares do Sistema Único de Saúde. A análise multinível deve ser empregada para a estimação da contribuição do perfil dos hospitais na mortalidade hospitalar. OBJECTIVE: To use a multilevel analysis methodology to evaluate hospital mortality from the data available in the Hospital Information System of the National Unified Health System. METHODS: Cross-sectional study with data obtained from Authorization Forms for Hospital Admissions in Rio Grande do Sul, Brazil in 2005. The modeling was performed using multilevel logistic regression, with variables from the individual level (hospital admissions) and the context level (hospital profile). The variability originated from individual variables was analyzed as well as the participation of the profile of hospitals in the rate of hospital mortality. RESULTS: The crude death rate calculated for all hospitals was 6.3%. The variables "Use of Intensive Care Unit" followed by "Patient Age" were the main predictors for hospital death at the individual level. The context variables that were related most closely to hospital death (outcome) were: size of hospital, legal nature, and average length of stay. The OR for deaths at large hospitals was 1.85 times the odds for small hospitals and the OR for medium hospitals was 1.69 times the odds for small ones. The chance of deaths in public hospitals was 67% higher than in private ones. CONCLUSIONS: The hospital profile has an important role in hospital mortality in the Hospital Information System of the National Unified Health System. Multilevel analysis should be used to estimate the contribution of the profile of mortality in hospitals.