Utilidade Do Sistema De Informação Hospitalar Na Vigilância Da Mortalidade Materna No Brasil

Olívia Tavares Ranzani,Maria de Fátima Marinho,Ana Luiza Bierrenbach

Revista brasileira de epidemiologia（2023）

Instituto de Ensino e Pesquisa do Hospital Sírio-Libanês | Vital Strategies

Cited 0|Views8

Abstract

RESUMO Objetivo: Avaliar a capacidade dos registros hospitalares (SIH) em adicionar informações úteis e complementares ao Sistema de Informações sobre Mortalidade (SIM) no entendimento da mortalidade materna. Calcular e comparar a Razão de Mortalidade Materna (RMM) hospitalar e a RMM do SIM dos óbitos maternos ocorridos em hospitais, por faixa etária e por região, para demonstrar diferenças entre os grupos e avaliar a cobertura de óbitos maternos do SIM em relação ao SIH. Métodos: As internações obstétricas foram definidas com base em três critérios (códigos da 10a Revisão da Classificação Estatística Internacional de Doenças e Problemas Relacionados à Saúde — CID-10 nos diagnósticos; procedimentos; cobrança de parto). As RMM hospitalar e do SIM foram calculadas dividindo-se os óbitos maternos ocorridos nos hospitais conveniados ao Sistema Único de Saúde (SUS) pelos nascidos vivos (Sistema de Informação sobre Nascidos Vivos — SINASC) desses estabelecimentos. Resultados: Em 2019, identificamos 2.497.957 registros de internações obstétricas, 0,04% (946) com óbito hospitalar. Os três critérios localizaram 98% das internações obstétricas e 83% das internações com óbitos, revelando inconsistências entre diagnósticos e procedimentos. A comparação entre a RMM do SIH (45,5, intervalo de confiança — IC95%, 42,7–48,5) e a do SIM (49,7, IC95%, 46,7–52,8) não foi estatisticamente significante (p-valor 0,053). Conclusão: A análise do SIH foi capaz de prover informações adicionais ao monitoramento e vigilância da saúde materna no Brasil. Embora haja diferenças entre as RMM, o SIH como sistema de informação complementar ao SIM pode ser válido nos estudos sobre mortalidade e morbidade materna.

Translated text

Key words

Mortalidade materna,Sistema de informação hospitalar,Sistemas de informação,Vigilância,Óbito,Brasil

求助PDF

上传PDF

Bibtex

AI Read Science

AI Summary

AI Summary is the key point extracted automatically understanding the full text of the paper, including the background, methods, results, conclusions, icons and other key content, so that you can get the outline of the paper at a glance.

Example

Background

Key content

Introduction

Methods

Results

Related work

Fund

Key content

Pretraining has recently greatly promoted the development of natural language processing (NLP)
We show that M6 outperforms the baselines in multimodal downstream tasks, and the large M6 with 10 parameters can reach a better performance
We propose a method called M6 that is able to process information of multiple modalities and perform both single-modal and cross-modal understanding and generation
The model is scaled to large model with 10 billion parameters with sophisticated deployment, and the 10 -parameter M6-large is the largest pretrained model in Chinese
Experimental results show that our proposed M6 outperforms the baseline in a number of downstream tasks concerning both single modality and multiple modalities We will continue the pretraining of extremely large models by increasing data to explore the limit of its performance

Upload PDF to Generate Summary

Must-Reading Tree

Example

Generate MRT to find the research sequence of this paper