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 tradicionais. 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 missing data, especially multiple imputation that takes into account the variability between imputations for estimates of the model.

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 tradicionais. 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 missing data, especially multiple imputation that takes into account the variability between imputations for estimates of the model.

OBJETIVO: Desenvolver um modelo preditivo de óbito hospitalar com base nos dados do Sistema de Informações Hospitalares do Sistema Único de Saúde. MÉTODOS: Estudo transversal com dados de 453.515 autorizações de internação de 332 hospitais do Rio Grande do Sul no ano de 2005. A partir da razão entre óbitos observados e óbitos esperados elaborou-se um ranking ajustado dos hospitais que foi comparado ao ranking bruto da taxa de mortalidade. Utilizou-se regressão logística para desenvolvimento do modelo preditivo de probabilidade para óbito hospitalar segundo sexo, idade, diagnóstico e uso de unidade de terapia intensiva. Foram obtidos os intervalos com 95% de confiança para 206 hospitais com mais de 365 internações por ano. RESULTADOS: Obteve-se um índice de risco para mortalidade hospitalar. A ordenação dos hospitais utilizando apenas a taxa de mortalidade bruta diferiu da ordenação quando se utiliza o ranking ajustado pelo modelo preditivo de probabilidade. Dos 206 hospitais analisados, 40 hospitais apresentaram mortalidade observada significativamente superior à esperada e 58 hospitais com mortalidade significativamente inferior à esperada. Uso de unidade de terapia intensiva apresentou maior peso para a composição do índice de risco, seguida pela idade e diagnóstico. Quando os hospitais atendem pacientes com perfis muito diferentes, o ajuste de risco não resulta numa indicação definitiva sobre qual prestador é o melhor. Os hospitais de grande porte apresentaram, no conjunto, maior número de óbitos do que seria esperado de acordo com as características das internações. CONCLUSÕES: O índice de risco de óbito hospitalar mostrou-se preditor adequado para o cálculo dos óbitos esperados, podendo ser aplicado na avaliação do desempenho hospitalar. Recomenda-se que, ao comparar hospitais, seja utilizado o ajuste pelo modelo preditivo de probabilidade de risco, estratificando-se pelo porte do hospital.

OBJECTIVE: To develop a hospital mortality prediction model based on data from the Hospital Information System of the Brazilian National Health System. METHODS: This was a cross-sectional study using data from 453,515 authorizations for hospital admission relating to 332 hospitals in Rio Grande do Sul, Southern Brazil in the year 2005. From the ratio between observed and expected deaths, the hospitals were ranked in an adjusted manner, and this was compared with the crude ranking of the mortality rate. Logistic regression was used to develop a predictive model for the likelihood of hospital mortality according to sex, age, diagnosis and use of an intensive care unit. Confidence intervals (95%) were obtained for the 206 hospitals with more than 365 hospital admissions per year. RESULTS: An index for the risk of hospital mortality was obtained. Ranking the hospitals using only the crude mortality rate differed from the ranking when it was adjusted according to the predictive likelihood model. Among the 206 hospitals analyzed, 40 of them presented observed mortality that was significantly greater than what was expected, while 58 hospitals presented mortality that was significantly lower than expected. Use of an intensive care unit presented the greatest weight in making up the risk index, followed by age and diagnosis. When the hospitals attended patients with widely differing profiles, the risk adjustment did not result in a definitive indication regarding which provider was best. Among this group of hospitals, those of large size presented greater numbers of deaths than would be expected from the characteristics of the hospital admissions. CONCLUSIONS: The hospital mortality risk index was shown to be an appropriate predictor for calculating the expected death rate, and it can be applied to evaluate hospital performance. It is recommended that, in comparing hospitals, the adjustment using the predictive likelihood model for the risk should be used, with stratification according to hospital size.

OBJETIVO: Desarrollar un modelo predictivo de óbito hospitalario con base en los datos del Sistema de Informaciones Hospitalarios del Sistema Único de Salud de Brasil. MÉTODOS: Estudio transversal con datos de 453.515 autorizaciones de internación de 332 hospitales de Rio Grande do Sul (Sur de Brasil) en el año 2005. A partir de la tasa de óbitos observados y óbitos esperados se elaboró un ranking ajustado de los hospitales que fue comparado al ranking bruto de la tasa de mortalidad. Se utilizó regresión logística para desarrollo del modelo predictivo de probabilidad para óbito hospitalario según sexo, edad, diagnóstico y uso de unidad de terapia intensiva (UTI). Se obtuvieron los intervalos con 95% de confianza para los 206 hospitales con más de 365 internaciones por año. RESULTADOS: Se obtuvo un índice de riesgo para mortalidad hospitalaria. La ordenación de los hospitales utilizando sólo la tasa de mortalidad bruta difirió de la ordenación al utilizarse el ranking ajustado por el modelo predictivo de probabilidad. De los 206 hospitales analizados, 40 hospitales presentaron mortalidad observada significativamente superior a la esperada y 58 hospitales con mortalidad significativamente menor a la esperada. El uso de UTI presentó mayor peso para la composición del índice de riesgo, seguida por la edad y diagnóstico. Cuando los hospitales atienden pacientes con perfiles muy diferentes, el ajuste de riesgo no resulta en una indicación definitiva sobre cual prestador es mejor. Los hospitales de gran porte presentaron, en conjunto, mayor número de óbitos del que sería esperado de acuerdo con las características de las internaciones. CONCLUSIONES: El índice de riesgo de óbito hospitalario se mostró predictivo adecuado para el cálculo de los óbitos esperados, pudiendo ser aplicado en la evaluación del desarrollo hospitalario. Se recomienda que, al comparar hospitales, sea utilizado el ajuste por el modelo predictivo de probabilidad de riesgo, estratificándose por el porte del hospital.

OBJETIVO: Desenvolver um modelo preditivo de óbito hospitalar com base nos dados do Sistema de Informações Hospitalares do Sistema Único de Saúde. MÉTODOS: Estudo transversal com dados de 453.515 autorizações de internação de 332 hospitais do Rio Grande do Sul no ano de 2005. A partir da razão entre óbitos observados e óbitos esperados elaborou-se um ranking ajustado dos hospitais que foi comparado ao ranking bruto da taxa de mortalidade. Utilizou-se regressão logística para desenvolvimento do modelo preditivo de probabilidade para óbito hospitalar segundo sexo, idade, diagnóstico e uso de unidade de terapia intensiva. Foram obtidos os intervalos com 95% de confiança para 206 hospitais com mais de 365 internações por ano. RESULTADOS: Obteve-se um índice de risco para mortalidade hospitalar. A ordenação dos hospitais utilizando apenas a taxa de mortalidade bruta diferiu da ordenação quando se utiliza o ranking ajustado pelo modelo preditivo de probabilidade. Dos 206 hospitais analisados, 40 hospitais apresentaram mortalidade observada significativamente superior à esperada e 58 hospitais com mortalidade significativamente inferior à esperada. Uso de unidade de terapia intensiva apresentou maior peso para a composição do índice de risco, seguida pela idade e diagnóstico. Quando os hospitais atendem pacientes com perfis muito diferentes, o ajuste de risco não resulta numa indicação definitiva sobre qual prestador é o melhor. Os hospitais de grande porte apresentaram, no conjunto, maior número de óbitos do que seria esperado de acordo com as características das internações. CONCLUSÕES: O índice de risco de óbito hospitalar mostrou-se preditor adequado para o cálculo dos óbitos esperados, podendo ser aplicado na avaliação do desempenho hospitalar. Recomenda-se que, ao comparar hospitais, seja utilizado o ajuste pelo modelo preditivo de probabilidade de risco, estratificando-se pelo porte do hospital.

OBJECTIVE: To develop a hospital mortality prediction model based on data from the Hospital Information System of the Brazilian National Health System. METHODS: This was a cross-sectional study using data from 453,515 authorizations for hospital admission relating to 332 hospitals in Rio Grande do Sul, Southern Brazil in the year 2005. From the ratio between observed and expected deaths, the hospitals were ranked in an adjusted manner, and this was compared with the crude ranking of the mortality rate. Logistic regression was used to develop a predictive model for the likelihood of hospital mortality according to sex, age, diagnosis and use of an intensive care unit. Confidence intervals (95%) were obtained for the 206 hospitals with more than 365 hospital admissions per year. RESULTS: An index for the risk of hospital mortality was obtained. Ranking the hospitals using only the crude mortality rate differed from the ranking when it was adjusted according to the predictive likelihood model. Among the 206 hospitals analyzed, 40 of them presented observed mortality that was significantly greater than what was expected, while 58 hospitals presented mortality that was significantly lower than expected. Use of an intensive care unit presented the greatest weight in making up the risk index, followed by age and diagnosis. When the hospitals attended patients with widely differing profiles, the risk adjustment did not result in a definitive indication regarding which provider was best. Among this group of hospitals, those of large size presented greater numbers of deaths than would be expected from the characteristics of the hospital admissions. CONCLUSIONS: The hospital mortality risk index was shown to be an appropriate predictor for calculating the expected death rate, and it can be applied to evaluate hospital performance. It is recommended that, in comparing hospitals, the adjustment using the predictive likelihood model for the risk should be used, with stratification according to hospital size.

OBJETIVO: Desarrollar un modelo predictivo de óbito hospitalario con base en los datos del Sistema de Informaciones Hospitalarios del Sistema Único de Salud de Brasil. MÉTODOS: Estudio transversal con datos de 453.515 autorizaciones de internación de 332 hospitales de Rio Grande do Sul (Sur de Brasil) en el año 2005. A partir de la tasa de óbitos observados y óbitos esperados se elaboró un ranking ajustado de los hospitales que fue comparado al ranking bruto de la tasa de mortalidad. Se utilizó regresión logística para desarrollo del modelo predictivo de probabilidad para óbito hospitalario según sexo, edad, diagnóstico y uso de unidad de terapia intensiva (UTI). Se obtuvieron los intervalos con 95% de confianza para los 206 hospitales con más de 365 internaciones por año. RESULTADOS: Se obtuvo un índice de riesgo para mortalidad hospitalaria. La ordenación de los hospitales utilizando sólo la tasa de mortalidad bruta difirió de la ordenación al utilizarse el ranking ajustado por el modelo predictivo de probabilidad. De los 206 hospitales analizados, 40 hospitales presentaron mortalidad observada significativamente superior a la esperada y 58 hospitales con mortalidad significativamente menor a la esperada. El uso de UTI presentó mayor peso para la composición del índice de riesgo, seguida por la edad y diagnóstico. Cuando los hospitales atienden pacientes con perfiles muy diferentes, el ajuste de riesgo no resulta en una indicación definitiva sobre cual prestador es mejor. Los hospitales de gran porte presentaron, en conjunto, mayor número de óbitos del que sería esperado de acuerdo con las características de las internaciones. CONCLUSIONES: El índice de riesgo de óbito hospitalario se mostró predictivo adecuado para el cálculo de los óbitos esperados, pudiendo ser aplicado en la evaluación del desarrollo hospitalario. Se recomienda que, al comparar hospitales, sea utilizado el ajuste por el modelo predictivo de probabilidad de riesgo, estratificándose por el porte del hospital.

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.

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.

Em situações com dados faltantes, é comum restringir-se à análise dos sujeitos com dados completos. Porém, as estimativas com apenas esses sujeitos podem tornar-se viesadas. A prática de preenchimento de dados faltantes é a chamada técnica de imputação. Este trabalho tem como objetivo divulgar o método de imputação múltipla. Em um conjunto de dados de 470 pacientes cirúrgicos, foram ajustados modelos logísticos para o desfecho óbito. Foram gerados dois conjuntos de dados incompletos: um com 5% e outro com 20% de dados faltantes para uma variável. Foram ajustados modelos para o conjunto completo, com dados faltantes e para o conjunto completado por imputação múltipla. As estimativas obtidas pela análise dos conjuntos com dados faltantes e com o conjunto completo foram diferentes, principalmente as do conjunto com 20% de dados faltantes. A imputação múltipla utilizada pareceu eficiente, pois os resultados conseguidos com o banco completado por imputações foram próximos dos obtidos com o conjunto completo. Porém, um coeficiente deixou de ser estatisticamente significativo. A imputação múltipla se mostrou superior à análise do conjunto com dados faltantes, que desconsiderou os casos incompletos.

In situations with missing data, statistical analyses are usually limited to subjects with complete data. However, such estimates may be biased. The method of "filling in" missing data is called imputation. This article aimed to present a multiple imputation method. From a data set of 470 surgical patients, logistic models were developed for death as the outcome. Two incomplete data sets were generated: one with 5% and another with 20% of missing data in a single variable. Logistic models were fitted for the complete and incomplete data sets and for the data set completed by multiple imputations. Estimates obtained for the data set with missing data were different from those observed in the complete data set, mainly in the situation with 20% of missing data. The multiple imputation used here appeared efficient, producing very similar results to those obtained with the complete data set. However, one coefficient became non-significant. The analysis using multiple imputations was considered superior to using the data sets that excluded incomplete cases from the analysis.

Em situações com dados faltantes, é comum restringir-se à análise dos sujeitos com dados completos. Porém, as estimativas com apenas esses sujeitos podem tornar-se viesadas. A prática de preenchimento de dados faltantes é a chamada técnica de imputação. Este trabalho tem como objetivo divulgar o método de imputação múltipla. Em um conjunto de dados de 470 pacientes cirúrgicos, foram ajustados modelos logísticos para o desfecho óbito. Foram gerados dois conjuntos de dados incompletos: um com 5% e outro com 20% de dados faltantes para uma variável. Foram ajustados modelos para o conjunto completo, com dados faltantes e para o conjunto completado por imputação múltipla. As estimativas obtidas pela análise dos conjuntos com dados faltantes e com o conjunto completo foram diferentes, principalmente as do conjunto com 20% de dados faltantes. A imputação múltipla utilizada pareceu eficiente, pois os resultados conseguidos com o banco completado por imputações foram próximos dos obtidos com o conjunto completo. Porém, um coeficiente deixou de ser estatisticamente significativo. A imputação múltipla se mostrou superior à análise do conjunto com dados faltantes, que desconsiderou os casos incompletos.

In situations with missing data, statistical analyses are usually limited to subjects with complete data. However, such estimates may be biased. The method of "filling in" missing data is called imputation. This article aimed to present a multiple imputation method. From a data set of 470 surgical patients, logistic models were developed for death as the outcome. Two incomplete data sets were generated: one with 5% and another with 20% of missing data in a single variable. Logistic models were fitted for the complete and incomplete data sets and for the data set completed by multiple imputations. Estimates obtained for the data set with missing data were different from those observed in the complete data set, mainly in the situation with 20% of missing data. The multiple imputation used here appeared efficient, producing very similar results to those obtained with the complete data set. However, one coefficient became non-significant. The analysis using multiple imputations was considered superior to using the data sets that excluded incomplete cases from the analysis.