Skip to main content
NCBI home page
Epidemiologia e Serviços de Saúde : Revista do Sistema Unico de Saúde do Brasil logoLink to Epidemiologia e Serviços de Saúde : Revista do Sistema Unico de Saúde do Brasil
. 2024 Dec 6;33:e20231176. doi: 10.1590/S2237-96222024v33e20231176.en
View full-text in Portuguese

Assessment of the impact of the COVID-19 pandemic on the productivity of teaching hospitals in Brazil

Evaluación del impacto de la pandemia de COVID-19 en la productividad de los hospitales de enseñanza de Brazil

Maria Stella de Castro Lobo 1, Marcos Pereira Estellita Lins 2,3, Henrique de Castro Rodrigues 3,4, Gabriel Martins Soares 3
PMCID: PMC11654046  PMID: 39661819

ABSTRACT

Objectives

To analyze the influence of the COVID-19 pandemic on the productivity of general teaching hospitals in Brazil, by region and legal entity, and to propose parameters of care.

Methods

This was an observational study by means of mathematical modeling with data envelopment analysis and Malmquist index, using data on inputs and healthcare output before (2019) and during (2021) the pandemic.

Results

A total of 149 general teaching hospitals were analyzed, 32 of which were considered efficient. There was a decrease in productivity across all regions and legal entity. To bring all inefficient hospitals to the efficiency frontier generated by the model, there is a need to increase output by 2,205,856 (96.5%) hospitalizations and 872,264 (107.4%) surgeries.

Conclusion

The decline in hospital productivity resulted from the social commitment of hospitals during the pandemic, with a change in the care delivery pattern. The mathematical model used allows for the generation of parameters to facilitate the efficient recovery of care services after the end of public health emergency, and can be applied to hospital planning.

Keywords: Teaching Hospitals, Operations Research, Benchmarking, Organizational Efficiency, COVID-19

Study contributions

Main results

The COVID-19 pandemic led to a reduction in productivity of general teaching hospitals in Brazil across all regions and in all legal entity types. In order to recover, these hospitals will need to increase their average hospitalizations by 96.5% and surgeries by 107.4%.

Implications for services

The study presents a methodology that can be adapted and replicated in the management of healthcare services in the country, by defining an efficiency score and calculating the parameters, in a scenario of care recovery following the end of the public health emergency.

Perspectives

Additional qualitative analysis and application of DEA- Malmquist in subsequent years will validate dynamic planning, which considers multiple fluctuations and the influence of new factors and contexts that impact productivity (such as the pandemic).

INTRODUCTION

Coping with the COVID-19 pandemic required a joint effort from society and national public health. Federal, state and municipal health resources were pooled for the hiring of healthcare professionals and acquisition of medical equipment, such as oxygen, sedatives and personal protective equipment.1 Given the high transmissibility and potential severity in the first two years of the pandemic, there was a 47.0% increase in intensive care unit (ICU) beds and a 4.7% increase in other beds, in addition to the establishment of field hospitals and the reconfiguration of units for exclusive care for people with COVID-19.1 ,2

Teaching hospitals (THs) played a role in this process with different strategies, such as suspension of outpatient appointments and elective surgeries, the expansion of intensive care beds, reinforcement of biosafety protocols, the hiring of new professionals, training of healthcare teams, suspension of teaching activities and the development of research on the topic.3

It is worth noting that the adoption of pandemic response measures meant that treatment for other diseases was foregone,4 leading to changes in the profile of hospital admissions and productive efficiency. Productivity is defined as the ratio between the volume of outputs provided and inputs used by the same productive unit. Technical efficiency is measured by comparing the productivity of similar units, in order to assess the maximum production potential regarding the available inputs.5 There are different methods for analyzing productivity, including the least squares method , total factor productivity, stochastic frontier analysis and data envelopment analysis – DEA.5

DEA is a linear programming technique that measures the performance of productive units, Known as decision-making unit (DMU) , which consume multiple inputs – such as beds, equipment and human resources – to generate various outputs, such as hospitalizations, surgeries and consultations.6 mathematical programming is usually used to evaluate a collection of possible alternative courses of action en route to selecting one which is best. In this capacity, mathematical programming serves as a planning aid to management. Data Envelopment Analysis reverses this role and employs mathematical programming to obtain ex post facto evaluations of the relative efficiency of management accomplishments, however they may have been planned or executed. Mathematical programming is thereby extended for use as a tool for control and evaluation of past accomplishments as well as a tool to aid in planning future activities. The CCR ratio form introduced by Charnes, Cooper and Rhodes, as part of their Data Envelopment Analysis approach, comprehends both technical and scale inefficiencies via the optimal value of the ratio form, as obtained directly from the data without requiring a priori specification of weights and/or explicit delineation of assumed functional forms of relations between inputs and outputs. A separation into technical and scale efficiencies is accomplished by the methods developed in this paper without altering the latter conditions for use of DEA directly on observational data. Technical inefficiencies are identified with failures to achieve best possible output levels and/or usage of excessive amounts of inputs. Methods for identifying and correcting the magnitudes of these inefficiencies, as supplied in prior work, are illustrated. In the present paper, a new separate variable is introduced which makes it possible to determine whether operations were conducted in regions of increasing, constant or decreasing returns to scale (in multiple input and multiple output situations DMUs that produce more with the least use of inputs are considered efficient (with a score of 100.0%). The linear combination of inputs and outputs from these efficient units forms an efficient or productive frontier, which serves as a performance benchmark for the others. It is worth highlighting that DEA provides pathways for inefficient units to become efficient, through increased production or input reduction. DEA is frequently used in the health sector and has been applied to Brazilian hospitals for different purposes: efficiency analysis,7 search for efficiency determinants8 and assessment of public policy performance.9

The impact of the COVID-19 pandemic on the productivity of general THs in Brazil has not been measured yet, nor has it been determined whether this impact occurred uniformly. Following the introduction of vaccination in Brazil, in 2021, and the end of the global health emergency due to COVID-19, in 2023, the epidemiological profile of hospital admissions in general THs gradually returned to pre -pandemic levels, with a predominance of chronic-degenerative diseases. 10 Thus, the productivity of general HEs must be restored in order to recover their role in providing high-complexity care in the national level.

This study aims to analyze the influence of the COVID-19 pandemic on the productivity of general THs in Brazil, by region and legal entity, and to propose parameters of care.

METHODS

Study design and setting

THs have changed their healthcare delivery patterns to cope with the pandemic. An observational and analytical study on the comparative productivity of general THs in Brazil, before (2019) and during (2021) the COVID-19 pandemic, according to region of the country and legal entity, was conducted using non-parametric linear programming modeling, data envelopment analysis (DEA).

Participants and study size

The study included all THs in Brazil, certified in 2019 and 2021, excluding specialized hospitals and maternity hospitals. The general THs were classified according to the legal entity of their management and grouped based on the Brazilian Institute of Geography and Statistics categorization: direct public administration; corporate entity (public company under private law and private company); and private non-profit entity. 11 General THs were also classified according to the number of beds: medium-sized hospitals (51 to 150 beds) and large-sized hospitals (over 150 beds).

Variables

For the mathematical model, variables were selected based on their regular use in similar articles 12 and their availability in the administrative databases of the Brazilian National Health System (Sistema Único de Saúde - SUS).

Input variables included: number of hospital ward beds, number of ICU beds, the specialized services index and hospital mortality rate (HMR). In order to calculate the specialized services index – a measure of the complexity provided – a panel of experts (managers and epidemiologists) was invited to assign a score from 1 to 5 for each procedure included in the SUS table for high-complexity procedures, taking into account the following criteria: complexity (level of professional expertise required), cost (expenditure of physical and financial resources) and procedure duration/hospitalization time (for surgical procedures, the duration of the procedure; for clinical procedures, the average length of stay). Each hospital received a score based on the sum of its qualifications, weighted by complexity. This methodology was described in a previous study. 13 HMR is the percentage of deaths (from any cause) regarding the total number of hospital discharges and deaths.

The output variables were: number of hospitalizations adjusted for hospital complexity and the number of surgeries. For adjusting hospitalizations, the number of hospitalizations for each hospital was multiplied by the ratio between the specialized services index and the national average of the same index.

Specific COVID-19 indicators (external to the model) were: COVID-19 incidence rate (number of confirmed cases per 100,000 inhabitants) and COVID-19 mortality rate (number of deaths due to the disease per 100,000 inhabitants).

Data sources

Data were obtained from the information systems of the Brazilian National Health System Information Technology Department (Departamento de Informática do Sistema Único de Saúde), with support from the Microdatasus package. 14 These included: National Health Establishment Registry (Cadastro Nacional de Estabelecimentos de Saúde), for inputs and qualifications; Hospital Information System (Sistema de Informações Hospitalares), for output data; and Mortality Information System (Sistema de Informação sobre Mortalidade), for HMR. Specific COVID-19 indicators were obtained from the Coronavirus Panel (https://covid.saude.gov.br) of the Ministry of Health. Data from January to December of 2019 and 2021 were used, accessed in July 2023.

Mathematical method: DEA-Malmquist

Efficiency scores for general THs and output parameters for recovery planning were calculated by constructing efficient frontiers, based on data from 2019 and 2021, using DEA models.

The classical DEA model with variable returns to scale (VRS) was chosen due to the differences in scale among the DMUs. The distance between the observed DMU and its feasible projection point on the Pareto-efficient frontier (Russel measure 15 ) was used to calculate the efficiency score of inefficient DMUs and to define parameters of care. It is worth noting that in order to propose these parameters, the efficient frontier incorporated two distinct epidemiological scenarios: before and during the pandemic. The study adopted an output-oriented approach, given that efficiency improvement in Brazilian public health is achieved by increasing output, rather than reducing inputs.

The DEA-Malmquist index 16 assessed the displacement of the efficient frontier between the two different periods – 2019 and 2021 – by calculating the distances between each observed DMU and both frontiers. Index values greater than 1.00 indicate productivity growth; values less than 1.00 indicate a decline.

The DEA-Malmquist index was decomposed to evaluate two distinct sources of productivity variation: change in technical efficiency (catchup) and change in technological efficiency (frontier-shift). The former indicates a change in the relative efficiency of the same DMU over time. The later represents the overall shift of the frontier, indicating either contraction or expansion, i.e., a decline or improvement in the productivity of the units as a whole.

The DEA-Malmquist and Russel measures were constructed in spreadsheets and programmed using the Solver add-in for Microsoft® Excel.

Ethical aspects

The study Implementation of operational research models in hospital planning and management, from which this article was derived, was approved by the Research Ethics Committee of the Instituto de Estudos em Saúde Coletiva da Universidade Federal do Rio de Janeiro, CAAE: 41480720.6.0000.5286, on March 9, 2021.

RESULTS

A total of 213 THs was identified, 64 (30.0%) of which were excluded from the analysis because they were specialized hospitals and maternity hospitals. Among the general THs, 103 (69.1%) hospitals were located in the Southeast and South regions and 131 (87.9%) were large hospitals. Regarding the incidence and specific mortality due to COVID-19, there was a predominance in the South and Midwest regions, followed by the Southeast region (Table 1).

Table 1. Number of general teaching hospitals, by size, and incidence of COVID-19 cases and deaths, by region of the country, Brazil, 2021 .

Region of the country Hospitals Incidence of COVID-19 (/100,000 inhabitants) COVID-19 mortality rate (/100,000 inhabitants)
Medium size Large size Total
Midwest 1 10 11 9,364.4 254.2
North East 4 23 27 5,341.1 126.5
North 1 7 8 5,768.8 160.0
Southeast 11 58 69 6,750.0 232.2
South 1 33 34 9,955.5 251.3
Brazil 18 131 149 6,941.3 201.6
Open in a new tab

Table 2 presents the inputs and output of Brazil’s general THs in the study period. Of the total number of beds in the country’s general THs (ward and ICU beds combined), the Southeast and South regions accounted for 71.5%, in 2019, and 71.4% in 2021. Between 2019 and 2021, there was a reduction of 604 (-1.4%) ward beds and an increase of 4,614 (51.9%) ICU beds. The supply of hospital admissions for high-complexity procedures, assessed by the specialized services index, increased by 1.5%. On the other hand, there was a decline of 299,547 (-11.6%) in hospitalizations adjusted for complexity and 78,431 (-8.8%) in surgeries performed. The HMR increased by 2.7 percentage points.

Table 2. Total inputs and output of teaching hospitals before and after the COVID-19 pandemic, by region and legal entity, Brazil, 2019 and 2021 .

Classification of teaching hospitals Inputs Outputs
Region/Legal entity N Ward beds ICU beds Average specialized services index Hospitalizations adjusted for complexity Surgeries Hospital mortality
2019 2021 2019 2021 2019 2021 2019 2021 2019 2021 2019 2021
Midwest
Public administration 6 1,835 1,815 301 525 37 38 65,503 58,538 31,149 28,953 5.3 6.8
Corporate entity 4 663 696 127 268 64 63 40,232 37,647 14,484 14,311 3.6 5.2
Private non-profit entities 1 296 296 35 38 56 56 8,449 8,382 5,062 4,431 5.2 7.2
Total 11 2,794 2,807 463 831 48 49 114,184 104,567 50,695 47,695 4.7 6.2
Northeast
Public administration 11 4,027 4,217 818 1,036 44 46 144,182 145,224 71,368 74,598 6.3 7.8
Corporate entity 11 2,239 2,287 364 499 59 64 108,211 97,370 41,827 41,081 4.7 5.7
Private non-profit entities 5 2,199 2,253 229 285 58 58 55,293 48,730 32,785 30,970 7.2 8.2
Total 27 8,465 8,757 1,411 1,820 53 55 307,685 291,324 145,980 146,649 5.8 7.0
North
Public administration 6 1,290 1,267 333 516 35 36 25,139 28,301 17,249 23,851 10.7 12.1
Corporate entity 2 423 376 35 67 36 39 4,456 4,237 4,441 3,123 8.9 10.0
Total 8 1,713 1,643 368 583 35 37 29,594 32,538 21,690 26,974 10.2 11.6
Southeast
Public administration 32 9,593 9,569 2,095 3,174 60 60 636,471 534,099 204,356 179,058 5.5 8.3
Corporate entity 9 2,551 2,454 520 720 79 78 173,573 143,974 54,550 46,559 4.7 7.0
Private non-profit entities 28 8,538 8,342 1,649 2,749 77 78 549,654 540,095 160,343 153,543 9.1 12.7
Total 69 20,682 20,365 4,264 6,643 69 70 1,359,699 1,218,168 419,249 379,160 6.8 9.9
South
Public administration 9 1,860 2011 401 846 59 60 115,911 121,342 63,149 63,573 4.2 7.8
Corporate entity 8 3,526 3,305 987 1,343 88 88 333,206 237,407 74,450 52,099 4.4 6.8
Private non-profit entities 17 5,532 5,080 993 1,435 83 84 326,185 281,573 115,100 95,732 8.0 12.8
Total 34 10,918 10,396 2,381 3,624 78 79 775,303 640,321 252,699 211,404 6.1 10.1
Brazil
Public administration 64 18,605 18,879 3,948 6,097 53 53 987,206 887,503 387,271 370,033 5.9 8.3
Corporate entity 34 9,402 9,118 2,033 2,897 70 72 659,678 520,636 189,752 157,173 4.8 6.5
Private non-profit entities 51 16,565 15,971 2,906 4,507 77 78 939,582 878,779 313,290 284,676 8.4 12.2
Total 149 44,572 43,968 8,887 13,501 65 66 2,586,465 2,286,918 890,313 811,882 6.5 9.2
Open in a new tab

The reduction in ward beds was greater in hospitals in the South (-4.8%) and North (-4.1%) regions, while an increase was observed in the Northeast region (3.4%). The number of ICU beds increased across all regions, ranging from 29.0% in the Northeast region to 79.5% in the Midwest region. As for output, the South and Southeast regions were the most affected by the pandemic, with a reduction in hospitalizations (-17.4% and -10.4%, respectively) and surgeries (-16.3% and -9.6% %, respectively). Only the North region showed an increase in output: 9.9% in hospitalizations and 24.4% in surgeries. It is also worth highlighting that the North region had a high HMR, even before the pandemic (10.2% in 2019), and the impact of the pandemic on HMR in the South region (from 6.1% to 10.1%).

Regarding legal entity, public hospitals under direct administration, corporate hospitals and private non-profit hospitals accounted for 43.0%, 22.8% and 34.2% of the country’s general THs, respectively. There was a reduction in ward beds in corporate hospitals (-3.0%) and in private non-profit hospitals (-3.6%), and an increase in public hospitals under direct administration (1.5%). General THs of all legal entity types increased the number of ICU beds: 54.4% in direct administration public hospitals; 42.5% in corporate hospitals; and 55.1% in private, non-profit hospitals. Regarding output, all general THs showed a reduction in hospitalizations and surgeries, respectively: -10.1% and - 4.5% in direct administration public institutions; -21.1% and -17.2% in corporate hospitals; and -9.1% and -6.5% in private non-profit hospitals. The HMR increased by 2.4%, 1.7%, 3.8% in public, corporate and private non-profit hospitals, respectively, with the highest rates found among private non-profit hospitals (8.4% in 2019 and 12.2% in 2021).

Table 3 shows the efficiency results of general THs, in 2019 and 2021, as well as the frontier shift over the period (Malmquist index). It could be seen an increase in the average relative efficiency scores of general THs in the Midwest, Northeast and North regions. In 2019, general THs in the Northeast region were the most efficient (58.1%); in 2021, The most efficient general THs were in the Northeast and Midwest regions (59.4%). General THs in the North region remained the least efficient in both years analyzed (36.7%, in 2019, and 42.8%, in 2021), despite the increased output during this period. During the pandemic, direct administration general THs were more efficient in the North and South regions; corporate general THs, in the Midwest and Southeast regions; and private non-profit general THs, in the Northeast region. Despite the observed increase in general TH efficiency (catch-up 1.01), the productivity frontier contracted (Malmquist 0.77; frontier-shift 0.76) in all regions (Malmquist ranging from 0.67 to 0.92; frontier-shift from 0.66 to 0.81) and across all legal entity types (Malmquist from 0.62 to 0.88; frontier-shift from 0.58 to 0.88). Only direct administration public hospitals in the Midwest region showed a Malmquist index greater than 1.00 (equal to 1.01), however, with a frontier-shift of 0.85.

Table 3. Average efficiency of teaching hospitals and Malmquist index, by region of the country and legal entity, Brazil, 2019 and 2021 .

Classification of teaching hospitals Efficiency 2019 (%) Efficiency 2021 (%) Malmquist Index Technical efficiency (Catch-up) Technological efficiency (Frontier-shift)
Region/Legal entity
Midwest
Public administration 47.6 56.7 1.01 1.19 0.85
Corporate entity 54.3 67.8 0.81 1.25 0.65
Private non-profit entity 39.5 41.7 0.85 1.06 0.81
Average 49.3 59.4 0.92 1.20 0.76
Northeast
Public administration 49.7 56.8 0.90 1.14 0.79
Corporate entity 65.6 60.0 0.53 0.91 0.58
Private non-profit entity 59.9 63.5 0.71 1.06 0.68
Average 58.1 59.4 0.67 1.02 0.66
North
Public administration 36.3 50.1 0.96 1.38 070
Corporate entity 37.6 20.8 0.35 0.55 0.63
Average 36.7 42.8 0.78 1.17 0.67
Southeast
Public administration 57.7 59.0 0.90 1.02 0.88
Corporate entity 64.2 59.8 0.69 0.93 0.74
Private non-profit entity 55.9 55.6 0.74 1.00 0.74
Average 57.8 57.7 0.81 1.00 0.81
South
Public administration 69.1 66.4 0.71 0.96 0.74
Corporate entity 57.2 56.3 0.68 0.99 0.69
Private non-profit entity 48.2 46.0 0.71 0.96 0.74
Average 55.8 53.8 0.70 0.96 0.73
Brazil
Public administration 55.0 58.6 0.88 1.07 0.82
Business entity 60.3 57.7 0.62 0.96 0.64
Private non-profit entity 53.4 52.9 0.73 0.99 0.74
Average 55.6 56.5 0.77 1.01 0.76
Open in a new tab

32 efficient units were identified, as benchmarks for inefficient general THs (Supplementary Material). A total of 15 general THs was efficient in both years analyzed. Among the benchmarks, 24 (75.0%) were large hospitals, 16 (50.0%) were located in the Southeast region and 11 (34.4%) were private, non-profit hospitals.

Table 4 presents the expected output projection for all inefficient general THs to reach the best practice frontier as of 2021. In a recovery scenario, given the current availability of inputs, these hospitals should increase their output by 2,205,856 (96.5%) hospitalizations and 872,264 (107.4%) surgeries. Simultaneously, with the end of the global health emergency due to COVID-19, a decrease in the HMR from 9.2% to 4.0% is expected, particularly in the North region (from 11.6% to 3.5%) and among private non-profit hospitals (from 12.2% to 4.0%).

Table 4. Expected projection for service output and the estimated mortality rate of teaching hospitals after the COVID-19 pandemic, by region and legal entity, Brazil, 2021 .

Classification of teaching hospitals Hospitalizations Projection of hospitalizations Difference (%) Surgeries Projection of surgeries Difference (%) Hospital mortality Hospital mortality projection
Region/Legal entity
Midwest
Public administration 58,538 145,076 147.8 28,953 65,135 125.0 6.8 2.6
Corporate entity 37,648 85,191 126.3 14,311 31,162 117.7 5.2 4.0
Private non-profit entity 8,382 21,413 155.5 4,431 11,319 155.5 7.2 3.4
Total 104,568 251,680 140.7 47,695 107,617 125.6 6.2 3.2
Northeast
Public administration 145,223 306,072 110.8 74,598 142,563 91.1 7.8 4.5
Corporate entity 97,370 200,557 106.0 41,081 88,781 116.1 5.7 4.1
Private non-profit entity 48,730 107,156 119.9 30,970 59,748 92.9 8.2 3.8
Total 291,323 613,786 110.7 146,649 291,092 98.5 7.0 4.2
North
Public administration 28,302 81,905 189.4 23,851 48,840 104.8 12.1 3.4
Corporate entity 4,237 23,100 445.2 3,123 17,118 448.1 10.0 3.8
Total 32,539 105,005 222.7 26,974 65,958 144.5 11.6 3.5
Southeast
Public administration 534,099 1,001,530 87.5 179,058 359,894 101.0 8.3 3.6
Corporate entity 143,974 278,643 93.5 46,559 99,817 114.4 7.0 4.6
Private non-profit entity 540,095 966,618 79.0 153,543 313,619 104.3 12.7 4.5
Total 1,218,168 2,246,790 84.4 379,160 773,330 104.0 9.9 4.1
South
Public administration 121,340 222,276 83.2 63,573 105,074 65.3 7.8 4.4
Corporate entity 237,407 463,996 95.4 52,099 124,809 139.6 6.8 4.2
Private non-profit entity 281,572 589,240 109.3 95,732 216,266 125.9 12.8 3.5
Total 640,319 1,275,512 99.2 211,404 446,149 111.0 10.1 3.9
Brazil
Public administration 887,502 1,756,859 98.0 370,033 721,506 95.0 8.3 3.7
Corporate entity 520,636 1,051,486 102.0 157,173 361,687 130.1 6.5 4.2
Non-profit entity 878,779 1,684,427 91.7 284,676 600,953 111.1 12.2 4.0
Total 2,286,917 4,492,773 96.5 811,882 1,684,146 107.4 9.2 4.0
Open in a new tab

DISCUSSION

In this study, a decline in the productivity of general THs in Brazil across all regions and for all legal entity types was observed, in the period from 2019 to 2021. It is worth highlighting that this decline in productivity was due to the social commitment of general THs rather than a failure in public policy. In other words, the increase in the supply of inputs (ICU beds) and the drop in output (hospitalizations and surgeries) occurred in response to the strategic actions required to combat the pandemic. Similarly, the observed increase in HMR during the pandemic, was an indicator of the frequency of COVID-19 hospitalizations in the units under analysis, not a reflection of the quality of care provided.

The reduction in production, with less attention to other diseases, was a global phenomenon. 17 Taking into consideration the central role of THs, responsible for 35.3% of high-complexity production in the country,2 the decline in production had a significant impact on the performance of more complex procedures. In 2021, the country’s general THs reduced heart surgeries by 14.8%, cancer surgeries by 8.4%, radiotherapy by 96.8% and transplants by 18.6%.2 Estimates indicated a backlog of 60,000 cardiovascular surgeries due to the pandemic, further increasing the surgical waiting list. 18 The reduction in output, at all levels of care, had a widespread effect on the health of the Brazilian population; for example, mortality from cardiovascular diseases increased by 6.9% in the same period.6 In addition, teaching and research activities were also compromised, with the exception of academic work aimed at COVID-19.

In order to restore productivity, the number of hospitalizations and surgeries needs to nearly double nationwide, and managers of each health unit (as well as those from municipalities and states) can plan how much they need to increase output. It is worth highlighting that the activation of 4,814 (51.9%) ICU beds (above the national average of 46.7%) supports the high-complexity production role of general THs as they resume these procedures. In other words, additional inputs to support high-complexity care promote increased output, as long as the units remain at the efficient frontier.

As a limitation of the study, it is worth mentioning the absence of qualitative models to structure the problem before the mathematical modeling. Studies19,20, 21 suggest the use of associated methodologies (multimethodology) to contexts and preference assessment before choosing mathematical models. Regarding the model variables, there was a lack of accurate information on the hiring of human resources, which was important for productivity during the pandemic, and could have been included in the model. Data on teaching and research activities would also have enriched the analysis, since the volume of research, high resident-to-bed ratio (teaching intensity) and low resident-to-physician ratio (teaching dedication) are associated with increased efficiency. 22 Another limitation lies in the heterogeneity of information among Brazilian regions. A study on excess mortality during the pandemic 23 suggests greater diagnostic challenges and underreporting of deaths due to COVID-19 in Northeastern capitals compared to Southeastern capitals. Research using network DEA to study the capacity and structures for addressing COVID-19 showed that the North and Northeast regions were more vulnerable during the pandemic due to a lack of structure (ICU beds) and lower capacity to reallocate resources (doctors and ventilators) to meet the excess demand from people with COVID-19. 24

As a recommendation for further research, the DEA-Malmquist model could be applied in the years following this study, given the introduction of vaccines nationwide (starting in 2021), and the emergence of successive waves and new strains of COVID-19. To improve the study of reference units, qualitative and quantitative research can identify patterns of successful strategies employed during the pandemic. The use of this tool, along with a better characterization of the output of these hospitals, will allow for the estimation and monitoring of the gradual recovery of service delivery in line with the evolving needs and demands of Brazilian society.

Apêndice.

Supplementary Table 1. Efficient General Teaching Hospitals by region, state, legal entity, and size, Brazil, 2019 and 2021.

Hospital name Region State Legal entity Size Reference (years)
Fundação Hospital Adriano Jorge North AM Public Administration Large 2019 and 2021
Hospital Anchieta Southeast SP Public Administration Medium 2019 and 2021
Hospital da Baleia Southeast MG Private Non-Profit Entity Medium 2019 and 2021
Hospital da Restauração Governador Paulo Guerra Northeast PE Public Administration Large 2019 and 2021
Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto Southeast SP Public Administration Large 2019 and 2021
Hospital das Clínicas da Faculdade de Medicina de São Paulo Southeast SP Public Administration Large 2019 and 2021
Hospital das Clínicas da Universidade Federal de Pernambuco (EBSERHa) Northeast PE Corporate Entity Large 2021
Hospital de Base de São José do Rio Preto Southeast SP Private Non-Profit Entity Large 2021
Hospital de Caridade São Vicente de Paulo Southeast SP Private Non-Profit Entity Large 2019 and 2021
Hospital do Trabalhador South PR Public Administration Large 2019 and 2021
Hospital Estadual de Sumaré Dr. Leandro Franceschini Southeast SP Public Administration Large 2021
Hospital Geral do Grajau Southeast SP Public Administration Large 2019
Hospital Getúlio Vargas Northeast PE Public Administration Large 2019 and 2021
Hospital Municipal da Piedade Southeast RJ Public Administration Medium 2019 and 2021
Hospital Municipal Universitário de São Bernardo do Campo Southeast SP Public Administration Large 2019 and 2021
Hospital Nossa Senhora do Rócio South PR Corporate Entity Large 2019
Hospital Regional do Paranoá Central-West DF Public Administration Large 2021
Hospital Santa Lucinda da Pontifícia Universidade Católica de São Paulo Southeast SP Private Non-Profit Entity Medium 2021
Hospital Universitário Cajuru da Pontifícia Universidade Católica do Paraná South PR Private Non-Profit Entity Large 2019 and 2021
Hospital Universitário Clemente de Faria da Universidade Estadual de Montes Claros Southeast MG Public Administration Large 2021
Hospital Universitário da Universidade Federal do Maranhão (EBSERHa) Northeast MA Corporate Entity Large 2021
Hospital Universitário da Universidade Federal de Sergipe (EBSERHa) Northeast SE Corporate Entity Medium 2019
Hospital Universitário da Universidade Federal de São Carlos (EBSERHa) Southeast SP Corporate Entity Medium 2019 and 2021
Hospital Universitário de Lagarto da Universidade Federal de Sergipe (EBSERHa) Northeast SE Corporate Entity Medium 2019
Hospital Universitário Evangélico Mackenzie South PR Private Non-Profit Entity Large 2021
Hospital Universitário Júlio Muller da Universidade Federal do Mato Grosso (EBSERHa) Central-West MT Corporate Entity Medium 2021
Hospital Universitário Walter Cantídio da Universidade Federal do Ceará (EBSERHa) Northeast CE Corporate Entity Large 2019 and 2021
Irmandade Nossa Senhora das Mercês de Montes Claros Southeast MG Private Non-Profit Entity Large 2019
Santa Casa de Misericórdia de Fortaleza Northeast CE Private Non-Profit Entity Large 2019 and 2021
Santa Casa de Misericórdia de Limeira Southeast SP Private Non-Profit Entity Large 2019
Santa Casa de Misericórdia do Pará North PA Private Non-Profit Entity Large 2021
Santa Casa de Misericórdia de Belo Horizonte Southeast MG Private Non-Profit Entity Large 2021
Open in a new tab

a) Empresa Brasileira de Serviços Hospitalares.

Footnotes

ASSOCIATED ACADEMIC WORK: Article derived from a doctoral thesis to be submitted by Henrique de Castro Rodrigues to the Postgraduate Program in Production Engineering, at the Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia, da Universidade Federal do Rio de Janeiro.

REFERENCES

  • 1.Singer D. Clinical and health policy challenges in responding to the COVID-19 pandemic. J Postgrad Med. 2020;96(1137) doi: 10.1136/postgradmedj-2020-138027. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 2.Brasil Ministério da Saúde. Tabulador de Dados Web (TABNET) dos Sistemas de Informações em Saúde. Published online June 20, 2022. 2022. https://datasus.saude.gov.br/informacoes-de-saude-tabnet/
  • 3.Santos JLG dos, Lanzoni GM de M, Costa MFBNA da. Como os hospitais universitários estão enfrentando a pandemia de COVID-19 no Brasil? Acta Paulista de Enfermagem. 2020;33 [Google Scholar]
  • 4.Reshetnikov A, Frolova I, Abaeva O. Accessibility and quality of medical care for patients with chronic noncommunicable diseases during COVID-19 pandemic. NPJ Prim Care Respir Med. 2023;33(1) doi: 10.1038/s41533-023-00328-9. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 5.Ozcan YA. Health Care Benchmarking and Performance Evaluation. Vol 120. Springer US; 2008. [Google Scholar]
  • 6.Banker RD, Charnes A, Cooper WW. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. Manage Sci. 1984;30(9) [Google Scholar]
  • 7.De Almeida Botega L, Andrade MV, Guedes GR. Brazilian hospitals’ performance: an assessment of the unified health system (SUS) Health Care Manag Sci. 2020;23(3) doi: 10.1007/s10729-020-09505-5. [DOI] [PubMed] [Google Scholar]
  • 8.Lobo MSC, Ozcan YA, Lins MPE, Silva ACM, Fiszman R. Teaching hospitals in Brazil: Findings on determinants for efficiency. International Journal of Healthcare Management. 2014;7(1) [Google Scholar]
  • 9.Lobo MS de C, Silva A, Estellita Lins MP, Fiszman R. Impacto da reforma de financiamento de hospitais de ensino no Brasil. Rev Saude Publica. 2009;43(3) [PubMed] [Google Scholar]
  • 10.Scobie HM, Johnson AG, Suthar AB. Monitoring Incidence of COVID-19 Cases, Hospitalizations, and Deaths, by Vaccination Status — 13 U. MMWR Morb Mortal Wkly Rep. 2021;70(37) doi: 10.15585/mmwr.mm7037e1. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 11.Instituto Brasileiro de Geografia e Estatística Tabela de natureza jurídica 2021 - notas explicativas. Published online 2021. 2023. https://concla.ibge.gov.br/classificacoes/por-tema/organizacao-juridica/tabela-de-natureza-juridica.html .
  • 12.Kohl S, Schoenfelder J, Fügener A, Brunner JO. The use of Data Envelopment Analysis (DEA) in healthcare with a focus on hospitals. Health Care Manag Sci. 2019;22(2) doi: 10.1007/s10729-018-9436-8. [DOI] [PubMed] [Google Scholar]
  • 13.Ozcan YA, Lins ME, Lobo MSC, da Silva ACM, Fiszman R, Pereira BB. Evaluating the performance of Brazilian university hospitals. Ann Oper Res. 2010;178(1) [Google Scholar]
  • 14.Saldanha R de F, Bastos RR, Barcellos C. Microdatasus: pacote para download e pré-processamento de microdados do Departamento de Informática do SUS (DATASUS) Cad Saude Publica. 2019;35(9) doi: 10.1590/0102-311X00032419. [DOI] [PubMed] [Google Scholar]
  • 15.Pastor JT, Ruiz JL, Sirvent I. An enhanced DEA Russell graph efficiency measure. Eur J Oper Res. 1999;115(3) [Google Scholar]
  • 16.Fare R, Grosskopf S. Malmquist Productivity Indexes and Fisher Ideal Indexes. Econ J. 1992;102(410) [Google Scholar]
  • 17.Coyle D, Dreesbeimdiek K, Manley A. Productivity in UK healthcare during and after the COVID-19 pandemic. Natl Inst Econ Rev. 2021;258 [Google Scholar]
  • 18.Paula Felix. Brasil tem fila de 60 mil à espera de cirurgias cardiovasculares. CNN Brasil. 2021. [Accessed August 28, 2023 ]. https://www.cnnbrasil.com.br/saude/brasil-tem-fila-de-60-mil-a-espera-de-cirurgias-cardiovasculares/
  • 19.Estellita Lins MP. Avaliação Complexa Holográfica de Problemas Paradoxais (CHAP2). In: Estruturação de problemas sociais complexos: teoria da mente, mapas metacognitivos e modelos de apoio à decisão. 1st ed. Interciência; 2018. [Google Scholar]
  • 20.Estellita Lins MP, Lobo MS de C, Louback ANL, Silva VI de OF. Multimetodologia para Simulação da COVID-19 no Estado de São Paulo Subsídios para Gestão. PODes. 2021;13 [Google Scholar]
  • 21.Jahara R da C, Estellita Lins MP. Multimethodology for diagnosis and intervention in a prosthetics and orthotics factory in Brazil. Intl Trans in Op Res. 2021;2021 [Google Scholar]
  • 22.Lobo MSC, Silva ACM, Lins MPE, Fiszman R, Bloch KV. Influência de fatores ambientais na eficiência de hospitais de ensino. Epidemiol Serv Saude. 2011;20(1) [Google Scholar]
  • 23.Orellana JDY, Cunha GMD, Marrero L, Moreira RI, Leite IDC, Horta BL. Excesso de mortes durante a pandemia de COVID-19: subnotificação e desigualdades regionais no Brasil. Cad Saude Publica. 2021;19(1) doi: 10.1590/0102-311X00259120. [DOI] [PubMed] [Google Scholar]
  • 24.Ferraz D, Mariano EB, Manzine PR. COVID Health Structure Index: The Vulnerability of Brazilian Microregions. Soc Indic Res. 2021;158(1) doi: 10.1007/s11205-021-02699-3. [DOI] [PMC free article] [PubMed] [Google Scholar]
Epidemiol Serv Saude. 2024 Dec 6;33:e20231176. [Article in Portuguese] doi: 10.1590/S2237-96222024v33e20231176.pt

Avaliação do impacto da pandemia de covid-19 na produtividade dos hospitais de ensino no Brasil

Maria Stella de Castro Lobo 1, Marcos Pereira Estellita Lins 2,3, Henrique de Castro Rodrigues 3,4, Gabriel Martins Soares 3

RESUMO

Objetivos

Analisar a influência da pandemia de covid-19 na produtividade dos hospitais gerais de ensino do Brasil, por região e natureza jurídica, e propor parâmetros assistenciais.

Métodos

Estudo observacional por modelagem matemática com análise envoltória de dados e índice de Malmquist, utilizando dados de recursos e produção assistencial antes (2019) e durante (2021) a pandemia.

Resultados

Foram analisados 149 hospitais gerais de ensino, 32 dos quais foram considerados eficientes. Houve queda da produtividade em todas regiões e naturezas jurídicas. Para que todos os hospitais ineficientes atinjam a fronteira de eficiência gerada pela modelagem, há necessidade de aumento da produção em 2.205.856 (96,5%) internações e 872.264 (107,4%) cirurgias.

Conclusão

A queda na produtividade hospitalar decorreu do compromisso social dos hospitais durante a pandemia, com modificação do padrão de assistência. O modelo matemático utilizado permite gerar parâmetros para recuperação assistencial eficiente depois de finalizada emergência sanitária, podendo ser aplicado para planejamento hospitalar.

Palavras-chave: Hospitais de Ensino, Pesquisa Operacional, Benchmarking, Eficiência Organizacional, Covid-19

Contribuições do estudo

Principais resultados

A pandemia de covid-19 reduziu a produtividade dos hospitais gerais de ensino do Brasil em todas as regiões e em todas as naturezas jurídicas. Para a recuperação, os hospitais devem elevar, em média, 96,5% de internações e 107,4% de cirurgias.

Implicações para os serviços

O estudo apresenta metodologia que pode ser adaptada e replicada na gestão de serviços de saúde do país, ao definir um escore de eficiência e calcular os parâmetros, num cenário de recuperação assistencial após o fim da emergência em saúde pública.

Perspectivas

Análise qualitativa adicional e aplicação de DEA-Malmquist, nos anos subsequentes, validarão o planejamento dinâmico, que considera múltiplas oscilações e a influência de novos fatores e contextos que alteram a produtividade (caso da pandemia).

INTRODUÇÃO

O enfrentamento da pandemia de covid-19 demandou esforço conjunto da sociedade e da saúde pública nacional. Recursos federais, estaduais e municipais da saúde foram somados para a contratação de profissionais de saúde e aquisição de equipamentos médicos, como oxigênio, sedativos e equipamentos de proteção individual.1 Considerando-se a alta transmissibilidade e potencial de gravidade nos dois primeiros anos da pandemia, houve aumento de 47,0% dos leitos de centros de terapia intensiva (CTIs) e de 4,7% dos demais leitos, além da instalação de hospitais de campanha e reconfiguração de unidades para atendimento exclusivo a pacientes acometidos por covid-19.1 ,2

Hospitais de ensino (HEs) participaram desse processo com diferentes estratégias, como suspensão de consultas e cirurgias eletivas, ampliação de leitos de terapia intensiva, reforço das rotinas de biossegurança, contratação de novos profissionais, capacitação das equipes de saúde, suspensão das atividades de ensino e desenvolvimento de pesquisas sobre o tema.3

Note-se que a adoção de medidas de resposta à pandemia representou renúncias no tratamento de outras doenças,4 com consequentes alterações no perfil das admissões e na eficiência produtiva. Produtividade é a relação entre o volume de produtos fornecidos e de recursos utilizados por uma mesma unidade produtiva. Eficiência técnica é medida quando comparada a produtividade de unidades semelhantes, para se avaliar o potencial máximo da produção em relação aos recursos disponíveis.5 Existem diferentes métodos para a análise de produtividade, como o método dos mínimos quadrados, a produtividade total dos fatores, a análise de fronteira estocástica e a análise envoltória de dados (data envelopment analysis – DEA).5

A DEA é uma técnica de programação linear que permite medir o desempenho de unidades produtivas, denominadas unidades tomadoras de decisão (decision making units – DMU), que consomem múltiplos recursos – como leitos, equipamentos e recursos humanos – para gerarem variados produtos, a exemplo de internações, cirurgias e consultas.6 As DMUs que produzem mais com o menor uso de recursos são consideradas eficientes (escore igual a 100,0%). A combinação linear de recursos e produtos destas unidades eficientes desenha uma fronteira de eficiência ou produtividade, a qual se constitui em referência de desempenho para as demais. A DEA fornece os caminhos para que as unidades ineficientes se tornem eficientes, por meio de aumento da produção ou redução de recursos. Frequentemente usada na área da saúde, a DEA já foi utilizada em hospitais do Brasil com objetivos distintos: análise de eficiência,7 busca de fatores determinantes de eficiência8 e avaliação do desempenho de políticas públicas.9

Ainda não foram mensurados os impactos provocados pela pandemia de covid-19 na produtividade dos HEs gerais no Brasil, tampouco se esse impacto se deu de forma homogênea. Após a introdução da vacinação no Brasil, em 2021, e o fim da emergência global em saúde por covid-19, em 2023, o perfil epidemiológico das admissões nos HEs gerais retornou paulatinamente aos níveis pré-pandêmicos, com predominância das doenças crônico-degenerativas. 10 Assim, a produtividade dos HEs gerais deve ser retomada para a recuperação de seu papel de atenção de alta complexidade no cenário nacional.

Este estudo objetiva analisar a influência da pandemia de covid-19 na produtividade dos HEs gerais do Brasil, por região e natureza jurídica, e propor parâmetros assistenciais.

MÉTODOS

Delineamento e contexto

HEs alteraram seus padrões de atenção em saúde para lidar com a pandemia. Estudo observacional e analítico sobre a produtividade comparada dos HEs gerais do Brasil, antes (2019) e durante (2021) a pandemia de covid-19, de acordo com região do país e natureza jurídica, foi desenvolvido por meio de modelagem de programação linear não-paramétrica, análise envoltória de dados (DEA).

Participantes e tamanho do estudo

Foi considerada a totalidade dos HEs do Brasil, assim habilitados nos anos de 2019 e 2021, sendo excluídos os hospitais especializados e maternidades. Os HEs gerais foram classificados quanto à natureza jurídica da gestão e agrupados com base na categorização do Instituto Brasileiro de Geografia e Estatística: administração pública direta; entidades empresariais (empresa pública de direito privado e empresa privada); e entidades privadas sem fins lucrativos. 11 Os HEs gerais também foram classificados quanto ao número de leitos: médio porte (de 51 a 150 leitos) e grande porte (acima de 150 leitos).

Variáveis

Para o modelo matemático, variáveis foram selecionadas pela regularidade com que são utilizadas em artigos similares 12 e disponibilidade nas bases de dados administrativas do Sistema Único de Saúde (SUS).

As variáveis de recursos foram: número de leitos de enfermaria, número de leitos de CTI, índice de serviços especializados e taxa de mortalidade hospitalar (TMH). Para cálculo do índice de serviços especializados – uma medida da complexidade ofertada –, um painel de expertos (gestores e epidemiologistas) foi convidado a dar uma nota de 1 a 5 para cada procedimento constante na tabela de habilitações do SUS específicas para alta complexidade, levando em consideração os seguintes critérios: complexidade (nível de expertise profissional necessária para sua realização), custo (dispêndio de recursos físicos e financeiros) e tempos de realização dos procedimentos/internação necessários (no caso de procedimentos cirúrgicos, duração do procedimento; no caso de procedimentos clínicos, o tempo médio de internação). Cada hospital recebeu a pontuação de acordo com o somatório de suas habilitações, ponderadas pela complexidade. Essa metodologia foi descrita em trabalho anterior. 13 A TMH é o percentual de óbitos (por qualquer causa) em relação ao total de saídas hospitalares (óbitos e altas).

As variáveis de produção foram: número de internações ajustadas por complexidade do hospital e número de cirurgias. Para o ajuste das internações, o número de internações de cada hospital foi multiplicado pela razão entre o índice de serviços especializados e a média nacional do mesmo índice.

Indicadores específicos de covid-19 (externos ao modelo) foram: taxa de incidência por covid-19 (número de casos confirmados por 100 mil habitantes) e taxa de mortalidade por covid-19 (número de óbitos pela doença por 100 mil habitantes).

Fontes de dados

Os dados foram obtidos nos sistemas de informação do Departamento de Informática do Sistema Único de Saúde, com apoio do pacote Microdatasus. 14 Entre eles: Cadastro Nacional de Estabelecimentos de Saúde, para recursos e habilitações; Sistema de Informações Hospitalares, para produção; e Sistema de Informação sobre Mortalidade, para TMH. Indicadores específicos de covid-19 foram obtidos no Painel Coronavírus (https://covid.saude.gov.br) do Ministério da Saúde. Utilizaram-se os meses de janeiro a dezembro de 2019 e de 2021. Os dados foram acessados em julho de 2023.

Método matemático: DEA-Malmquist

Escores de eficiência dos HEs gerais e parâmetros de produção para planejamento da recuperação foram calculados a partir da construção de fronteiras de eficiência, com base nos dados de 2019 e 2021, utilizando-se modelos de DEA.

Optou-se pelo modelo clássico DEA, com retornos variáveis de escala (VRS), pelas diferenças de escala entre as DMUs. A distância entre a DMU observada e seu ponto de projeção viável na fronteira Pareto-eficiente (medida de Russel 15) foi utilizada para cálculo do escore de eficiência das DMUs ineficientes e para definição de parâmetros assistenciais. Observe-se que, para proposição destes parâmetros, a fronteira de eficiência incorporou dois cenários epidemiológicos distintos: antes e durante a pandemia. O estudo adotou orientação a produto (output), considerando-se que a melhoria de eficiência na saúde pública brasileira se dá pelo aumento de produção, e não pela redução de recursos.

O índice de DEA-Malmquist 16 avaliou o deslocamento da fronteira de eficiência entre os dois momentos distintos – 2019 e 2021 – por meio do cálculo das distâncias entre cada DMU observada e ambas as fronteiras . Valores do índice maiores que 1,00 indicam crescimento da produtividade; valores menores que 1,00 indicam declínio.

O índice de DEA-Malmquist foi decomposto para avaliar duas fontes distintas de variação da produtividade: mudança na eficiência técnica (catch-up) e mudança na eficiência tecnológica (frontier-shift). A primeira indica mudança da eficiência relativa de uma mesma DMU ao longo do tempo. A segunda representa o deslocamento da fronteira como um todo, numa dinâmica de contração ou de expansão, isto é, de piora ou melhoria de produtividade das unidades vistas em conjunto.

Os modelos DEA-Malmquist e Russel foram construídos em planilhas e programados por meio do suplemento Solver do aplicativo Microsoft® Excel.

Aspectos éticos

O estudo Implementação de modelos de pesquisa operacional no planejamento e gestão hospitalar, de que se originou este artigo, foi aprovado pelo Comitê de Ética em Pesquisa do Instituto de Estudos em Saúde Coletiva da Universidade Federal do Rio de Janeiro, CAAE: 41480720.6.0000.5286, em 9 de março de 2021.

RESULTADOS

Foram identificados 213 HEs, sendo excluídos da análise 64 (30,0%), por se tratar de hospitais especializados e maternidades. Entre os HEs gerais, 103 (69,1%) hospitais estavam localizados nas regiões Sudeste e Sul e 131 (87,9%) eram de grande porte. No tocante às incidências de casos e mortalidade específica por covid-19, houve predomínio nas regiões Sul e Centro-Oeste, seguidas pela região Sudeste (Tabela 1).

Tabela 1. Número de hospitais gerais de ensino, por porte, e incidência de casos e mortes por covid-19, por região do país, Brasil, 2021.

Região do país Hospitais Incidência de covid-19 (/100 mil habitantes) Taxa de mortalidade por covid-19 (/100 mil habitantes)
Médio porte Grande porte Total
Centro-Oeste 1 10 11 9.364,4 254,2
Nordeste 4 23 27 5.341,1 126,5
Norte 1 7 8 5.768,8 160,0
Sudeste 11 58 69 6.750,0 232,2
Sul 1 33 34 9.955,5 251,3
Brasil 18 131 149 6.941,3 201,6
Open in a new tab

A Tabela 2 apresenta os recursos e a produção dos HEs gerais do Brasil no período. Do total de leitos dos HEs gerais do país (leitos de enfermaria e de CTI somados), as regiões Sudeste e Sul respondiam por 71,5%, em 2019, e 71,4% em 2021. Entre 2019 e 2021, houve redução de 604 (-1,4%) leitos de enfermaria e aumento de 4.614 (51,9%) leitos de CTI. A oferta de internações para procedimentos de alta complexidade, avaliada pelo índice de serviços especializados, teve incremento de 1,5%. Por outro lado, houve queda de 299.547 (-11,6%) internações ajustadas por complexidade e de 78.431 (-8,8%) cirurgias realizadas. Houve aumento da TMH em 2,7 pontos percentuais.

Tabela 2. Total de recursos e produção dos hospitais de ensino antes e após a pandemia de covid-19, por região e natureza jurídica, Brasil, 2019-2021.

Classificação dos hospitais de ensino Recursos Produtos
Região/Natureza jurídica N Leitos de enfermaria Leitos de CTI Índice médio de serviços especializados Internações ajustadas por complexidade Cirurgias Mortalidade hospitalar
2019 2021 2019 2021 2019 2021 2019 2021 2019 2021 2019 2021
Centro-Oeste
Administração pública 6 1.835 1.815 301 525 37 38 65.503 58.538 31.149 28.953 5,3 6,8
Entidades empresariais 4 663 696 127 268 64 63 40.232 37.647 14.484 14.311 3,6 5,2
Entidades privadas sem fins lucrativos 1 296 296 35 38 56 56 8.449 8.382 5.062 4.431 5,2 7,2
Total 11 2.794 2.807 463 831 48 49 114.184 104.567 50.695 47.695 4,7 6,2
Nordeste
Administração pública 11 4.027 4.217 818 1.036 44 46 144.182 145.224 71.368 74.598 6,3 7,8
Entidades empresariais 11 2.239 2.287 364 499 59 64 108.211 97.370 41.827 41.081 4,7 5,7
Entidades privadas sem fins lucrativos 5 2.199 2.253 229 285 58 58 55.293 48.730 32.785 30.970 7,2 8,2
Total 27 8.465 8.757 1.411 1.820 53 55 307.685 291.324 145.980 146.649 5,8 7,0
Norte
Administração pública 6 1.290 1.267 333 516 35 36 25.139 28.301 17.249 23.851 10,7 12,1
Entidades empresariais 2 423 376 35 67 36 39 4.456 4.237 4.441 3.123 8,9 10,0
Total 8 1.713 1.643 368 583 35 37 29.594 32.538 21.690 26.974 10,2 11,6
Sudeste
Administração pública 32 9.593 9.569 2.095 3.174 60 60 636.471 534.099 204.356 179.058 5,5 8,3
Entidades empresariais 9 2.551 2.454 520 720 79 78 173.573 143.974 54.550 46.559 4,7 7,0
Entidades privadas sem fins lucrativos 28 8.538 8.342 1.649 2.749 77 78 549.654 540.095 160.343 153.543 9,1 12,7
Total 69 20.682 20.365 4.264 6.643 69 70 1.359.699 1.218.168 419.249 379.160 6,8 9,9
Sul
Administração pública 9 1.860 2.011 401 846 59 60 115.911 121.342 63.149 63.573 4,2 7,8
Entidades empresariais 8 3.526 3.305 987 1.343 88 88 333.206 237.407 74.450 52.099 4,4 6,8
Entidades privadas sem fins lucrativos 17 5.532 5.080 993 1.435 83 84 326.185 281.573 115.100 95.732 8,0 12,8
Total 34 10.918 10.396 2.381 3.624 78 79 775.303 640.321 252.699 211.404 6,1 10,1
Brasil
Administração pública 64 18.605 18.879 3.948 6.097 53 53 987.206 887.503 387.271 370.033 5,9 8,3
Entidades empresariais 34 9.402 9.118 2.033 2.897 70 72 659.678 520.636 189.752 157.173 4,8 6,5
Entidades privadas sem fins lucrativos 51 16.565 15.971 2.906 4.507 77 78 939.582 878.779 313.290 284.676 8,4 12,2
Total 149 44.572 43.968 8.887 13.501 65 66 2.586.465 2.286.918 890.313 811.882 6,5 9,2
Open in a new tab

A redução de leitos de enfermaria foi maior nos hospitais das regiões Sul (-4,8%) e Norte (-4,1%), tendo havido aumento na região Nordeste (3,4%). Os leitos de CTI aumentaram em todas as regiões, variando de 29,0% no Nordeste a 79,5% na região Centro-Oeste. Na produção, as regiões Sul e Sudeste foram as mais afetadas pela pandemia, com redução na produção de internações (-17,4% e -10,4%, respectivamente) e de cirurgias (-16,3% e -9,6%, respectivamente). Somente houve aumento da produção na região Norte: 9,9% em internações e 24,4% em cirurgias. Vale ainda destacar a alta TMH, na região Norte, mesmo antes da pandemia (10,2% em 2019), e o impacto da pandemia na TMH na região Sul (de 6,1% para 10,1%).

Quanto à natureza jurídica, hospitais públicos da administração direta, hospitais empresariais e hospitais privados sem fins lucrativos correspondiam respectivamente a 43,0%, 22,8% e 34,2% dos HEs gerais do país. Houve redução de leitos de enfermaria nos hospitais empresariais (-3,0%) e nos hospitais privados sem fins lucrativos (-3,6%), e aumento nos hospitais públicos da administração direta (1,5%). Os HEs gerais de todas as naturezas jurídicas aumentaram o número de leitos de CTI: 54,4% nos hospitais públicos de administração direta; 42,5% nos hospitais empresariais; e 55,1% nos hospitais privados sem fins lucrativos. Na produção, todos os HEs gerais tiveram redução nas internações e cirurgias, respectivamente: -10,1% e -4,5% nos públicos de administração direta; -21,1% e -17,2% nos empresariais; e -9,1% e -6,5% nos privados sem fins lucrativos. Houve aumento da TMH de 2,4%, 1,7%, 3,8% nos hospitais de administração pública, nos empresariais e nos privados sem fins lucrativos, respectivamente, sendo as maiores taxas encontradas entre os hospitais privados sem fins lucrativos (8,4%, em 2019, e 12,2%, em 2021).

A Tabela 3 mostra os resultados das eficiências dos HEs gerais, em 2019 e 2021, assim como o deslocamento da fronteira no período (índice Malmquist). Houve aumento nos escores médios de eficiência relativa dos HEs gerais das regiões Centro-Oeste, Nordeste e Norte. Em 2019, os HEs gerais do Nordeste eram os mais eficientes (58,1%); em 2021, foram os HEs gerais das regiões Nordeste e Centro-Oeste (59,4%). Os HEs gerais da região Norte mantiveram-se menos eficientes em ambos os anos analisados (36,7%, em 2019, e 42,8%, em 2021), apesar do aumento na produção no período. Durante a pandemia, HEs gerais de administração direta foram mais eficientes nas regiões Norte e Sul; HEs gerais empresariais, nas regiões Centro-Oeste e Sudeste; e HEs gerais privados sem fins lucrativos, na região Nordeste. Apesar do aumento observado nas eficiências dos HEs gerais (cath-up 1,01), houve contração da fronteira de produtividade (Malmquist 0,77; frontier-shift 0,76) em todas as regiões (Malmquist de 0,67 a 0,92; frontier-shift de 0,66 a 0,81) e em todas as naturezas jurídicas (Malmquist de 0,62 a 0,88; frontier-shift de 0,58 a 0,88). Somente os hospitais públicos de administração direta da região Centro-Oeste apresentaram valor de índice de Malmquist superior a 1,00 (igual a 1,01), porém, com frontier-shift de 0,85.

Tabela 3. Eficiência média dos hospitais de ensino e índice Malmquist, por região do país e natureza jurídica, Brasil, 2019 e 2021.

Classificação dos hospitais de ensino Eficiência 2019 (%) Eficiência 2021 (%) Índice de Malmquist Eficiência técnica (Catch-up) Eficiência tecnológica (Frontier-shift)
Região/Natureza jurídica
Centro-Oeste
Administração pública 47,6 56,7 1,01 1,19 0,85
Entidades empresariais 54,3 67,8 0,81 1,25 0,65
Entidades privadas sem fins lucrativos 39,5 41,7 0,85 1,06 0,81
Média 49,3 59,4 0,92 1,20 0,76
Nordeste
Administração pública 49,7 56,8 0,90 1,14 0,79
Entidades empresariais 65,6 60,0 0,53 0,91 0,58
Entidades privadas sem fins lucrativos 59,9 63,5 0,71 1,06 0,68
Média 58,1 59,4 0,67 1,02 0,66
Norte
Administração pública 36,3 50,1 0,96 1,38 070
Entidades empresariais 37,6 20,8 0,35 0,55 0,63
Média 36,7 42,8 0,78 1,17 0,67
Sudeste
Administração pública 57,7 59,0 0,90 1,02 0,88
Entidades empresariais 64,2 59,8 0,69 0,93 0,74
Entidades privadas sem fins lucrativos 55,9 55,6 0,74 1,00 0,74
Média 57,8 57,7 0,81 1,00 0,81
Sul
Administração pública 69,1 66,4 0,71 0,96 0,74
Entidades empresariais 57,2 56,3 0,68 0,99 0,69
Entidades privadas sem fins lucrativos 48,2 46,0 0,71 0,96 0,74
Média 55,8 53,8 0,70 0,96 0,73
Brasil
Administração pública 55,0 58,6 0,88 1,07 0,82
Entidades empresariais 60,3 57,7 0,62 0,96 0,64
Entidades privadas sem fins lucrativos 53,4 52,9 0,73 0,99 0,74
Média 55,6 56,5 0,77 1,01 0,76
Open in a new tab

Foram identificadas 32 unidades eficientes, referências para os HEs gerais ineficientes (Material Suplementar). Um total de 15 HEs gerais foram eficientes em ambos os anos analisados. Entre as referências, 24 (75,0%) hospitais eram de grande porte, 16 (50,0%) localizados no Sudeste e 11 (34,4%) privados sem fins lucrativos.

A Tabela 4 apresenta a projeção de produção esperada para que todos os HEs gerais ineficientes atinjam a fronteira de melhores práticas a partir de 2021. Num cenário de recuperação, considerando-se a atual disponibilidade de recursos, esses hospitais devem aumentar sua produção em 2.205.856 (96,5%) internações e em 872.264 (107,4%) cirurgias. Paralelamente, com o fim da emergência de saúde global por covid-19, estima-se a queda da TMH de 9,2% para 4,0%, valendo destacar o decréscimo esperado na região Norte (de 11,6% para 3,5%) e entre hospitais privados sem fins lucrativos (de 12,2% para 4,0%).

Tabela 4. Projeção esperada para a produção de serviços e a taxa de mortalidade estimada dos hospitais de ensino após a pandemia de covid-19, por região e natureza jurídica, Brasil, 2021.

Classificação dos hospitais de ensino Internações Projeção de internações Diferença (%) Cirurgias Projeção de cirurgias Diferença (%) Mortalidade hospitalar Projeção de mortalidade hospitalar
Região/Natureza jurídica
Centro-Oeste
Administração pública 58.538 145.076 147,8 28.953 65.135 125,0 6,8 2,6
Entidades empresariais 37.648 85.191 126,3 14.311 31.162 117,7 5,2 4,0
Entidades privadas sem fins lucrativos 8.382 21.413 155,5 4.431 11.319 155,5 7,2 3,4
Total 104.568 251.680 140,7 47.695 107.617 125,6 6,2 3,2
Nordeste
Administração pública 145.223 306.072 110,8 74.598 142.563 91,1 7,8 4,5
Entidades empresariais 97.370 200.557 106,0 41.081 88.781 116,1 5,7 4,1
Entidades privadas sem fins lucrativos 48.730 107.156 119,9 30.970 59.748 92,9 8,2 3,8
Total 291.323 613.786 110,7 146.649 291.092 98,5 7,0 4,2
Norte
Administração pública 28.302 81.905 189,4 23.851 48.840 104,8 12,1 3,4
Entidades empresariais 4.237 23.100 445,2 3.123 17.118 448,1 10,0 3,8
Total 32.539 105.005 222,7 26.974 65.958 144,5 11,6 3,5
Sudeste
Administração pública 534.099 1.001.530 87,5 179.058 359.894 101,0 8,3 3,6
Entidades empresariais 143.974 278.643 93,5 46.559 99.817 114,4 7,0 4,6
Entidades privadas sem fins lucrativos 540.095 966.618 79,0 153.543 313.619 104,3 12,7 4,5
Total 1.218.168 2.246.790 84,4 379.160 773.330 104,0 9,9 4,1
Sul
Administração pública 121.340 222.276 83,2 63.573 105.074 65,3 7,8 4,4
Entidades empresariais 237.407 463.996 95,4 52.099 124.809 139,6 6,8 4,2
Entidades privadas sem fins lucrativos 281.572 589.240 109,3 95.732 216.266 125,9 12,8 3,5
Total 640.319 1.275.512 99,2 211.404 446.149 111,0 10,1 3,9
Brasil
Administração pública 887.502 1.756.859 98,0 370.033 721.506 95,0 8,3 3,7
Entidades empresariais 520.636 1.051.486 102,0 157.173 361.687 130,1 6,5 4,2
Entidades sem fins lucrativos 878.779 1.684.427 91,7 284.676 600.953 111,1 12,2 4,0
Total 2.286.917 4.492.773 96,5 811.882 1.684.146 107,4 9,2 4,0
Open in a new tab

DISCUSSÃO

Neste estudo, foi observada queda da produtividade dos HEs gerais do Brasil, em todas as regiões e para todas as naturezas jurídicas, no período 2019-2021. A queda de produtividade observada se deveu ao compromisso social dos HEs gerais, e não a um desacerto na política pública. Ou seja, o aumento na oferta de recursos (leitos de CTI) e a queda da produção (internações e cirurgias) se deram para apoiar as ações estratégicas de enfrentamento à pandemia. Da mesma forma, o aumento observado da TMH em vigência da pandemia foi um marcador da frequência de internações por covid-19 nas unidades sob análise, e não um indicador de qualidade da atenção.

Queda da produção, com menor atenção às demais doenças, foi fenômeno mundial. 17 Considerada a vocação assistencial dos HEs, responsáveis por 35,3% da produção de alta complexidade no país,2 a queda de produção teve impacto importante na realização de procedimentos mais complexos. Em 2021, os HEs gerais do país reduziram as cirurgias cardíacas em 14,8%, as cirurgias oncológicas em 8,4%, a radioterapia em 96,8% e os transplantes em 18,6%.2 Estimativas apontavam para 60 mil cirurgias cardiovasculares represadas pela pandemia, aumentando a fila para o procedimento. 18 A queda na produção, em todos os níveis de cuidado, repercutiu na saúde da população brasileira; por exemplo, a mortalidade por doenças cardiovasculares aumentou em 6,9% no mesmo período.6 Acrescentem-se as renúncias relacionadas ao ensino e pesquisa, à exceção das atividades acadêmicas direcionadas à covid-19.

Para a retomada da produtividade, a produção de internações e cirurgias deve praticamente dobrar no país como um todo, e gestores de cada unidade de saúde (assim como de municípios e estados) podem se programar para o quanto precisam incrementar na produção. A ativação dos 4.814 (51,9%) leitos de CTI (maior do que a média nacional, de 46,7%) favorece a vocação de produção da alta complexidade pelos HEs gerais na retomada desses procedimentos. Ou seja, mais recursos de apoio à alta complexidade promovem o incremento desta produção, desde que a unidade se mantenha na fronteira de eficiência.

Como limitação do estudo, vale citar a ausência de modelos qualitativos para a estruturação do problema antes da modelagem matemática. Estudos19,20, 21 sugerem o uso de metodologias associadas (multimetodologia) para avaliação de contextos e preferências antes da escolha dos modelos matemáticos. Com relação às variáveis do modelo, faltaram informações acuradas sobre a contratação de recursos humanos, os quais foram importantes para a produtividade durante a pandemia, e assim poderiam ter entrado no modelo. Dados sobre atividades de ensino e pesquisa também enriqueceriam a análise, uma vez que o volume de pesquisa, alta razão residentes/leitos (intensidade de ensino) e baixa razão residentes/médicos (dedicação de ensino) estão associados ao aumento da eficiência. 22 Outra limitação está na heterogeneidade da informação entre as regiões brasileiras. Estudo sobre excesso de óbitos durante a pandemia 23 sugere maior dificuldade diagnóstica e subnotificação de óbitos por covid-19 em capitais nordestinas se comparadas às capitais do Sudeste. Pesquisa utilizando DEA em redes para estudar capacidade e estruturas de enfrentamento à covid-19 mostrou que as regiões Norte e Nordeste apresentaram maior vulnerabilidade durante a pandemia por falta de estrutura (leitos de CTI) e menor capacidade na realocação de recursos (médicos e respiradores) para o atendimento ao excesso de demanda de pacientes com covid-19. 24

Como desdobramento, sugere-se a aplicação do modelo DEA-Malmquist nos anos subsequentes ao deste estudo, quando houve introdução da vacina em território nacional (ainda em 2021), além da introdução de ondas sucessivas e novas cepas de covid-19. Para aprimorar o estudo das unidades de referência, pesquisas qualiquantitativas podem identificar padrões de estratégias de enfrentamento exitosas durante a pandemia. A utilização dessa ferramenta, juntamente com uma melhor caracterização da produção desses hospitais, permitirá a estimativa e o monitoramento da recomposição gradativa da oferta de serviços, de acordo com a dinâmica de necessidades e as demandas da sociedade nacional.

Apêndice.

Tabela Suplementar 1. Hospitais de ensino gerais eficientes, por região, estado, natureza jurídica e porte, Brasil, 2019 e 2021.

Nome do hospital Região UF Natureza jurídica Porte Referência (anos)
Fundação Hospital Adriano Jorge Norte AM Administração pública Grande 2019 e 2021
Hospital Anchieta Sudeste SP Administração pública Médio 2019 e 2021
Hospital da Baleia Sudeste MG Entidade privada sem fins lucrativos Médio 2019 e 2021
Hospital da Restauração Governador Paulo Guerra Nordeste PE Administração pública Grande 2019 e 2021
Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto Sudeste SP Administração pública Grande 2019 e 2021
Hospital das Clínicas da Faculdade de Medicina de São Paulo Sudeste SP Administração pública Grande 2019 e 2021
Hospital das Clínicas da Universidade Federal de Pernambuco (EBSERHa) Nordeste PE Entidade empresarial Grande 2021
Hospital de Base de São José do Rio Preto Sudeste SP Entidade privada sem fins lucrativos Grande 2021
Hospital de Caridade São Vicente de Paulo Sudeste SP Entidade privada sem fins lucrativos Grande 2019 e 2021
Hospital do Trabalhador Sul PR Administração pública Grande 2019 e 2021
Hospital Estadual de Sumaré Dr. Leandro Franceschini Sudeste SP Administração pública Grande 2021
Hospital Geral do Grajau Sudeste SP Administração pública Grande 2019
Hospital Getúlio Vargas Nordeste PE Administração pública Grande 2019 e 2021
Hospital Municipal da Piedade Sudeste RJ Administração pública Médio 2019 e 2021
Hospital Municipal Universitário de São Bernardo do Campo Sudeste SP Administração pública Grande 2019 e 2021
Hospital Nossa Senhora do Rócio Sul PR Entidade empresarial Grande 2019
Hospital Regional do Paranoá Centro-Oeste DF Administração pública Grande 2021
Hospital Santa Lucinda da Pontifícia Universidade Católica de São Paulo Sudeste SP Entidade privada sem fins lucrativos Médio 2021
Hospital Universitário Cajuru da Pontifícia Universidade Católica do Paraná Sul PR Entidade privada sem fins lucrativos Grande 2019 e 2021
Hospital Universitário Clemente de Faria da Universidade Estadual de Montes Claros Sudeste MG Administração pública Grande 2021
Hospital Universitário da Universidade Federal do Maranhão (EBSERHa) Nordeste MA Entidade empresarial Grande 2021
Hospital Universitário da Universidade Federal de Sergipe (EBSERHa) Nordeste SE Entidade empresarial Médio 2019
Hospital Universitário da Universidade Federal de São Carlos (EBSERHa) Sudeste SP Entidade empresarial Médio 2019 e 2021
Hospital Universitário de Lagarto da Universidade Federal de Sergipe (EBSERHa) Nordeste SE Entidade empresarial Médio 2019
Hospital Universitário Evangélico Mackenzie Sul PR Entidade privada sem fins lucrativos Grande 2021
Hospital Universitário Júlio Muller da Universidade Federal do Mato Grosso (EBSERHa) Centro-Oeste MT Entidade empresarial Médio 2021
Hospital Universitário Walter Cantídio da Universidade Federal do Ceará (EBSERHa) Nordeste CE Entidade empresarial Grande 2019 e 2021
Irmandade Nossa Senhora das Mercês de Montes Claros Sudeste MG Entidade privada sem fins lucrativos Grande 2019
Santa Casa de Misericórdia de Fortaleza Nordeste CE Entidade privada sem fins lucrativos Grande 2019 e 2021
Santa Casa de Misericórdia de Limeira Sudeste SP Entidade privada sem fins lucrativos Grande 2019
Santa Casa de Misericórdia do Pará Norte PA Entidade privada sem fins lucrativos Grande 2021
Santa Casa de Misericórdia de Belo Horizonte Sudeste MG Entidade privada sem fins lucrativos Grande 2021
Open in a new tab

a) Empresa Brasileira de Serviços Hospitalares.

Footnotes

TRABALHO ACADÊMICO ASSOCIADO: Artigo derivado de tese de doutorado a ser defendida por Henrique de Castro Rodrigues no Programa de Pós-Graduação em Engenharia de Produção, do Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia, da Universidade Federal do Rio de Janeiro.

Articles from Epidemiologia e Serviços de Saúde : Revista do Sistema Unico de Saúde do Brasil are provided here courtesy of Secretaria de Vigilância em Saúde e Ambiente - Ministério da Saúde do Brasil

RESOURCES