Introdução: A readmissão hospitalar pode causar impactos negativos aos pacientes e seus familiares e levar à ineficiência operacional limitando a capacidade de entrega dos serviços. Dessa forma, a redução das readmissões hospitalares não planejadas constitui-se uma oportunidade de melhoria da qualidade assistencial e da sustentabilidade do sistema de saúde, sobretudo em pacientes idosos, que apresentam uma carga de morbidade mais elevada e, portanto, maior necessidade de serviços hospitalares especializados. Assim, técnicas de modelagem de dados e algoritmos de predição que visam identificar pacientes com risco de readmissão hospitalar passaram a ser amplamente implementadas entre os pesquisadores. Essas técnicas podem subsidiar a tomada de decisão e a implementação de programas individualizados de alta hospitalar. Para superar este desafio, aprendizagem automática baseadas em redes neurais profundas (deep learning) tem sido muito utilizada para a previsão de fatores de risco de readmissão hospitalar. Objetivos: Identificar padrões e fatores determinantes de readmissões hospitalares ocorridas em até 30 dias após a alta hospitalar em uma população idosa atendida em um hospital terciário da cidade de São Paulo. Métodos: Estudo observacional com dados derivados de bases administrativas de produção do Sistema Único de Saúde (SUS), considerando apenas internação de pacientes idosos (60 anos ou mais) no Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (HCFMUSP), entre janeiro de 2016 a dezembro de 2019, excetuando-se óbitos, transferências e internações de longa permanência. O processo de curadoria dos dados resultou em 187 variáveis, compostas por dados demográficos, administrativos, serviços hospitalares e histórico clínico. Como parte do experimento, criamos quatro cenários: a) variáveis disponíveis durante a internação; b) atendimentos ambulatoriais realizados até 12 meses antes da admissão; c) quantidade de serviços anteriores à admissão; d) comorbidades. Estes cenários foram aplicados às duas coortes, criadas para o desenvolvimento dos modelos preditivos. O primeiro modelo analisou apenas as internações e altas ocorridas dentro do HCFMUSP. O segundo modelo analisou as mesmas internações da coorte anterior, mas também avaliou se houve internações fora do HCFMUSP. Para cada cenário, o processo de seleção de variáveis foi baseado no uso de algoritmos de árvores de decisão, Random Forest, e, para a identificação dos fatores de risco e análise de desempenho entre os cenários, utilizamos redes neurais por meio do MultiLayer Perceptron (MLP). O desempenho preditivo de todos os modelos foi comparado por meio da área sob a curva roc (AUC) e pelo coeficiente de correlação de Matthews (MCC). Resultados: A população do estudo foi composta por 26.833 pacientes, com idade média de 69,5 ± 8,5 anos, sendo 48,6% do sexo masculino e totalizando 44.086 hospitalizações. As taxas de readmissões foram de 9,2% e 12,0% para as coortes HCFMUSP e HCFMUSP+, respectivamente. Considerando a análise da sensibilidade de economia, para a coorte HCFMUSP, o melhor cenário representou uma possibilidade máxima de economia na ordem de R$ 2,0 milhões, quanto na coorte HCFMUSP+, R$ 2,3 milhões. Conclusões: O desenvolvimento de modelos de predição por meio de técnicas de aprendizado de máquina supervisionado aplicados em uma coorte com mais de 26 mil pacientes idosos consecutivos, com dados derivados de bases administrativas hospitalares, permitiu a identificação de subgrupos com maior risco para readmissões. Esses modelos resultaram em informações que podem ser transponíveis para a prática assistencial e replicado para qualquer estabelecimento do SUS, contribuindo, dessa forma, com a melhoria da qualidade dos serviços hospitalares

Introduction: Hospital readmissions can negatively impact patients and their families, and lead to operational inefficiencies, limiting the efficiency of healthcare service delivery. Therefore, reduction of unplanned hospital readmissions presents an opportunity to improve the quality of care and sustainability of the healthcare system. This is especially important for the care of elderly patients, who carry a higher morbidity burden and, therefore, a greater need for specialized hospital services. Thus, data modeling techniques and prediction algorithms that aim to identify patients at risk of readmission have become more widely implemented among researchers. These techniques can support decision-making and implementation of individualized hospital discharge programs. To overcome this challenge, machine learning techniques, namely deep neural networks (deep learning), have been implemented for the prediction of risk factors for hospital readmission. Objectives: To identify patterns and determinants of hospital readmissions within 30 days after hospital discharge in an elderly population treated at a tertiary hospital in the city of São Paulo. Methods: Observational study with data derived from administrative databases of the Unified Health System (SUS), considering only the hospitalization of elderly patients (60 years or older) at the Hospital das Clínicas of the Faculty of Medicine of the University of São Paulo (HCFMUSP), between January 2016 and December 2019, excluding deaths, transfers, and long-term hospitalizations. The data curation process resulted in 187 variables, consisting of demographic and administrative data, hospital services, and clinical history. As part of the experiment, we created four scenarios: a) variables available during hospitalization; b) outpatient visits performed up to 12 months before admission; c) number of services prior to admission; d) comorbidities. These scenarios were applied to the two cohorts, created for the development of the predictive models. The first model only analyzed hospitalizations and discharges that occurred within HCFMUSP. The second model analyzed the same hospitalizations of the previous cohort, but also evaluated whether there were hospitalizations outside HCFMUSP. For each scenario, the variable selection process was based on the use of decision tree algorithms, Random Forest, and, for the identification of risk factors and performance analysis between scenarios, neural networks through MultiLayer Perceptron (MLP). The predictive performance of all models was compared using the area under the roc curve (AUC) and the Matthews correlation coefficient (MCC). Results: The study population consisted of 26,833 patients, with a mean age of 69.5 ± 8.5 years, 48.6% of whom were male, and totaling 44,086 hospitalizations. Readmission rates were 9.2% and 12.0% for the HCFMUSP and HCFMUSP+ cohorts, respectively. Considering the cost sensitive, for the HCFMUSP cohort, the best scenario represented a maximum possibility of savings of around R$2.0 million, as for the HCFMUSP+ cohort, R$2.3 million. Conclusions: The development of prediction models using supervised machine learning techniques applied to a cohort of more than 26,000 consecutive elderly patients, with data derived from hospital administrative databases, successfully identified subgroups of patients at higher risk for readmissions. These models provided information that can be applied to medical practices and be replicated in any SUS establishment, thus contributing to improving the quality of hospital services