Search

Background: Headache is one of the most common causes of emergency care and migraines are the most common primary headache in this regard. Objective: The aim of this research study was to assess the incidence of medical consultations due to headache, along with demographic characteristics and treatments pertaining to cephalalgia that were offered to patients cared for in supplemental healthcare emergency rooms. Methods: In 2017, a total of 11,105 consultations took place, and 4,865 (43.8%) of them were complaints relating to headache. 407 records of patients with headache were randomly selected and assessed. Demographic, clinical and therapeutic data were collected using a structured form. Results: The cause of headache was diagnosed as migraine in 60.0% of the patient records. Patients were mostly female (75.2%), with an average age of 33.9 ± 13.7 years. Patient management consisted of administering dipyrone in 62.4% of cases, antiemetics in 66.9%, corticosteroids in 58.9%, opioids in 24.3% and NSAIDs in 13.5%. Use of opioids was associated with a diagnosis of migraine (OR 2.4; CI 1.4-3.9; p = 0.001). Patients who received opioids were kept under observation for longer periods of time (OR 3.4; CI 2.1-5.4; p < 0.001) and exhibited a higher rate of use of antiemetics (OR 11.0; CI 4.7-25.9; p < 0.001), compared with patients who did not receive opioids. Conclusion: Dipyrone and antiemetics were administered to most of the patients. Opioids were used for a significant proportion of these individuals, despite the diagnosis of migraine, a condition for which their use is discouraged. RESUMO Introdução: Cefaleia é uma das causas mais frequentes de atendimentos de emergência, sendo que a migrânea é a cefaleia primária mais comum nesse contexto. Objetivo: Avaliar a frequência de atendimentos por cefaleias, bem como as características demográficas e o tratamento oferecido aos pacientes atendidos em Pronto Atendimento da Saúde Suplementar. Métodos: No ano de 2017 foram realizados 11.105 atendimentos, sendo 4.865 (43,8%) por queixa de cefaleia. Foram selecionados randomicamente a analisados 407 prontuários de pacientes com cefaleia. Os dados demográficos, clínicos e terapêuticos foram coletados através de formulário estruturado. Resultados: A causa da cefaleia foi diagnosticada como migrânea em 60,0% dos prontuários. Os pacientes eram em sua maioria do sexo feminino (74,9%), com média de idade de 33,9±13,7 anos. O manejo dos pacientes constitui-se na administração de dipirona em 62,4%, antiemético 66,9%; corticóide 58,9%, opióide 24,3% e, por fim, AINE foi utilizado em 13,5% dos casos. O uso de opióide foi associado ao diagnóstico de migrânea (OR 2,4; CI 1,4-3,9; p=0,001). Pacientes que receberam opióide também tiveram maior tempo de permanência (OR 3,4; IC 2,1-5,4; p

Imaging tests are essential for diagnosis in the emergency context and convey clinical information that is essential to assess the appropriateness of the tests and improve their interpretation. Therefore, we aimed to analyze the imaging tests requested by the Emergency Department in a district hospital.We retrospectively analyzed computed tomography and ultrasound scans requested by the Emergency Department at the Centro Hospitalar Universitário do Algarve and considered the following variables: requested test, clinical information provided (complete/incomplete), appropriateness of the test (appropriate/inappropriate), outcome (presence/absence of relevant findings) and findings related to the clinical information (yes/no). Pearson's chi-squared and odds ratio association tests were used to evaluate the statistical association between the variables.Out of 1427 requests, only 219 (15.3%) were considered to have complete clinical information. Nonetheless, 1075 (75.3%) requests were considered appropriate. Relevant findings were present in about one-third (n = 453; 31.7%) and most of these findings were related to the clinical context (n = 410; 90.5%). There was a significant association between test appropriateness and the presence of relevant findings in the test (p0.001). The odds ratio of having a relevant finding was 5.0 times higher in the tests considered appropriate when compared with those classified as inappropriate (CI = 3.4 - 7.3; p0.001).The fact that appropriate tests potentiate the probability of having a relevant finding emphasizes the importance of defining guidelines so that only the adequate tests are performed.Creating guidelines should improve the appropriateness of imaging tests requested in the Emergency Department, yielding their result, with the consequent rationalization of the available resources.Introdução: Os exames de imagem são essenciais para o diagnóstico em contexto de emergência, sendo a informação clínica determinante para verificar a sua adequação e melhorar a sua interpretação. O nosso objetivo compreendeu a análise dos exames de imagem requisitados pelo Departamento de Emergência num hospital distrital. Material e Métodos: Realizámos uma análise retrospetiva das tomografias computorizadas e ecografias requeridas pelo Departamento de Emergência no Centro Hospitalar Universitário do Algarve considerando as seguintes variáveis: exame requisitado, informação clínica fornecida (completa/incompleta), adequação do exame (adequado/não adequado), resultado (presença/ausência de achados relevantes) e relação dos achados com contexto clínico (relacionados/não relacionados). A associação entre variáveis foi avaliada utilizando as análises qui-quadrado de Pearson e razão de possibilidades. Resultados: Das 1427 requisições, apenas 219 (15,3%) foram consideradas como contendo informação clínica completa. No entanto, 1075 (75,3%) requisições foram consideradas adequadas. Cerca de um terço dos exames continha achados relevantes (n = 453; 31,7%) e a maioria destes achados estavam relacionados com o contexto clínico (n = 410; 90,5%). Encontrámos associações significativas entre a adequação do pedido e presença de achados clínicos relevantes (p0,001). A razão de possibilidades de ter um achado relevante é 5,0 vezes maior nos pedidos adequados relativamente aos não adequados (IC = 3,4 - 7,3; p0,001). Discussão: O facto de os exames adequados potenciarem a probabilidade de existir um achado relevante enfatiza a importância da definição de diretrizes para que só os exames adequados sejam realizados. Conclusão: A criação destas diretrizes deverá aumentar a adequação dos exames de imagem solicitados no Departamento de Emergência, otimizando o seu resultado, com a consequente racionalização dos recursos disponíveis.

A disparidade entre oferta e demanda de recursos no sistema de saúde é um problema mundial e cada vez mais grave. Entre os principais problemas está a escassez de leitos de internação e a demanda crescente de admissões hospitalares. Neste contexto, predizer quais pacientes serão admitidos e quais receberão alta hospitalar é de grande valia para gestores e administradores hospitalares. Estudos demonstram que a triagem, realizada de maneira manual, por médicos e enfermeiros, é capaz predizer a admissão hospitalar. O aprendizado de máquina (AM) oferece uma opção automatizada que permite a obtenção, em tempo real, dos dados disponíveis do paciente no momento da triagem, provindos de prontuários eletrônicos e dispositivos médicos, e pode predizer qual a probabilidade de admissão destes pacientes. O objetivo principal deste trabalho é desenvolver um algoritmo de inteligência artificial baseado em aprendizado de máquina que permita predizer admissão hospitalar de pacientes no momento da triagem, bem como avaliar o desempenho do algoritmo desenvolvido. A metodologia envolveu a coleta sistemática de dados de pacientes com média de idade de 63 anos no período entre 14 de setembro de 2015 e 18 de março de 2018, contabilizando 177.578 casos observados. Sobre esses dados foram utilizadas correções para dados desbalanceados, além das técnicas habituais de AM como Gradient Boosting, Support Vector Machine e Regressão Logística. O modelo desenvolvido foi capaz de predizer admissão hospitalar com acurácia, sensibilidade e especificidade de 78%, 79% e 73%, respectivamente. Essa abordagem, realizada de forma inédita no Brasil em um serviço privado especializado em atendimento de idosos, apresentou resultados promissores que merecem ser estendidos para outros serviços, incluindo o sistema público de saúde (SUS), haja vista seu enorme potencial de conferir agilidade no atendimento, segurança ao paciente e economia dos recursos escassos disponíveis para a saúde. The disparity between resource supply and demand in the health care system is a worldwide and growing problem. Among the main problems is the scarcity of hospitalization beds and the growing demand for hospital admissions. In this context, predicting which patients will be admitted and which will be discharged is of great value to hospital managers and administrators. Studies show that screening, performed manually by doctors and nurses, can predict hospital admission. Machine learning (ML) offers an automated option that enables real-time retrieval of available patient data at the time of triage from electronic medical records and medical devices, and can predict how likely these patients are to be admitted. The main objective of this work is to develop a machine learning based artificial intelligence algorithm that allows to predict hospital admission of patients at the time of triage, as well as to evaluate the performance of the developed algorithm. The methodology involved the systematic collection of data from patients with a mean age of 63 years, between September 14, 2015 and March 18, 2018, accounting for 177,578 observed cases. Corrections for unbalanced data were used on this data, in addition to the usual ML techniques such as Gradient Boosting, Support Vector Machine and Logistic Regression. The developed model was able to predict hospital admission with accuracy, sensitivity and specificity of 78%, 79% and 73%, respectively. This approach, unpublished in Brazil in a private service specialized in elderly care, presented promising results that deserve to be extended to other services, including the public health system (SUS), given its enormous potential to provide agile care, patient safety and saving of scarce health resources.