Introdução: O fenômeno da reinternação hospitalar não planejada é um problema crítico que afeta vários países, entre os efeitos diretos desta situação estão o descontrole da rotatividade de leitos hospitalares, o alto custo financeiro oriundo da duração de estadia e a diminuição da qualidade de vida dos pacientes. Objetivo: A busca por um modelo de predição de reinternação hospitalar eficiente torna-se relevante, considerando que seus resultados podem favorecer a tomada de decisões de forma antecipada dentro das instituições hospitalares, mitigando ou até evitando que um paciente seja internado novamente após a alta. Métodos: Dentre as atividades propostas neste trabalho estão a submissão de duas fontes de dados distintas à algumas etapas do processo de descoberta de conhecimento em bases de dados. Resultados: Inicialmente foi realizada uma busca nas bases de dados online a fim de avaliar a acurácia dos resultados obtidos na aplicação de modelos de predição de reinternação em pacientes de saúde mental, também comparar as variáveis mais utilizadas nestes modelos com as existentes nas fontes de dados do repositório. Em um segundo momento, as variáveis eleitas foram submetidas à análise e processamento sob a perspectiva da descoberta de conhecimento em bases de dados. Conclusão: A presença de determinadas variáveis nas fontes de dados que também foram utilizadas em estudos anteriores é um importante indicador da viabilidade de elaboração e aplicação de um modelo de predição de reinternações, a intenção é prosseguir nas etapas do processo de conhecimento em base de dados para elaboração deste modelo no futuro.

Introduction: The unplanned hospital readmission phenomenon is a critical problem that affects many countries. Among the direct effects of this situation are the uncontrolled rotation of hospital beds, the high financial cost resulting from the length of stay and the decrease in the life quality of patients. Objective: The search for an efficient readmission prediction model becomes relevant, considering that its results may support early decision making within hospital institutions, mitigating or even preventing a patient for new hospitalization after discharge. Methods: Among the activities proposed in this paper are the submission of two distinct data sources to knowledge discovery process in databases stages. Results: Initially, an online database search was lead to evaluate the accuracy of the results obtained in the application of readmission prediction models in mental health patients, as well as to compare the variables most commonly used in these models with those in data sources repository. In a second moment, the elected variables were submitted to analysis and processing from knowledge discovery in databases perspective. Conclusion: The presence of certain variables in data sources that were also used in previous studies is an important indicator of the feasibility of elaboration and application for readmission prediction model, the intention is proceed in the steps of the database knowledge process to elaborate this model in the future.