Visão hospitalar
Inteligência analítica por estabelecimento (CNES): mortalidade ajustada por case-mix (HSMR), tempo de permanência esperado por diagnóstico e projeção de demanda — a partir do SIH/AIH.
A projeção de demanda (mais abaixo) sempre usa o histórico mensal completo disponível, independente do ano selecionado aqui.
Leitos hospitalares: a capacidade instalada
Todo o resto desta página mede uso (quem internou, quanto tempo ficou, quem morreu). Leito é a medida de oferta — e sem ela não dá para saber se um resultado ruim reflete assistência pior ou simplesmente falta de estrutura. Fonte: CNES grupo LT (FTP do DataSUS), competência de dezembro de cada ano.
Vazio assistencial e mortalidade: não achamos efeito
1.994 municípios (35,8% em 2023) não têm nenhum leito hospitalar. A pergunta óbvia é se isso mata mais gente. Duas hipóteses distintas, com implicações opostas: (a) sobrevida — sem leito perto, o caso grave morre; a assinatura seria taxa padronizada por idade maior; ou (b) local da morte — a mesma morte ocorre em casa em vez do hospital, sem mudar a taxa total.
Municípios sem nenhum leito (2023)
35,8%
1.994 de 5.570 — grupo comparado ao resto, dentro do mesmo porte
Diferença de taxa padronizada, dentro do porte
≤ 8,6 /100 mil
sem leito vs. com leito, em todos os quartis — favorável ao grupo sem leito
Diferença de óbito domiciliar, dentro do porte
≤ 0,9 p.p.
o efeito bruto (+1,9 p.p.) era quase todo porte
| Porte | Taxa padr. — sem leito | Taxa padr. — com leito | Diferença | % óbito domiciliar (sem × com) |
|---|---|---|---|---|
| Q1 (menores) | 667,9 | 676,5 | -8,6 | 23,8% × 23,1% |
| Q2 | 683,7 | 688,4 | -4,7 | 25,4% × 24,5% |
| Q3 | 696,6 | 701,3 | -4,7 | 24,6% × 24,5% |
| Q4 (maiores) | 709,9 | 716,1 | -6,2 | 20,3% × 20,6% |
Nenhuma das duas hipóteses se confirma. A taxa padronizada por idade é praticamente igual entre municípios com e sem leito local, dentro de cada quartil de porte — e a diferença que existe favorece levemente o grupo sem leito. O teste mais exigente — comparar só na região Norte, onde as distâncias até um hospital de referência são maiores — não muda o quadro (taxa padronizada 627,3 sem leito vs. 662,5 com leito). Se faltar leito matasse, seria ali que apareceria.
Isso conversa com o achado da seção de ICSAP: leito local quase dobra a internação por causas sensíveis à atenção primária, mas não muda a mortalidade padronizada. Hospital pequeno parece internar muito caso de baixa complexidade que não altera desfecho de sobrevida — dois achados independentes contando a mesma história.
Limitação declarada: "sem leito local" não mede distância até o leito mais próximo — um município a 20 km de um hospital regional e outro a 300 km entram no mesmo grupo. O teste regional atenua essa preocupação, mas não substitui medida de distância, que exigiria geocodificação não realizada. Reprodutível em scripts/analise_vazio_assistencial.py; mart público mart_vazio_assistencial_municipio.
Mortalidade hospitalar ajustada (HSMR) — Brasil, 2024
Razão entre óbitos observados e óbitos esperados, dado o perfil de idade e diagnóstico de cada hospital (padronização indireta). HSMR > 1 = mortalidade acima do esperado para aquele case-mix; HSMR < 1 = abaixo. Não é um veredito de qualidade — é um ponto de partida para investigação.
Cada hospital é comparado ao seu estrato, não ao Brasil inteiro. O ajuste por capítulo CID-10 enxerga diagnóstico, não gravidade — e hospital com UTI recebe o caso crítico do mesmo capítulo. Medimos: em 2024 o O/E agregado era 1,163 nos hospitais com UTI e 0,542 nos sem UTI (o nacional é 1,000 por construção, mas nenhum dos dois grupos estava em 1). Por isso o HSMR exibido é recalibrado dentro do estrato: responde “este hospital difere dos hospitais como ele?”. Entre colchetes, o IC95% (gamma/Poisson exato), calculado sobre a mesma régua.
A classificação (cor e ≈) usa o q-valor, não o IC bruto: com milhares de hospitais testados por ano, testar cada um a 5% sem correção geraria falsos positivos só por acaso. Corrigimos com Benjamini-Hochberg aplicado dentro de cada estrato-ano; passe o mouse no * para ver o q-valor. ? indica óbitos esperados = 0, onde não há teste possível. Mínimo de 12 internações/ano.
Viés residual declarado — a estratificação melhora, mas não elimina. Antes da correção, 86,1% dos hospitais marcados “acima do esperado” tinham UTI, e a marcação ia de 1,7% (menores) a 43,4% (maiores): a flag sinalizava sobretudo “este hospital é grande e tem UTI”. Com a estratificação isso cai para 48,2% com UTI e o gradiente por porte achata para 5,6%→32,1%. Mas o viés não some: mesmo dentro do estrato, o HSMR mediano ainda cresce com o tamanho (0,39 nos menores a 0,93 nos maiores). Recalibração posterior não recupera a informação de gravidade que o ajuste por capítulo nunca capturou. Conclusão prática: compare apenas hospitais de porte e complexidade semelhantes, e use o HSMR para levantar hipóteses — nunca para ranquear. Detalhes na metodologia §14.
Tempo de permanência: hospital vs. esperado — Brasil, 2024
Mediana de dias de internação do hospital para um diagnóstico (CID-3), comparada à mediana nacional do mesmo diagnóstico. Valores positivos = hospital interna por mais tempo que a mediana nacional para aquela condição. Mediana aproximada por histograma de faixas de dias.
Mostrando os maiores desvios positivos (permanência mais longa que o esperado) no recorte, com ≥ 30 internações do hospital para o diagnóstico.
Projeção de demanda por hospital
Tendência linear sobre a série mensal de internações, avaliada por validação de origem móvel: o modelo foi comparado com cinco alternativas (naive, ingênuo sazonal, média móvel, sazonal+drift e tendência com sazonalidade) sobre 4.445 hospitais, treinando só com o passado de cada origem. Ele supera o baseline sazonal em todos os horizontes, e o intervalo mostrado usa a incerteza que o backtest de fato mediu — por isso é largo. Hospitais cuja série não alcança a última competência não são projetados, e os de menos de 5 internações/mês não são publicados: o erro medido ali passa de 50%.
Fonte: SIH/DataSUS (AIH aprovadas). HSMR: padronização indireta por faixa etária × capítulo CID-10, taxas de referência nacionais. LOS: mediana aproximada por histograma de faixas de dias. Forecast: tendência linear sobre o tempo de calendário, com intervalo de predição calibrado por validação de origem móvel (backtest sobre 4.445 hospitais) — o modelo supera o baseline sazonal em todos os horizontes (MASE 0,81 / 0,87 / 0,92), e a largura do intervalo reflete o erro que ele de fato apresentou. Cobre apenas a rede SUS. Ver metodologia.