Introdução: Os custos de internação em unidades de terapia intensiva (UTIs) são relevantes devido ao seu alto impacto no sistema de saúde. As internações em UTI financiadas pelo governo brasileiro por meio do Sistema Único de Saúde (AIH-SUS) totalizaram US$ 2,260 bilhões em 2023. Dada a magnitude desses gastos, avaliações econômicas de inovações no cuidado intensivo são essenciais. Devido às limitações das fontes convencionais de dados de custos, este estudo teve como objetivo desenvolver uma ferramenta de estimativa de custos para avaliações de tecnologias em saúde. Métodos: Os dados foram extraídos do Projeto Impacto-MR, uma plataforma colaborativa de pesquisa coordenada por hospitais brasileiros, incluindo o Hospital Israelita Albert Einstein, em parceria com o Ministério da Saúde e a Agência Nacional de Vigilância Sanitária (ANVISA). Dados em nível de paciente foram coletados de 15 UTIs brasileiras entre outubro de 2019 e outubro de 2024. Os custos foram categorizados em fixos (médicos, enfermeiros, fisioterapeutas, técnicos de enfermagem, assistentes administrativos, outros profissionais, depreciação, energia elétrica/água/telefone/internet, custos indiretos e materiais de escritório) e variáveis (medicamentos, materiais, hemodiálise, transfusões sanguíneas, exames laboratoriais/de imagem e gases medicinais). Os custos em UTI foram estimados por meio da identificação de padrões de consumo utilizando aprendizado de máquina, considerando variáveis clínicas. Os valores foram ajustados por paridade de poder de compra e inflação. Resultados: Os custos por paciente em UTI apresentaram grande variabilidade. Os custos fixos estão mais relacionados à estrutura da UTI, práticas de gestão e características locais e regionais, não variando no curto prazo e apresentando forte correlação com o tempo de permanência. Já os custos variáveis estão mais associados às características do paciente, refletindo o consumo direto e podendo variar no curto prazo. A estimativa de custos para comparação entre tecnologias em saúde foi possível com a utilização da calculadora. O uso de aprendizado de máquina permitiu identificar padrões de consumo em UTIs e estimar custos considerando variáveis clínicas. Conclusões: O Projeto Impacto-MR está conduzindo diversas avaliações de tecnologias em saúde em UTIs no Brasil. Com essa calculadora, torna-se possível realizar análises de custo-efetividade em contextos onde dados de custos não estão disponíveis, contribuindo para decisões mais informadas na área da saúde.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
lntroduction: ICU hospitalization costs are relevant dueto their high impact on the healthcare system. ICU admissions financed by the Brazilian government through the Unified Health System (AIH-SUS) totaled US$2.260 billion in 2023. Given the magnitude of these expenditures, economic evaluations of innovations in ICU care are criticai. Beca use of the limitations of conventional sources of cost data, this study aimed to develop a cost estimation tool for health technology assessments. Methods Data was extracted from the lmpacto-MR Project, a collaborative research platform coordinated by Brazilian hospitais, including Hospital Israelita Albert Einstein, partnering with the Ministry of Health and the National Health Surveillance Agency (ANVISA). Patient-level data were collected from 15 Brazilian ICUs from October/2019-October/2024. Costs were categorized into fixed costs (doctors, nurses, physiotherapists, nursing assistants, administrative assistants, other workers, depreciation, electricity/water/telefone/internet, indirect costs, office supplies) and variable costs (drugs, materiais, hemodialysis, blood transfusions, laboratory/imaging tests, medical gases). ICU costs were estimated by identifying consumption patterns using machine learning, considering clinicai variables. Costs were adjusted for purchasing power parity and inflation. Results ICU costs per patient showed substantial variability. Fixed costs are more related to the structure of the ICU, management practices, and local and regional characteristics, do not vary in the short term, and have a strong correlation with length of stay. Variable costs are more related to the patient's characteristics, reflect direct consumption, and can vary in the short term. Estimating costs for health technology comparisons was possible with this calculator. Machine learning can be used to identify consumption patterns in ICUs and help estimate costs while taking into account clinicai variables. Conclusions The IMPACTO-MR Project is conducting several health technology assessments in intensive care units in Brazil. With this calculator, it is possible to perform cost-effectiveness analyses in ICUs where cost data are not available.
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
