Preditores Pré-Operatórios de Readmissão Hospitalar em até 5 Anos após CRM: Análise de Coorte do Banco de Dados REPLICCAR II

Carlos Alberto Sancio, Junior; Fabiane Letícia de Freitas; Gabrielle Barbosa Borgomoni; Daniella de Lima Pes; Pedro Horigoshi Reis; Pedro Gabriel Melo de Barros e Silva; Marcelo Arruda Nakazone; Marcos Gradim Tiveron; Valquiria Pelisser Campagnucci; Luiz Augusto Lisboa; Luís Alberto Oliveira Dallan; Fabio Biscegli Jatene; Omar Asdrúbal Vilca Mejia

doi:10.36660/abc.20240420

. 2025 Mar 6;122(2):e20240420. [Article in Portuguese] doi: 10.36660/abc.20240420

View full-text in English

Preditores Pré-Operatórios de Readmissão Hospitalar em até 5 Anos após CRM: Análise de Coorte do Banco de Dados REPLICCAR II

Carlos Alberto Sancio Junior ¹, Fabiane Letícia de Freitas ², Gabrielle Barbosa Borgomoni ², Daniella de Lima Pes ², Pedro Horigoshi Reis ², Pedro Gabriel Melo de Barros e Silva ³, Marcelo Arruda Nakazone ⁴, Marcos Gradim Tiveron ⁵, Valquiria Pelisser Campagnucci ⁶, Luiz Augusto Lisboa ², Luís Alberto Oliveira Dallan ², Fabio Biscegli Jatene ², Omar Asdrúbal Vilca Mejia ²

¹Hospital Santa Rita de Cássia, Vitoria ES , Brasil, Hospital Santa Rita de Cássia, Vitoria, ES – Brasil

²Hospital das Clínicas, Faculdade de Medicina, Universidade de São Paulo, São Paulo SP , Brasil, Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, São Paulo, SP – Brasil

³Hospital Samaritano Paulista, São Paulo SP , Brasil, Hospital Samaritano Paulista, São Paulo, SP – Brasil

⁴Faculdade de Medicina de São José do Rio Preto, São José do Rio Preto SP , Brasil, Faculdade de Medicina de São José do Rio Preto, São José do Rio Preto, SP – Brasil

⁵Irmandade da Santa Casa de Misericórdia de Marília, Marilia SP , Brasil, Irmandade da Santa Casa de Misericórdia de Marília, Marilia, SP – Brasil

⁶Faculdade de Ciências Médicas, Santa Casa de São Paulo, São Paulo SP , Brasil, Faculdade de Ciências Médicas da Santa Casa de São Paulo, São Paulo, SP – Brasil

^{Correspondência}

: Fabiane Letícia de Freitas • Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo – Av. Doutor Enéas de Carvalho Aguiar, 44. CEP 05403-900, São Paulo, SP – Brasil E-mail: fabianeleticiaa@gmail.com , fabiane.freitas@fm.usp.br

Editor responsável pela revisão: Alexandre Colafranceschi Potencial

Conflito de Interesse: Não há conflito com o presente artigo.

Roles

Carlos Alberto Sancio Junior: Concepção e desenho da pesquisa, Análise e interpretação dos dados e Redação do manuscrito, Revisão crítica do manuscrito quanto ao conteúdo

Fabiane Letícia de Freitas: Concepção e desenho da pesquisa, Análise e interpretação dos dados e Redação do manuscrito, Obtenção de dados, Análise estatística

Gabrielle Barbosa Borgomoni: Concepção e desenho da pesquisa, Análise e interpretação dos dados e Redação do manuscrito, Obtenção de dados

Daniella de Lima Pes: Obtenção de dados

Pedro Horigoshi Reis: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo, Revisão crítica do manuscrito quanto ao conteúdo

Pedro Gabriel Melo de Barros e Silva: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

Marcelo Arruda Nakazone: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

Marcos Gradim Tiveron: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

Valquiria Pelisser Campagnucci: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

Luiz Augusto Lisboa: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

Luís Alberto Oliveira Dallan: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

Fabio Biscegli Jatene: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

Omar Asdrúbal Vilca Mejia: Obtenção de dados, Revisão crítica do manuscrito quanto ao conteúdo

PMCID: PMC12080614 PMID: 40105584

Keywords: Doença Arterial Coronariana, Revascularização Miocárdica, Hospitalização

Resumo

Fundamento

Reduzir as readmissões hospitalares após cirurgias de revascularização miocárdica (CRM) é essencial para otimizar os resultados a médio e longo prazo.

Objetivo

Analisar preditores pré-operatórios associados à readmissão por todas as causas e cardíacas em até 5 anos após CRM.

Métodos

Foram analisados 1387 pacientes submetidos à CRM entre junho de 2017 e julho de 2019, utilizando dados do registro multicêntrico REPLICCAR II. O seguimento foi realizado por entrevista telefônica com questionário estruturado no REDCap. A análise estatística incluiu métodos univariados e multivariados, utilizando regressão de Cox e validação interna do modelo por testes de calibração e discriminação. O nível de significância adotado foi de 5%.

Resultados

A incidência cumulativa de readmissão por todas as causas foi de 27,69%, com um seguimento médio de 4,3 anos e tempo médio até a readmissão de 2,4 anos. A regressão multivariada indicou que menor índice de massa corporal (HR=0,97, p=0,032), histórico de infarto do miocárdio (HR=1,27, p=0,024), diabetes mellitus (HR=1,35, p=0,004), insuficiência renal (HR=1,62, p=0,004) e maior score STS (HR=1,22, p<0,001) estão associados a maior risco de readmissão por todas as causas. Foi observada correlação moderada entre readmissão e mortalidade (Rho=0,55).

Conclusões

Esta análise revela que um índice de massa corporal mais baixo, antecedentes de infarto do miocárdio, diabetes mellitus, insuficiência renal e um STS score elevado estão associados ao aumento do risco de readmissão hospitalar após a CRM.

Introdução

O avanço das técnicas em cirurgia de revascularização do miocárdio (CRM), juntamente com a implementação de programas de qualidade nos hospitais, contribuíram significativamente para a redução das taxas de morbidade e mortalidade pós-operatórias.^1
,
2 No entanto, apesar desses avanços, enfrentamos desafios com a readmissão hospitalar seja em curto prazo^3
-
5 ou em longo prazo.^6
-
8 Sendo esta última, mais difícil de definir pela falta de seguimento dos pacientes.

Portanto, a literatura médica recente tem concentrado sua atenção nas readmissões hospitalares que ocorrem em períodos mais curtos após a cirurgia cardíaca, especificamente dentro de 30 ou até 90 dias do procedimento. No entanto, é importante notar que os dados disponíveis sobre readmissões em longo prazo, ou seja, anos após a CRM, ainda são limitados e no nosso cenário estes resultados ainda não foram publicados pela falta de registros em longo prazo. Informações que são fundamentais para a definição de estratégias custo-eficazes nas CRM.⁹

Em uma subanálise do “ CORONARY trial”, que estudou as causas de readmissão hospitalar em um período de cinco anos após CRM identificaram que ser mulher, idoso, apresentar índices elevados de massa corporal, histórico de infarto agudo do miocárdio, acidente vascular cerebral prévio, doença arterial periférica, tabagismo ativo e diabetes mellitus se associaram a um risco aumentado de readmissão hospitalar por todas as causas.⁷

Identificar estes fatores de risco ajudaria na estratificação de grupos de risco com a finalidade de prevenção, assim como de melhorar a indicação e, principalmente, a eficácia das CRM.¹⁰ Um assunto importante para a geração de valor e redução dos custos no sistema de saúde por complicações.¹⁰ Na literatura existe uma diversidade de abordagens metodológicas, incluindo amostras de tamanhos variados, distintos critérios para alocar os pacientes e desfechos com variados graus de relevância para a readmissão hospitalar, ressaltando a necessidade de evidências mais sólidas relacionadas a este tópico.

Por conseguinte, torna-se importante identificar os fatores que contribuem para a ocorrência de readmissão hospitalar em médio e longo prazo, com o objetivo de otimizar os resultados das cirurgias cardíacas e minimizar os encargos financeiros para o sistema de saúde. Sendo assim,o objetivo deste estudo foi identificar os preditores de readmissão hospitalar por todas as causas e por causas cardíacas em até cinco anos após a CRM.

Métodos

Este é um estudo a partir dos dados do Registro Paulista de Cirurgia Cardiovascular II (REPLICCAR II), um estudo prospectivo, multicêntrico (incluindo 5 hospitais do estado de São Paulo), conduzido com pacientes submetidos à cirurgia de revascularização miocárdica.

O banco de dados REPLICCAR II contém pacientes com idade ≥18 anos, submetidos à CRM primária e isolada de forma eletiva ou urgência. A plataforma para coleta de dados foi criada no REDCap (http://www.project-redcap.org) especialmente para o projeto, na qual foi feita a recolecção de forma online por profissionais graduados e treinados. O banco de dados contém as mesmas variáveis e definições da versão 2.9 do sistema de coletas do STS ( Society of Thoracic Surgeons ).¹¹ Foram excluídos da análise os pacientes que faleceram antes da alta hospitalar, os readmitidos dentro de 30 dias após a alta e aqueles que não realizaram a CRM como um procedimento isolado. De forma que este estudo foca na readmissão ocorrida mais de 30 dias após a alta.

Seguimento dos pacientes

Os dados relacionados ao seguimento foram coletados de abril de 2023 a janeiro de 2024, os pacientes responderam um questionário estruturado relacionado à qualidade de vida, sintomas cardíacos, ocorrência de eventos adversos cardíacos maiores e readmissões hospitalares (N=384), como representado na Figura 1 a seguir.

Definição das variáveis

A variável de desfecho primário analisado neste estudo foi a readmissão hospitalar por todas as causas. Definimos a readmissão hospitalar como o retorno do paciente ao hospital dentro de um período de até cinco anos após a realização da CRM.

O desfecho secundário foi a readmissão hospitalar não planejada relacionada a causas cardíacas, definida como insuficiência cardíaca, arritmias, angina, reoperação de CRM ou intervenção coronária percutânea.

Análise estatística

Para todas as análises deste estudo, utilizou-se o software R, versão 4.0.2,¹³ para este projeto, recorreu-se aos pacotes survival, car, survminer, psych, gmodels, survivalROC, timeROC, pROC, resource selection, ggplot2 e dplyr.

Na análise descritiva, as variáveis contínuas foram expressas exclusivamente pela mediana e o intervalo interquartil (IIQ), devido à distribuição assimétrica dos dados. As variáveis categóricas foram apresentadas em termos de frequências e porcentagens.

Para a análise das variáveis independentes categóricas, realizamos a comparação de proporções utilizando o teste qui-quadrado ou o teste exato de Fisher, conforme adequado. A normalidade dos dados foi verificada através do teste de Shapiro-Wilk. Para as variáveis independentes contínuas e o desfecho do estudo, utilizamos o teste de Mann-Whitney para a comparação de médias, uma vez que todas as variáveis apresentaram distribuição não paramétrica. A análise estatística das variáveis preditivas, abrangendo tanto fatores pré-operatórios quanto intraoperatórios, iniciou-se com a aplicação da regressão logística univariada de Cox . Esta etapa preliminar visou a identificação de variáveis com valores de p<0,05, que foram posteriormente incorporadas ao modelo de regressão multivariada de Cox para uma análise mais aprofundada. Os achados foram apresentados em termos de razão de risco (HR: Hazard ratio) acompanhada dos respectivos intervalos de confiança de 95% (IC 95%).

Para avaliar o modelo múltiplo, realizamos o teste de resíduos de Schoenfeld , adequado para a regressão de Cox , além da análise da curva Receiver Operating Characteristic (ROC).

A correlação entre a readmissão hospitalar por todas as causas e a mortalidade foi avaliada utilizando a correlação de Spearman. Os valores de Rho foram interpretados da seguinte forma: Rho = 0 indica ausência de correlação; 0 < ∣Rho∣ ≤ 0,3 indica correlação fraca; 0,3 < ∣Rho∣ ≤ 0,7 indica correlação moderada; e ∣Rho∣ > 0,7 indica correlação forte. O nível de significância adotado foi de 5%.

Ética e consentimento

Este estudo é uma subanálise do projeto REPLICCAR II, aprovado pelo Comitê de Ética em Pesquisa para a Análise de Projetos (CAPPesq) do Hospital das Clínicas da Universidade de São Paulo (número de registro CAAE: 66919417.6.1001.0068; SDC 4506/17/006). Para a fase de acompanhamento, uma emenda (parecer número 5.603.742) foi aprovada em 25 de agosto de 2022. Todos os pacientes forneceram consentimento para participar da entrevista.

Resultados

Na comparação entre pacientes não readmitidos e readmitidos por todas as causas ( Tabela 1 ), observou-se que o grupo readmitido apresentou um índice de massa corporal ligeiramente menor (p=0,022). Além disso, a incidência de infarto prévio do miocárdio foi significativamente maior nesse grupo (p=0,004), assim como a prevalência de diabetes mellitus (p=0,002). Notou-se também uma proporção significativamente maior de pacientes insulinodependentes entre os readmitidos (p<0,001). Quanto às condições de saúde, o grupo readmitido teve maior frequência de doença cerebrovascular (p=0,001) e insuficiência renal (p<0,001). Este grupo também registrou níveis de creatinina mais elevados, indicando diferenças significativas (p<0,001). A análise da função cardíaca revelou que uma fração de ejeção abaixo de 30% foi mais comum entre os readmitidos (p=0,039). Em termos de classificação funcional, pacientes com uma classificação NYHA III e IV foram mais prevalentes no grupo readmitido (p=0,006), sugerindo uma maior severidade de insuficiência cardíaca. Por fim, o STS score para mortalidade também foi maior no grupo de pacientes readmitidos (p<0,001).

Tabela 1. – Características pré-operatórias dos pacientes submetidos à CRM. REPLICCAR II, São Paulo – Brasil.

Características	Não readmitido (N=1003)	Readmitido (N=384)	Valor de p
Idade (anos), (mediana e IIQ)	64 (57-70)	64 (59-71)	0,118
Sexo feminino, n (%)	256 (25,52)	107 (27,86)	0,375
Status de admissão, n (%)
Eletivo	574 (57,23)	198 (51,56)
Urgência/Emergência	221 (22,03)	105 (27,34)	0,086
Transferência de outro hospital	201 (20,04)	81 (21,09)
Outro	4 (0,40)	0 (0,00)
Índice de massa corporal, kg/m² (mediana e IIQ)	27 (24,50-29,76)	26,57 (24,22-29,38)	0,022
Infarto prévio do miocárdio, n (%)	495 (49,35)	223 (58,07)	0,004
Hipertensão arterial sistêmica, n (%)	880 (87,74)	343 (89,32)	0,413
Doença pulmonar, n (%)
Leve	10 (1,00)	6 (1,56)	0,321
Moderada	4 (0,40)	3 (0,78)
Severa	5 (0,50)	0 (0,00)
Tabagismo, n (%)
Nunca	509 (50,75)	185 (48,16)	0,549
Fumante ativo	146 (14,56)	64 (16,67)
Ex-fumante	348 (34,70)	135 (35,16)
Diabetes mellitus, n (%)	484 (48,26)	221 (57,55)	0,002
Insulinodependente	114 (11,37)	71 (18,49)	< 0,001
Doença cerebrovascular, n (%)	79 (7,88)	52 (13,54)	0,001
Insuficiência renal, n (%)
Crônica	42 (4,19)	40 (10,42)	<0,001
Aguda	7 (0,70)	3 (0,78)
Creatinina, mg/Dl (mediana e IIQ)	1,07 (0,93-1,37)	1,16 (0,90-1,23)	< 0,001
Angioplastia prévia, n (%)	134 (13,36)	63 (16,41)	0,145
Fração de ejeção (<30%), n (%)	11 (1,10)	10 (2,60)	0,039
CCS, n (%)
IV	89 (8,87)	40 (10,42)	0,376
NYHA, n (%)
I e II	891 (88,83)	316	0,006
III e IV	112 (11,17)	68
STS score de mortalidade, (mediana e IIQ)	0,81 (0,43-0,97)	1,05	<0,001

Open in a new tab

IIQ: intervalo interquartil CCS: Classificação da Sociedade Cardiovascular Canadense de angina; NYHA: Classificação funcional da New York Heart Association; STS: Society of Thoracic Surgeons; Doença cerebrovascular: Acidente Vascular Cerebral, Ataque Isquêmico Transitório ou Estenose das Carótidas maior ou igual a 50%; Insuficiência renal: Considerado Clearance de creatinina <60 ml/min/1,73m².

Houve diferenças significativas entre os pacientes não readmitidos e readmitidos em relação ao uso da circulação extracorpórea e à taxa de extubação na sala cirúrgica (p=0,028 e 0,040, respectivamente). Adicionalmente, os níveis de glicemia foram significativamente mais altos (p<0,001) nos pacientes readmitidos, conforme detalhado na tabela 2 .

Tabela 2. – Características intraoperatória dos pacientes submetidos à CRM. REPLICCAR II, São Paulo – Brasil.

Características	Não readmitido (N=1003)	Readmitido (N=384)	Valor de p
Utilização de circulação extracorpórea, n (%)	901 (89,93)	328 (85,42)	0,028
Tempo de circulação extracorpórea (minutos), (mediana e IIQ)	75 (59,00-95,25)	75 (56-100)	0,998
Tempo de anoxia (minutos), (mediana e IIQ)	57 (43-75)	59 (41-79)	0,516
Uso da artéria torácica bilateral, n (%)	135 (13,46)	45 (11,72)	0,388
Uso da artéria torácica interna esquerda, n (%)	966 (96,31)	361 (94,01)	0,059
Pediculada	629 (65,11)	243 (67,31)	0,128
Esqueletizada	337 (34,89)	118 (32,69)	0,128
Uso da artéria torácica interna direita, n (%)	145 (14,46)	51 (13,28)	0,573
Pediculada	75 (51,72)	27 (52,94)	0,844
Esqueletizada	70 (48,28)	24 (47,06)	0,844
Uso de artéria radial, n (%)	46 (4,59)	18 (4,69)	0,935
Tempo de cirurgia (horas), (mediana e IIQ)	4,50 (3,42-6,00)	4,67 (3,50-6,08)	0,314
Transfusão de concentrados de hemácias, n (%)	8 (0,80)	3 (0,78)	0,970
Extubação em sala cirúrgica, n (%)	48 (4,79)	9 (2,34)	0,040
Glicemia mais alta, (mediana e IIQ)	174 (47,17-93,08)	177 (50,50-115,25)	< 0,001

Open in a new tab

IIQ: intervalo interquartil.

Entre os pacientes analisados na tabela 3 , os readmitidos apresentaram uma maior incidência de insuficiência renal (p<0,001), maior taxa de reoperação por sangramento (p=0,009), e maior tempo de intubação orotraqueal (p=0,001). Além disso, a ventilação prolongada por mais de 24 horas (p<0,001) e a ocorrência de infecção da ferida operatória (p=0,013) foram mais comuns entre os readmitidos. Esses pacientes também tiveram internações hospitalares (p<0,001) e permanências na UTI mais longas (p<0,001), incluindo internações hospitalares com mais de 14 dias (p<0,001), destacando desafios adicionais no manejo pós-operatório dos pacientes readmitidos.

Tabela 3. – Variáveis de desfecho e evolução pós-operatória dos pacientes submetidos à CRM. REPLICCAR II, São Paulo – Brasil.

Características	Não readmitido (N=1003)	Readmitido (N=384)	Valor de p
Acidente Vascular Cerebral, n (%)	13 (1,30)	5 (1,30)	0,992
Insuficiência Renal, n (%)	45 (4,49)	46 (11,98)	< 0,001
Reoperação por sangramento, n (%)	2 (0,20)	5 (1,30)	0,009
Fibrilação atrial, n (%)	143 (14,26)	68 (17,71)	0,109
Tempo intubação orotraqueal (horas), (mediana e IIQ)	7,78 (5,33-11,01)	8,5 (6,04-12,23)	0,001
Ventilação prolongada (>24 horas), n (%)	25 (2,49)	24 (6,25)	< 0,001
Infecção ferida operatória (≤30 dias), n (%)	22 (2,19)	18 (4,69)	0,013
Internação hospitalar prolongada (>14 dias), n (%)	222 (22,13)	119 (30,99)	< 0,001
Internação hospitalar curta (<6 dias), n (%)	52 (5,18)	13 (3,39)	0,156
Tempo de permanência na UTI (horas), (mediana e IIQ)	68,12 (47,17-93,08)	73,17 (50,50-115,25)	< 0,001
Tempo de permanência hospitalar (dias), (mediana e IIQ)	7,00 (6,00-8,00)	7,00 (6,00-10,00)	< 0,001
Óbito em 30 dias após o procedimento, n (%)	0 (0,00)	5 (1,30)	0,002

Open in a new tab

IIQ: intervalo interquartil.

Para identificação dos fatores associados ao desfecho de readmissão por todas as causas, a regressão univariada foi utilizada para identificar variáveis correlacionadas ao evento ( Tabela suplementar 1^{(175.7KB, pdf)} ). Em seguida, a partir dos dados obtidos na análise univariada, a regressão multivariada foi utilizada para criação de um modelo múltiplo ( Tabela 4 ).

Tabela 4. – Estimativas da associação entre características do paciente e readmissão por todas as causas usando um modelo de regressão multivariada de Cox ajustado para características dos pacientes. REPLICCAR II, São Paulo – Brasil.

Características	OR	IC 95%	Valor de P
Status de admissão
Urgência	1,11	0,99 - 1,24	0,070
Índice de massa corporal, kg/m²	0,97	0,94 - 0,99	0,029
Infarto prévio do miocárdio	1,27	1,03 - 1,56	0,024
Diabetes mellitus	1,35	1,10 - 1,66	0,004
Insuficiência renal	1,62	1,16 - 2,25	0,004
Fração de ejeção (<30%)	1,32	0,70 - 2,50	0,394
NYHA
III e IV	1,28	0,97 - 1,67	0,077
STS score (mortalidade)	1,22	1,09 - 1,36	< 0,001

Open in a new tab

NYHA: Classificação funcional da New York Heart Association; STS: Society of Thoracic Surgeons; A: Considerado clearance de creatinina < 60 ml/min/1,73m²; HR: Hazard ratio; IC 95%: Intervalo de Confiança de 95%.

Para validação do modelo foi realizado o teste de Resíduos de Schoenfeld, os resultados do teste não revelaram evidências significativas de violações da suposição de riscos proporcionais, ou seja, o modelo estava calibrado (p=0,192). Além disso, a curva de ROC (0,80, IC 95% 0,73-0,79) demonstrou que o modelo múltiplo é preciso para prever readmissão por todas as causas em até 5 anos após a CRM ( Figura 2 ) ( Figura Central ).

Para identificação dos fatores associados ao desfecho de readmissão por causas cardíacas, a regressão univariada foi utilizada para identificar variáveis correlacionadas ao evento ( Tabela Suplementar 2^{(175.7KB, pdf)} ). Em seguida, a partir dos dados obtidos na análise univariada, a regressão multivariada foi utilizada para criação de um modelo múltiplo ( Tabela 5 ).

Tabela 5. – Estimativas da associação entre características do paciente e readmissão por causas cardíacas usando um modelo de regressão multivariada de Cox ajustado para características dos pacientes. REPLICCAR II, São Paulo – Brasil.

Características	HR	IC 95%	Valor de p
Status de admissão
Urgência	1,22	1,02 - 1,46	0,026
Índice de massa corporal, kg/m²	0,94	0,90 - 0,98	0,005
Fração de ejeção (<30%)	3,15	1,47 - 6,76	0,003

Open in a new tab

HR: Hazard ratio; IC 95%: Intervalo de Confiança de 95%.

Para validação do modelo foi realizado o teste de Resíduos de Schoenfeld, os resultados do teste não revelaram evidências significativas de violações da suposição de riscos proporcionais, ou seja, o modelo estava calibrado (p=0,40). Além disso, a curva de ROC (0,76, IC 95% 0,73-0,79) ( Figura 3 ) demonstrou que o modelo múltiplo é preciso para prever readmissão por causas cardíacas em até 5 anos após a CRM.

A média de seguimento dos pacientes foi de 4,3 anos (percentil 25 e 75: 3,5-5,0), a incidência cumulativa de readmissão por todas as causas foi de 27,69% (IC 95% 0,25 – 0,30) como representado na Figura 4-A. O tempo médio de readmissão por todas as causas foi de 2,4 anos (percentil 25 e 75: 1,0-3,6). A incidência cumulativa de readmissão por causas cardíacas foi de 10,67% (IC 95%: Em relação a readmissão por causa cardíaca (Figura 4-B), o tempo médio foi de 2,33 anos (percentil 25 e 75: 0,75-3,69).

Entre os pacientes que não foram readmitidos, apenas 15 (1,50%) evoluíram para óbito. Em contraste, dentre os pacientes readmitidos, 154 (40,10%) evoluíram para óbito. Foi observada uma correlação moderada entre a readmissão hospitalar por todas as causas e a ocorrência de óbito, apresentando um coeficiente Rho de 0,55 (IC 95%, 0,51-0,59).

Discussão

Nesta análise de seguimento de médio e longo prazo em pacientes submetidos a CRM no estado de São Paulo por meio de dados multicêntricos, foi identificado que a média de incidência cumulativa de readmissão por causas cardíacas e todas as causas foram de 10,67% e de 27,69%, respectivamente. Estando esta última correlacionada com a mortalidade, em conformidade com a literatura atual.⁷

Dentre os preditores identificados, o status cirúrgico de urgência, o índice de massa corporal (IMC) reduzido e a fração de ejeção do ventrículo esquerdo (FEVE) <30% foram relevantes para ambos os desfechos avaliados, refletindo também a complexidade dos pacientes em nosso cenário.

Apesar de a mortalidade em cirurgia cardíaca ter diminuído significativamente a partir do refinamento das técnicas cirúrgicas, maquinários, linha de cuidados, bancos de dados e outros,^2
,
14
,
15atualmente a atenção aos desfechos não relacionados ao óbito tem ganhado espaço nas discussões no âmbito da qualidade e segurança do paciente, entretanto, estes dados ainda são raros e dispersos em países de baixa e média renda, sobretudo em relação ao acompanhamento a longo prazo, onde o foco nas análises permeia os primeiros 30 a 90 dias após a alta, apresentando uma heterogeneidade de taxas entre 8,3 e 21,1% entre as análises.^4
,
16
,
17

A ausência de grandes bancos de dados em saúde, devidamente estruturados para o seguimento a longo prazo, nos países em desenvolvimento não apenas limita a capacidade de realizar pesquisas robustas e o desenvolvimento de estratégias guiadas por dados, como também compromete o acompanhamento dos pacientes submetidos a CRM. Sem um registro detalhado, com atualizações periódicas, históricos médicos de diagnósticos e intervenções, os profissionais de saúde, gestores hospitalares e de saúde pública enfrentam obstáculos no monitoramento do progresso dos pacientes, na identificação de complicações pós-operatórias, na adaptação de planos de cuidados assistências, e na própria evolução do paciente. A implementação de sistemas de dados amigável e robusto é crucial para a formação de uma cultura baseada em dados, melhoria contínua dos cuidados em saúde, garantindo a identificação de doenças com maior agilidade, indicação do melhor tratamento e acompanhando sua evolução,¹⁸ como é o caso da readmissão hospitalar, desfecho que culmina em pior prognóstico e aumento de custos para o sistema de saúde.^19
,
20

Em nossa análise, foi observado que 40,10% dos pacientes que necessitaram realizar ao menos uma reinternação após a alta hospitalar pós-CRM evoluíram para óbito. Da mesma forma, Bianco et al.²¹ avaliaram os impactos a longo prazo da readmissão após 30 dias da cirurgia (n=14538) e apontaram que a reinternação esteve significativamente associada à mortalidade tanto a curto (6 meses) quanto a longo seguimento (60 meses), mas também um preditor independente para novas readmissões. É necessário realizar mais estudos para avaliar a qualidade de vida dos pacientes que, após procedimentos cardíacos, necessitam de novas internações. Essa avaliação deve considerar não apenas aspectos clínicos, mas também psicossociais, permitindo que os hospitais desenvolvam ferramentas adequadas de acompanhamento e follow-up, além de estratégias para reduzir a probabilidade de readmissões. Neste cenário, a criação de modelos preditivos e escores surge como uma ferramenta poderosa para auxiliar nas decisões médicas e multiprofissionais, com o potencial de reduzir significativamente o risco de readmissão. Os fatores associados à readmissão apontados pela regressão múltipla refletem a complexidade do paciente no pré-operatório, e podem oportunizar janelas de melhorias, semelhantes aos achados da literatura.⁶ O recente ensaio CORONARY trial ⁶ avaliou 4623 pacientes com seguimento a longo prazo e destacou que as taxas de readmissão hospitalar, tanto para todas as causas quanto para cardíacas, foram significativas após 5 anos da alta hospitalar após CRM, onde mulheres apresentaram risco significativamente maior de readmissão, com uma correlação forte entre readmissão e mortalidade a longo prazo, evidenciando diferenças de gênero significativas no prognostico após o procedimento. Em nosso estudo, o sexo não teve associação em nenhum dos desfechos avaliados, entretanto, a readmissão por todas as causas foi correlacionada moderadamente com a mortalidade. Mais estudos precisam ser realizados a fim de explorar o impacto do sexo na evolução dos pacientes submetidos a CRM.²²

Em nossa análise IMC baixo foi um preditor de readmissão hospitalar em longo prazo. A desnutrição, fator correlacionado à readmissão na nossa análise, pode estar vinculada à demora para a realização da cirurgia cardíaca devido à considerável fila cirúrgica no sistema público de saúde, sem o devido acompanhamento multiprofissional estimulando a pré-habilitação do paciente, mas também pode ter relação com a perda de peso observada durante o período de internação pré-cirurgia, sabendo-se que sarcopenia está associada a desfechos clínicos menos favoráveis.²³ Este achado indica a importância da avaliação nutricional e do manejo adequado do peso do paciente desde a indicação cirúrgica, o preparando para o procedimento a partir de linhas de cuidados personalizadas e preventivas, como estratégias para otimizar o estado clínico do paciente no momento da cirurgia, promovendo uma recuperação mais eficiente e com potencial de minimizar o risco de readmissão.

A insuficiência cardíaca está sabidamente associada à necessidade de múltiplas internações e à piora de morbimortalidade.^24
-
26 A identificação da FEVE <30% como preditor de readmissão hospitalar é justificável e pode ser explicada pela demora no diagnóstico da doença cardiovascular ou devido ao longo período de espera para o tratamento cirúrgico sendo esta realizada muitas vezes com caráter de urgência.²⁷ A FEVE <30% pode levar ao deterioramento do estado clínico do paciente gerando descompensações que necessitam de novas internações.

O uso de circulação extracorpórea (CEC) foi menor entre os pacientes readmitidos. Estudos indicam que a CEC pode aumentar o risco de complicações devido à resposta inflamatória sistêmica e ao trauma causado pela máquina.²⁸ No entanto, como este estudo não é randomizado, é possível que os pacientes que não utilizaram CEC tivessem um perfil clínico mais grave, como aorta em porcelana ou outros fatores de risco que não foram mensurados nesta análise. Isso pode ter influenciado os diferentes perfis de complicações observados. Embora a literatura sugira que cirurgias sem CEC podem reduzir complicações imediatas, ainda não há consenso sobre o impacto a longo prazo.²⁹

A extubação em sala cirúrgica foi menos comum entre os pacientes readmitidos. Essa prática é geralmente associada a melhores desfechos, como redução da ventilação mecânica, do tempo de UTI e da duração da hospitalização.^30
,
31 A literatura indica que a extubação precoce, quando realizada em pacientes devidamente selecionados, pode diminuir o risco de infecções pulmonares e promover uma recuperação pós-cirúrgica mais rápida, o que pode contribuir para uma menor taxa de readmissões.

Estudos mostram que um controle glicêmico rigoroso pode reduzir o risco de complicações pós-operatórias e readmissões hospitalares, especialmente em pacientes diabéticos. Em nosso estudo, observamos que os pacientes readmitidos apresentaram níveis glicêmicos mais elevados em comparação com os não readmitidos. A hiperglicemia no período perioperatório está associada a piores desfechos, incluindo aumento de complicações infecciosas, atraso na cicatrização e maior mortalidade. Esses achados estão alinhados com a literatura, que destaca a importância de manter um controle glicêmico adequado durante o período intraoperatório, independentemente de o paciente ser diabético ou não.^32
,
33

Os pacientes readmitidos a longo prazo apresentaram características hospitalares associadas a piores desfechos, como insuficiência renal, maior taxa de reoperações por sangramento e infecção profunda/mediastinite. Esses achados indicam que complicações pós-operatórias, associadas a maior tempo de internação hospitalar e em UTI, estão relacionadas ao aumento das readmissões a longo prazo. A utilização de indicadores para avaliar o desempenho da nossa prática clínica é fundamental para o gerenciamento eficaz das instituições. A readmissão hospitalar não apenas reflete a qualidade do atendimento e a satisfação do paciente, mas também permite monitorar processos que podem levar a reinternações. Tais eventos postergam o retorno do paciente às suas atividades diárias, expõem-no novamente ao ambiente hospitalar, aumentam o risco de complicações e, potencialmente, elevam o risco de morte. Em nossa análise, destacamos a importância desse indicador, observando uma correlação moderada entre readmissão por todas as causas e mortalidade, com um coeficiente Rho de 0,55 (IC 95%: 0,51 a 0,59) ( Figura 4 ). A identificação e o monitoramento desses indicadores são cruciais para o desenvolvimento de estratégias proativas voltadas à melhoria dos resultados assistenciais e à redução de custos.²⁰

Um dos principais desafios deste estudo foi o acompanhamento dos pacientes, que exigiu a realização de ligações telefônicas. O Brasil ainda carece de um sistema único de banco de dados que centralize informações sobre readmissões e óbitos, o que poderia facilitar e fazer avançar a pesquisa nacional. Enquanto não tivermos uma integração eficaz de dados, será difícil obter um seguimento completo e preciso dos pacientes. A ausência de um sistema unificado dificulta a coleta e análise de dados que são essenciais para a melhoria contínua da qualidade dos cuidados e da gestão em saúde.

Acreditamos que a implementação de um banco de dados com seguimento dos pacientes tenha potencial para identificar preditores e guiar intervenções, de forma que o atendimento médico cirúrgico possa melhorar resultados na qualidade de vida dos pacientes.

Limitações do estudo

O presente estudo foi realizado com uma coorte preliminar de um banco de dados multicêntrico no estado de São Paulo. Os seguimentos continuam sendo coletados pelo grupo de estudos até o contato (ou 5ª tentativa) para cada paciente incluído no banco de dados primário. A dificuldade em localizar uma significativa proporção dos pacientes inicialmente incluídos no estudo pode comprometer a precisão e a generalização dos resultados obtidos. Os resultados por instituição podem ter refletido algum nível de impacto na análise devido a heterogeneidade relacionada à experiência das equipes de saúde, materiais disponíveis, metodologias e protocolos institucionais e até mesmo o perfil do paciente atendido por hospital de modo de transmitir um retrato de mundo-real. Portanto é recomendado que cada instituição avalie isoladamente seus dados para validação dos resultados aqui expostos e direcionamento de condutas para melhorias dos resultados. A descrição das complicações até 30 dias após CRM não foram objeto da presente análise, pois trata-se de um estudo com pacientes sobreviventes à cirurgia com o objetivo de compreender quais os preditores pré-operatórios que influenciaram na readmissão hospitalar e desta forma criar estratégias para diminuir este impacto. Esta é uma análise post-hoc, pois o seguimento a longo prazo não foi objetivo de análise principal do banco de dados REPLICCAR II, por isso é possível que esta analise não tenha poder estatístico suficiente para validar a hipótese, por esta razão recomendamos que mais estudos sejam realizados com esta finalidade.

Conclusão

As variáveis pré-operatórias IMC baixo, infarto do miocárdio, diabetes mellitus, insuficiência renal e um STS score elevado se associaram ao aumento do risco de readmissão hospitalar 5 anos após a CRM. Assim mesmo, cirurgia na urgência, IMC baixo e fração de ejeção <30% foram preditores das readmissões por causas cardíacas.

Agradecimentos

O Grupo de Estudos REPLICCAR, Ministério da Saúde, Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) e Secretaria de Estado da Saúde de São Paulo (SES-SP) no âmbito do Programa de Pesquisa em Saúde Unificada Sistema de gestão compartilhada (PPSUS), que permitiu o desenvolvimento deste estudo no âmbito do Processo FAPESP nº 16 /15163-0.

Funding Statement

Financiamento do estudo: Este subestudo do REPLICCAR II não teve qualquer financiamento. Por outro lado, o estudo Registro Paulista de Cirurgia Cardiovascular II (REPLICCAR II) recebeu financiamento da agência de fomento Fundação de Amparo à Pesquisa no Estado de São Paulo (FAPESP) sob processo nº: 16/15163-0 com o projeto intitulado “Ampliação e Aprimoramento do Registro Paulista de Cirurgia Cardiovascular através de parceria com o Registro do Estado de Massachusetts/Harvard University para melhoria da qualidade dos Programas em Cirurgia Cardíaca no Sistema Único de Saúde”.

Footnotes

Vinculação Acadêmica: Não há vinculação deste estudo a programas de pós-graduação.

Aprovação ética e consentimento informado: Este estudo foi aprovado pelo Comitê de Ética do Hospital das Clínicas da Universidade de São Paulo sob o número de protocolo 5.603.742. Todos os procedimentos envolvidos nesse estudo estão de acordo com a Declaração de Helsinki de 1975, atualizada em 2013. O consentimento informado foi obtido de todos os participantes incluídos no estudo.

* Material suplementar: Para informação adicional, por favor, clique aqui .

Financiamento do estudo: Este subestudo do REPLICCAR II não teve qualquer financiamento. Por outro lado, o estudo Registro Paulista de Cirurgia Cardiovascular II (REPLICCAR II) recebeu financiamento da agência de fomento Fundação de Amparo à Pesquisa no Estado de São Paulo (FAPESP) sob processo nº: 16/15163-0 com o projeto intitulado “Ampliação e Aprimoramento do Registro Paulista de Cirurgia Cardiovascular através de parceria com o Registro do Estado de Massachusetts/Harvard University para melhoria da qualidade dos Programas em Cirurgia Cardíaca no Sistema Único de Saúde”.

Fontes de Financiamento: O presente estudo foi financiado por FAPESP - Fundação de Amparo à Pesquisa do Estado de São Paulo.

Referências

1.Mejia OAV, Borgomoni GB, Dallan LRP, Mioto BM, Accorsi TAD, Lima EG, et al. Quality Improvement Program in Latin America Decreases Mortality after Cardiac Surgery: A Before-After Intervention Study. 106931 Int J Surg . 2022;106 doi: 10.1016/j.ijsu.2022.106931. [DOI] [PubMed] [Google Scholar]
2.Mejia OAV, Borgomoni GB, Freitas FL, Furlán LS, Orlandi BMM, Tiveron MG, et al. Data-Driven Coaching to Improve Statewide Outcomes in CABG: Before and after Interventional Study. Int J Surg . 2024;110(5):2535–2544. doi: 10.1097/JS9.0000000000001153. [DOI] [PMC free article] [PubMed] [Google Scholar]
3.Silva RAGE, Borgomoni GB, Freitas FL, Maia ADS, Vale CF, Jr, Pereira EDS, et al. Predictors of 30-Day Hospital Readmission Following CABG in a Multicenter Database: A Cross-Sectional Study. Arq Bras Cardiol . 2024;121(9):e20230768. doi: 10.36660/abc.20230768. [DOI] [PMC free article] [PubMed] [Google Scholar]
4.Hannan EL, Racz MJ, Walford G, Ryan TJ, Isom OW, Bennett E, et al. Predictors of Readmission for Complications of Coronary Artery Bypass Graft Surgery. JAMA . 2003;290(6):773–780. doi: 10.1001/jama.290.6.773. [DOI] [PubMed] [Google Scholar]
5.Shahian DM, He X, O'Brien SM, Grover FL, Jacobs JP, Edwards FH, et al. Development of a Clinical Registry-Based 30-Day Readmission Measure for Coronary Artery Bypass Grafting Surgery. Circulation . 2014;130(5):399–409. doi: 10.1161/CIRCULATIONAHA.113.007541. [DOI] [PubMed] [Google Scholar]
6.Lamy A, Devereaux PJ, Prabhakaran D, Taggart DP, Hu S, Straka Z, et al. Five-Year Outcomes after Off-Pump or On-Pump Coronary-Artery Bypass Grafting. N Engl J Med . 2016;375(24):2359–2368. doi: 10.1056/NEJMoa1601564. [DOI] [PubMed] [Google Scholar]
7.Dimagli A, Gaudino M, An KR, Olaria RP, Soletti GJ, Cancelli G, et al. Five-Year Hospital Readmission after Coronary Artery Bypass Surgery and the Association with Off-Pump Surgery and Sex. J Am Heart Assoc . 2023;12(8):e028063. doi: 10.1161/JAHA.122.028063. [DOI] [PMC free article] [PubMed] [Google Scholar]
8.Brown JR, Parker DM, Stabler ME, Jacobs ML, Jacobs JP, Everett AD, et al. Improving the Prediction of Long-Term Readmission and Mortality Using a Novel Biomarker Panel. J Card Surg . 2021;36(11):4213–4223. doi: 10.1111/jocs.15954. [DOI] [PMC free article] [PubMed] [Google Scholar]
9.Mejia OAV, Borgomoni GB, Zubelli JP, Dallan LRP, Pomerantzeff PMA, Oliveira MAP, et al. Validation and Quality Measurements for STS, EuroSCORE II and a Regional Risk Model in Brazilian Patients. PLoS One . 2020;15(9):e0238737. doi: 10.1371/journal.pone.0238737. [DOI] [PMC free article] [PubMed] [Google Scholar]
10.White CJ. Transitioning from Volume to Value in Cardiovascular Care. JACC Cardiovasc Interv . 2021;14(24):2738–2743. doi: 10.1016/j.jcin.2021.08.057. [DOI] [PubMed] [Google Scholar]
11.Society of Thoracic Surgeons . STS Adult Cardiac Surgery Database Data Specifications STS Adult Cardiac Surgery Database . Chicago: Society of Thoracic Surgeons; 2020. [cited 2024 Sep 3]. https://www.sts.org/sites/default/files/documents/ACSD_DataSpecificationsV2_9.pdf Version: 2.9. Internet. [Google Scholar]
12.Agha R, Abdall-Razak A, Crossley E, Dowlut N, Iosifidis C, Mathew G, et al. STROCSS 2019 Guideline: Strengthening the Reporting of Cohort Studies in Surgery. Int J Surg . 2019;72:156–165. doi: 10.1016/j.ijsu.2019.11.002. [DOI] [PubMed] [Google Scholar]
13.R Core Team . R: The R Project for Statistical Computing . Vienna: R Core Team; 2021. [cited 2024 Sep 3]. https://www.r-project.org Internet. [Google Scholar]
14.Mejía OA, Lisboa LA, Jatene FB. Continuous Quality Improvement Programme in Cardiovascular Surgery: The Latin American Perspective. Eur J Cardiothorac Surg . 2016;50(1):4–5. doi: 10.1093/ejcts/ezw087. [DOI] [PubMed] [Google Scholar]
15.Mejia OAV, Lisboa LAF, Caneo LF, Arita ET, Brandão CMA, Dias RR, et al. Analysis of >100,000 Cardiovascular Surgeries Performed at the Heart Institute and a New Era of Outcomes. Arq Bras Cardiol . 2020;114(4):603–12. doi: 10.36660/abc.20190736. [DOI] [PubMed] [Google Scholar]
16.Trooboff SW, Magnus PC, Ross CS, Chaisson K, Kramer RS, Helm RE, et al. A Multi-Center Analysis of Readmission after Cardiac Surgery: Experience of The Northern New England Cardiovascular Disease Study Group. J Card Surg . 2019;34(8):655–662. doi: 10.1111/jocs.14086. [DOI] [PubMed] [Google Scholar]
17.Feng TR, White RS, Gaber-Baylis LK, Turnbull ZA, Rong LQ. Coronary Artery Bypass Graft Readmission Rates and Risk Factors - A Retrospective Cohort Study. Int J Surg . 2018;54(Pt A):7–17. doi: 10.1016/j.ijsu.2018.04.022. [DOI] [PubMed] [Google Scholar]
18.Mejia OAV, Jatene FB. From Volume to Value Creation in Cardiac Surgery: What is Needed to Get off the Ground in Brazil? Arq Bras Cardiol . 2023;120(2):doi.:e20230036. doi: 10.36660/abc.20230036. [DOI] [PMC free article] [PubMed] [Google Scholar]
19.Yakusheva O, Hoffman GJ. Does a Reduction in Readmissions Result in Net Savings for Most Hospitals? An Examination of Medicare's Hospital Readmissions Reduction Program. Med Care Res Rev . 2020;77(4):334–344. doi: 10.1177/1077558718795745. [DOI] [PMC free article] [PubMed] [Google Scholar]
20.Lazar EJ, Fleischut P, Regan BK. Quality Measurement in Healthcare. Annu Rev Med . 2013;64:485–496. doi: 10.1146/annurev-med-061511-135544. [DOI] [PubMed] [Google Scholar]
21.Bianco V, Kilic A, Aranda-Michel E, Gleason TG, Habertheuer A, Wang Y, et al. Thirty-Day Hospital Readmissions Following Cardiac Surgery are Associated with Mortality and Subsequent Readmission. Semin Thorac Cardiovasc Surg . 2021;33(4):1027–1034. doi: 10.1053/j.semtcvs.2020.12.015. [DOI] [PubMed] [Google Scholar]
22.Lacava L, Freitas FL, Borgomoni GB, Silva PGMBE, Nakazone MA, Campagnucci VP, et al. More Hospital Complications in Women after Cabg Even for Reduced Surgical Times: Call to Action for Equity in Quality Improvement. Arq Bras Cardiol . 2024;121(8):e20240012. doi: 10.36660/abc.20240012. [DOI] [PMC free article] [PubMed] [Google Scholar]
23.van Venrooij LM, de Vos R, Borgmeijer-Hoelen MM, Haaring C, de Mol BA. Preoperative Unintended Weight Loss and Low Body Mass Index in Relation to Complications and Length of Stay after Cardiac Surgery. Am J Clin Nutr . 2008;87(6):1656–1661. doi: 10.1093/ajcn/87.6.1656. [DOI] [PubMed] [Google Scholar]
24.Golla MSG, Hajouli S, Ludhwani D. Heart Failure and Ejection Fraction . Treasure Island: StatPearls Publishing; 2024. [PubMed] [Google Scholar]
25.Albuquerque DC, Souza JD, Neto, Bacal F, Rohde LE, Bernardez-Pereira S, Berwanger O, et al. I Brazilian Registry of Heart Failure - Clinical Aspects, Care Quality and Hospitalization Outcomes. Arq Bras Cardiol . 2015;104(6):433–442. doi: 10.5935/abc.20150031. [DOI] [PMC free article] [PubMed] [Google Scholar]
26.Sarteschi C, Souza WV, Medeiros C, Oliveira PSR, Martins SM, Cesse EÂP. Predictors of Post-Discharge 30-Day Hospital Readmission in Decompensated Heart Failure Patients. Int J Cardiovasc Sci . 2020;33(2):175–184. [Google Scholar]
27.Fonseca VBP, Lorenzo A, Tura BR, Pittella FJM, Rocha ASC. Mortality and Morbidity of Patients on the Waiting List for Coronary Artery Bypass Graft Surgery. Interact Cardiovasc Thorac Surg . 2018;26(1):34–40. doi: 10.1093/icvts/ivx276. [DOI] [PubMed] [Google Scholar]
28.Cleveland JC, Jr, Shroyer AL, Chen AY, Peterson E, Grover FL. Off-Pump Coronary Artery Bypass Grafting Decreases Risk-Adjusted Mortality and Morbidity. Ann Thorac Surg . 2001;72(4):1282–1288. doi: 10.1016/s0003-4975(01)03006-5. [DOI] [PubMed] [Google Scholar]
29.Borgomoni GB, Mejia OAV, Orlandi BMM, Goncharov M, Lisboa LAF, Conte PH, et al. Current Impact of Cardiopulmonary Bypass in Coronary Artery Bypass Grafting in São Paulo State. Arq Bras Cardiol . 2020;115(4):595–601. doi: 10.36660/abc.20190145. [DOI] [PMC free article] [PubMed] [Google Scholar]
30.Silva RAG, Borgomoni GB, Maia ADS, Juniora CFV, Pereira EDS, Silvestre LGI, et al. Extubation in the Operating Room after Coronary Artery Bypass Graft Surgery Reduces Hospital Stay. J Cardiothorac Vasc Anesth . 2023;37(10):1938–1945. doi: 10.1053/j.jvca.2023.06.020. [DOI] [PubMed] [Google Scholar]
31.Cove ME, Ying C, Taculod JM, Oon SE, Oh P, Kollengode R, et al. Multidisciplinary Extubation Protocol in Cardiac Surgical Patients Reduces Ventilation Time and Length of Stay in the Intensive Care Unit. Ann Thorac Surg . 2016;102(1):28–34. doi: 10.1016/j.athoracsur.2016.02.071. [DOI] [PubMed] [Google Scholar]
32.Li X, Hou X, Zhang H, Qian X, Feng X, Shi N, et al. Association between Stress Hyperglycaemia and in-Hospital Cardiac Events after Coronary Artery Bypass Grafting in Patients Without Diabetes: A Retrospective Observational Study of 5450 Patients. Diabetes Obes Metab . 2023;25(Suppl 1):34–42. doi: 10.1111/dom.15013. [DOI] [PubMed] [Google Scholar]
33.Nyström T, Holzmann MJ, Eliasson B, Kuhl J, Sartipy U. Glycemic Control in Type 1 Diabetes and Long-Term Risk of Cardiovascular Events or Death after Coronary Artery Bypass Grafting. J Am Coll Cardiol . 2015;66(5):535–543. doi: 10.1016/j.jacc.2015.05.054. [DOI] [PubMed] [Google Scholar]

Arq Bras Cardiol. 2025 Mar 6;122(2):e20240420. [Article in English] doi: 10.36660/abc.20240420i

Preoperative Predictors of Hospital Readmission within 5 Years Following CABG: Cohort Analysis of the REPLICCAR II Database

¹Brazil, Hospital Santa Rita de Cássia, Vitoria, ES – Brazil

²Brazil, Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, São Paulo, SP – Brazil

³Brazil, Hospital Samaritano Paulista, São Paulo, SP – Brazil

⁴Brazil, Faculdade de Medicina de São José do Rio Preto, São José do Rio Preto, SP – Brazil

⁵Brazil, Irmandade da Santa Casa de Misericórdia de Marília, Marilia, SP – Brazil

⁶Brazil, Faculdade de Ciências Médicas da Santa Casa de São Paulo, São Paulo, SP – Brazil

^{Mailing Address}

: Fabiane Letícia de Freitas • Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo – Av. Doutor Enéas de Carvalho Aguiar, 44. Postal Code 05403-900, São Paulo, SP – Brazil E-mail: fabianeleticiaa@gmail.com, fabiane.freitas@fm.usp.br

Potential Conflict of Interest: No potential conflict of interest relevant to this article was reported.

Editor responsible for the review: Alexandre Colafranceschi

Roles

Carlos Alberto Sancio Junior: Conception and design of the research, Analysis and interpretation of the data and Writing of the manuscript, Critical revision of the manuscript for content

Fabiane Letícia de Freitas: Conception and design of the research, Analysis and interpretation of the data and Writing of the manuscript, Acquisition of data, Statistical analysis

Gabrielle Barbosa Borgomoni: Conception and design of the research, Analysis and interpretation of the data and Writing of the manuscript, Acquisition of data

Daniella de Lima Pes: Acquisition of data

Pedro Horigoshi Reis: Acquisition of data, Critical revision of the manuscript for content

Pedro Gabriel Melo de Barros e Silva: Acquisition of data, Critical revision of the manuscript for content

Marcelo Arruda Nakazone: Acquisition of data, Critical revision of the manuscript for content

Marcos Gradim Tiveron: Acquisition of data, Critical revision of the manuscript for content

Valquiria Pelisser Campagnucci: Acquisition of data, Critical revision of the manuscript for content

Luiz Augusto Lisboa: Acquisition of data, Critical revision of the manuscript for content

Luís Alberto Oliveira Dallan: Acquisition of data, Critical revision of the manuscript for content

Fabio Biscegli Jatene: Acquisition of data, Critical revision of the manuscript for content

Omar Asdrúbal Vilca Mejia: Acquisition of data, Critical revision of the manuscript for content

Keywords: Coronary Artery Disease, Myocardial Revascularization, Hospitalization

Abstract

Background

Reducing hospital readmissions following coronary artery bypass grafting (CABG) surgeries is essential to optimizing medium- and long-term patient outcomes.

Objective

To analyze preoperative predictors associated with all-cause and cardiac readmissions within 5 years following CABG.

Methods

We analyzed 1,387 patients who underwent CABG between June 2017 and July 2019 using data from the multicenter REPLICCAR II registry. Follow-up was carried out by telephone interviews using a questionnaire structured in the REDCap platform. Statistical analysis included univariate and multivariate methods, with Cox regression and internal validation through calibration and discrimination tests. A significance level of 5% was applied.

Results

The cumulative incidence of all-cause readmission was 27.69%, with a mean follow-up of 4.3 years and a mean time to readmission of 2.4 years. Multivariate regression analysis indicated the following predictors of higher all-cause readmission risk: lower body mass index (HR=0.97, p=0.032), history of myocardial infarction (HR=1.27, p=0.024), diabetes mellitus (HR=1.35, p=0.004), renal failure (HR=1.62, p=0.004), and higher STS score (HR=1.22, p<0.001). A moderate correlation was observed between readmission and mortality (Rho=0.55).

Conclusions

This analysis demonstrates that lower body mass index, history of myocardial infarction, diabetes mellitus, renal failure, and elevated STS scores are significant predictors of increased hospital readmission risk following CABG.

Introduction

The advancement of coronary artery bypass grafting (CABG) techniques, combined with the implementation of hospital quality improvement programs, has significantly reduced postoperative morbidity and mortality rates^1
,
2However, despite these advancements, hospital readmissions remain a challenge both in the short term^3
-
5and long term^6
-
8Long-term readmission is particularly difficult to define due to limited patient follow-up data.

Recent medical literature has primarily focused on hospital readmissions occurring within shorter periods after cardiac surgery, specifically within 30 or 90 days post-procedure. However, data on long-term readmissions, years after CABG, remain limited. In our setting, these results have yet to be published due to a lack of long-term records, information that is essential for defining cost-effective strategies in CABG.⁹

A subanalysis of the CORONARY trial, which studied the causes of hospital readmission within five years after CABG, identified several factors associated with an increased risk of all-cause readmission, including female sex, advanced age, high body mass index, history of acute myocardial infarction, previous cerebrovascular accident, peripheral arterial disease, active smoking, and diabetes mellitus.⁷

Identifying these risk factors can help in stratifying risk groups for prevention and improving the indication and, especially, the effectiveness of CABG surgeries.¹⁰This is crucial for generating value and reducing costs associated with complications in the healthcare system.¹⁰However, the literature shows significant variability in methodological approaches used, including differing size samples, patient allocation criteria, and outcome definitions for hospital readmission, highlighting the need for more solid evidence on this topic.

It is important to identify the factors contributing to hospital readmissions in the medium and long term to optimize cardiac surgery outcomes and minimize the financial burden on the healthcare system. Thus, the objective of this study was to identify predictors of hospital readmission for both all causes and cardiac causes within five years following CABG.

Methods

This study is based on data from the Paulista Registry of Cardiovascular Surgery II ( Registro Paulista de Cirurgia Cardiovascular II, REPLICCAR II ), a prospective, multicenter study involving five hospitals in the state of São Paulo conducted with patients undergoing CABG surgery.

The REPLICCAR II database includes patients aged ≥18 years who underwent primary, isolated CABG, either electively or urgently. Data collection was conducted in the REDCap platform (http://www.project-redcap.org) specifically designed for this project, ensuring consistency with the variables and definitions from version 2.9 of the Society of Thoracic Surgeons (STS)

collection system.¹¹Patients who died before hospital discharge, were readmitted within 30 days of discharge, or did not undergo isolated CABG were excluded from the analysis. Therefore, this study focuses on readmissions occurring more than 30 days after discharge.

Patient follow-up

Follow-up data were collected between April 2023 and January 2024. Patients (N=384) answered a structured questionnaire assessing quality of life, cardiac symptoms, major cardiac adverse events, and hospital readmissions, as shown in Figure 1 .

Definition of variables

The primary outcome of this study was hospital readmission for all causes, defined as a patient’s return to the hospital within a period of up to five years following CABG.

The secondary outcome was unplanned hospital readmission due to cardiac causes, defined as heart failure, arrhythmias, angina, CABG reoperation, or percutaneous coronary intervention.

Statistical analysis

All analyses were performed using R software, version 4.0.2.¹³The following packages were utilized for this project: survival, car, survminer, psych, gmodels, survivalROC, timeROC, pROC, resource selection, ggplot2, and dplyr.

In the descriptive analysis, continuous variables were expressed exclusively as medians and interquartile range (IQR) due to the asymmetric data distribution. Categorical variables were presented in terms of frequencies and percentages.

For the analysis of categorical independent variables, proportions were compared using the chi-square test or Fisher’s exact test, as appropriate. Data normality was assessed through the Shapiro-Wilk test. For continuous independent variables and the study outcome, the Mann-Whitney test was used to compare means since all variables presented a non-parametric distribution. To identify predictive factors, Cox univariate regression analysis was initially performed on preoperative and intraoperative variables. Variables with p-values <0.05 were subsequently included in the Cox multivariate regression model for further analysis. The findings were presented as hazard ratios (HR) with their respective 95% confidence intervals (95% CI).

To evaluate the multiple regression model, we performed the Schoenfeld residual test, suitable for Cox regression, in addition to the analysis of the Receiver Operating Characteristic (ROC) curve.

The correlation between all-cause hospital readmission and mortality was assessed using Spearman’s correlation. Rho values were interpreted as follows: Rho=0 indicates no correlation; 0 < ∣Rho∣ ≤0.3 indicates weak correlation; 0.3 < ∣Rho∣ ≤0.7 indicates moderate correlation; and ∣Rho∣ >0.7 indicates strong correlation. A significance level of 5% was adopted.

Ethics and consent

This study is a subanalysis of the REPLICCAR II project, approved by the Ethics Committee for the Analysis of Research Projects (CAPPesq) of the Hospital das Clínicas da Universidade de São Paulo (registration number CAAE: 66919417.6.1001.0068; SDC 4506/17/006). For the follow-up phase, an amendment (opinion number 5.603.742) was approved on August 25, 2022. All patients provided consent to participate in the interview.

Results

In the comparison between non-readmitted and readmitted patients for all causes ( Table 1 ), the readmitted group exhibited a slightly lower body mass index (p=0.022). The incidence of previous myocardial infarction (p=0.004) and the prevalence of diabetes mellitus (p=0.002) were significantly higher in this group, with a significantly higher proportion of insulin-dependent patients (p<0.001).

Table 1. – Preoperative characteristics of patients undergoing CABG. REPLICCAR II, São Paulo, Brazil.

Characteristics	Non-readmitted (N=1,003)	Readmitted (N=384)	p-value
Age (years), (median and IQR)	64 (57-70)	64 (59-71)	0.118
Female sex, n (%)	256 (25.52)	107 (27.86)	0.375
Admission status, n (%)
Elective	574 (57.23)	198 (51.56)
Urgency/Emergency	221 (22.03)	105 (27.34)	0.086
Transfer from another hospital	201 (20.04)	81 (21.09)
Other	4 (0.40)	0 (0.00)
Body mass index, kg/m²(median and IQR)	27 (24.50-29.76)	26.57 (24.22-29.38)	0.022
Previous myocardial infarction, n (%)	495 (49.35)	223 (58.07)	0.004
Systemic arterial hypertension, n (%)	880 (87.74)	343 (89.32)	0.413
Pulmonary disease, n (%)
Mild	10 (1.00)	6 (1.56)	0.321
Moderate	4 (0.40)	3 (0.78)
Severe	5 (0.50)	0 (0.00)
Smoking, n (%)
Non-smoker	509 (50.75)	185 (48.16)	0.549
Active smoker	146 (14.56)	64 (16.67)
Ex-smoker	348 (34.70)	135 (35.16)
Diabetes mellitus (n, %)	484 (48.26)	221 (57.55)	0.002
Insulin-dependent	114 (11.37)	71 (18.49)	< 0.001
Cerebrovascular disease, n (%)	79 (7.88)	52 (13.54)	0.001
Renal failure, n (%)
Chronic	42 (4.19)	40 (10.42)	<0.001
Acute	7 (0.70)	3 (0.78)
Creatinine, mg/dL (median and IQR)	1.07 (0.93-1.37)	1.16 (0.90-1.23)	< 0.001
Previous angioplasty, n (%)	134 (13.36)	63 (16.41)	0.145
Ejection fraction (<30%), n (%)	11 (1.10)	10 (2.60)	0.039
CCS, n (%)
IV	89 (8.87)	40 (10.42)	0.376
NYHA, n (%)
I and II	891 (88.83)	316	0.006
III and IV	112 (11.17)	68
STS mortality score (median and IQR)	0.81 (0.43-0.97)	1.05	<0.001

Open in a new tab

CCS: Canadian Cardiovascular Society angina grading; IQR: interquartile range; NYHA: New York Heart Association functional classification; STS: Society of Thoracic Surgeons. Cerebrovascular disease: stroke, transient ischemic attack, or carotid stenosis ≥50%; renal failure: creatinine clearance <60 mL/min/1.73 m².

The readmitted group also had a higher frequency of cerebrovascular disease (p=0.001) and renal failure (p<0.001), along with elevated creatinine levels (p<0.001). Cardiac function analysis revealed that an ejection fraction below 30% was more common in the readmitted group (p=0.039).

In terms of functional status, New York Heart Association (NYHA) classifications III and IV were more prevalent in the readmitted group (p=0.006), suggesting a greater heart failure severity. Finally, the STS score for mortality was significantly higher in the readmitted group (p<0.001).

Significant differences were observed between non-readmitted and readmitted patients regarding the use of cardiopulmonary bypass (CPB) and extubation in the operating room (p=0.028 and 0.040, respectively). Furthermore, blood glucose levels were significantly higher (p<0.001) in the readmitted patients, as shown in Table 2 .

Table 2. – Intraoperative characteristics of patients undergoing CABG. REPLICCAR II, São Paulo, Brazil.

Characteristics	Non-readmitted (N=1,003)	Readmitted (N=384)	p-value
CPB use, n (%)	901 (89.93)	328 (85.42)	0.028
CPB time (min), (median and IQR)	75 (59.00-95.25)	75 (56-100)	0.998
Aortic clamping time (min), (median and IQR)	57 (43-75)	59 (41-79)	0.516
Use of bilateral thoracic artery, n (%)	135 (13.46)	45 (11.72)	0.388
Use of left internal thoracic artery, n (%)	966 (96.31)	361 (94.01)	0.059
Pedicled	629 (65.11)	243 (67.31)	0.128
Skeletonized	337 (34.89)	118 (32.69)	0.128
Use of right internal thoracic artery, n (%)	145 (14.46)	51 (13.28)	0.573
Pedicled	75 (51.72)	27 (52.94)	0.844
Skeletonized	70 (48.28)	24 (47.06)	0.844
Use of radial artery, n (%)	46 (4.59)	18 (4.69)	0.935
Duration of surgery (h), (median and IQR)	4.50 (3.42-6.00)	4.67 (3.50-6.08)	0.314
Packed red blood cell transfusion, n (%)	8 (0.80)	3 (0.78)	0.970
Extubation in operating room, n (%)	48 (4.79)	9 (2.34)	0.040
Higher blood glucose (median and IQR)	174 (47.17-93.08)	177 (50.50-115.25)	< 0.001

Open in a new tab

CPB: cardiopulmonary bypass; IQR: interquartile range.

As shown in Table 3 , readmitted patients had a higher incidence of renal failure (p<0.001), an increased rate of reoperation for bleeding (p=0.009), and longer durations of orotracheal intubation (p=0.001). Prolonged ventilation exceeding 24 hours (p<0.001) and surgical wound infection (p=0.013) were also more common in this group. Additionally, readmitted patients experienced longer hospital stays (p<0.001) and intensive care unit (ICU) stays (p<0.001), including hospitalizations exceeding 14 days (p<0.001), highlighting the complexities of postoperative management in these cases.

Table 3. – Postoperative outcomes and evolution of patients undergoing CABG. REPLICCAR II, São Paulo, Brazil.

Characteristics	Non-readmitted (N=1,003)	Readmitted (N=384)	p-value
Cerebrovascular accident, n (%)	13 (1.30)	5 (1.30)	0.992
Renal failure, n (%)	45 (4.49)	46 (11.98)	< 0.001
Reoperation for bleeding, n (%)	2 (0.20)	5 (1.30)	0.009
Atrial fibrillation, n (%)	143 (14.26)	68 (17.71)	0.109
Orotracheal intubation time (h), (median and IQR)	7.78 (5.33-11.01)	8.5 (6.04-12.23)	0.001
Prolonged ventilation (>24 h), n (%)	25 (2.49)	24 (6.25)	< 0.001
Surgical wound infection (≤30 days), n (%)	22 (2.19)	18 (4.69)	0.013
Prolonged hospital stay (>14 days), n (%)	222 (22.13)	119 (30.99)	< 0.001
Short hospital stay (<6 days), n (%)	52 (5.18)	13 (3.39)	0.156
Length of ICU stay (hours), (median and IQR)	68.12 (47.17-93.08)	73.17 (50.50-115.25)	< 0.001
Total length of hospital stay (days) (median and IQR)	7.00 (6.00-8.00)	7.00 (6.00-10.00)	< 0.001
30-day post-procedure mortality, n (%)	0 (0.00)	5 (1.30)	0.002

Open in a new tab

ICU: intensive care unit; IQR: interquartile range.

To identify factors associated with all-cause readmission, univariate regression was used to determine variables correlated with the event ( Supplementary Table 1^{(175.7KB, pdf)} ). These variables were subsequently included in a multivariate regression to create a multiple model ( Table 4 ).

Table 4. – Multivariate Cox regression model: association between patient characteristics and all-cause readmission (adjusted for patient characteristics). REPLICCAR II, São Paulo, Brazil.

Characteristics	HR	95% CI	p-value
Admission status
Urgency	1.11	0.99 - 1.24	0.070
Body mass index, kg/m²	0.97	0.94 - 0.99	0.029
Previous myocardial infarction	1.27	1.03 - 1.56	0.024
Diabetes mellitus	1.35	1.10 - 1.66	0.004
Renal failure*	1.62	1.16 - 2.25	0.004
Ejection fraction (<30%)	1.32	0.70 - 2.50	0.394
NYHA
III and IV	1.28	0.97 - 1.67	0.077
STS score (mortality)	1.22	1.09 - 1.36	< 0.001

Open in a new tab

95% CI: 95% confidence interval; HR: hazard ratio; NYHA: New York Heart Association functional classification; STS: Society of Thoracic Surgeons. * Creatinine clearance <60 mL/min/1.73 m².

To validate the model, the Schoenfeld residuals test was performed, and the results showed no significant evidence of proportional hazard assumption violations, indicating proper model calibration (p=0.192). Furthermore, the ROC curve (AUC 0.80, 95% CI 0.76-0.84) demonstrated that the multiple model is accurate in predicting all-cause readmission within 5 years after CABG ( Figure 2 and central figure ).

To identify factors associated with all-cause readmission, univariate regression was used to determine variables correlated with the event ( Supplementary Table 2^{(175.7KB, pdf)} ). These variables were then incorporated into a multivariate regression analysis to create a multiple model ( Table 5 ).

Table 5. – Multivariate Cox regression model: association between patient characteristics and all-cause readmission (adjusted for patient characteristics). REPLICCAR II, São Paulo, Brazil.

Characteristics	HR	95% CI	p-value
Admission status
Urgency	1,22	1,02 - 1,46	0,026
Body mass index, kg/m²	0,94	0,90 - 0,98	0,005
Ejection fraction (<30%)	3,15	1,47 - 6,76	0,003

Open in a new tab

95% CI: 95% confidence interval; HR: hazard ratio.

To validate the model, the Schoenfeld residuals test was performed, and the results showed no significant evidence of proportional hazard assumption violations, indicating proper model calibration (p=0.192). In addition, the ROC curve (AUC 0.76, 95% CI 0.73-0.79) ( Figure 3 ) demonstrated that the multiple model is accurate to predict cardiac-related readmission within 5 years after CABG.

The mean follow-up time for patients was 4.3 years (25^thand 75^thpercentiles: 3.5-5.0). The cumulative incidence of all-cause readmission was 27.69% (95% CI 0.25-0.30), as shown in Figure 4-A . The mean time to all-cause readmission was 2.4 years (25^thand 75^thpercentiles: 1.0-3.6). For cardiac-related readmissions, the cumulative incidence was 10.67%. Regarding readmission due to cardiac causes ( Figure 4-B ), the mean time was 2.33 years (25^thand 75^thpercentiles: 0.75-3.69).

Among patients who were not readmitted, only 15 (1.50%) died. In contrast, 154 (40.10%) of readmitted patients died. A moderate correlation was observed between all-cause hospital readmission and mortality, with a Rho coefficient of 0.55 (95% CI 0.51-0.59).

Discussion

This analysis of medium- and long-term follow-up in patients undergoing CABG in the state of São Paulo, based on multicenter data, revealed that the cumulative incidence of cardiac-related readmission was 10.67%, while all-cause readmission was 27.69%. The latter was found to be correlated with mortality, consistent with current literature.⁷

Among the identified predictors, urgent surgical status, reduced body mass index (BMI), and left ventricular ejection fraction (LVEF) <30% were significant for both outcomes evaluated, highlighting the complexity of patients in this cohort.

Although mortality rates in cardiac surgery have significantly declined due to advancements in surgical techniques, equipment, care management, databases, and others,^2
,
14
,
15attention has increasingly shifted toward non-mortality outcomes, particularly in discussions about patient quality and safety. However, such data remain scarce and fragmented in low- and middle-income countries, especially regarding long-term follow-up. Most analyses focus on the first 30 to 90 days after discharge, with reported readmission rates ranging from 8.3 and 21.1%, reflecting substantial variability across studies.^4
,
16
,
17

The lack of large, well-structured health databases for long-term follow-up in developing countries not only limits the ability to conduct robust research and develop data-driven strategies but also compromises the follow-up of patients undergoing CABG. Without a detailed record, with periodic updates, medical histories of diagnoses, and interventions, health professionals, hospital administrators, and public health officials face obstacles in tracking patient progress, identifying postoperative complications, adapting care plans, and ensuring optimal patient outcomes. Implementing user-friendly and robust data systems is essential for fostering a data-driven culture, improving healthcare delivery, and enabling faster disease identification, optimal treatment selection, and effective monitoring of outcomes.¹⁸Hospital readmissions, for example, represent an outcome linked to poorer prognosis and increased healthcare costs.^19
,
20

In our analysis, 40.10% of patients who required at least one readmission after hospital discharge following CABG progressed to death. Similarly, Bianco et al.²¹evaluated the long-term impacts of readmission within 30 days after surgery (N=14,538), demonstrating that readmission was significantly associated with mortality both at short (6 months) and long follow-up (60 months). It also emerged as an independent predictor of subsequent readmissions. Further studies are needed to assess the quality of life in patients who require new hospitalizations after cardiac procedures. This assessment should consider not only clinical factors but also psychosocial aspects, allowing hospitals to develop appropriate follow-up tools and strategies to reduce readmission rates.

In this context, the creation of predictive models and risk scores emerges as a powerful tool to support medical and multiprofessional decision-making, with the potential to reduce the risk of readmission significantly. The factors associated with readmission through multivariate regression reflect the complexity of preoperative patient conditions, providing opportunities for improvement. These findings align with prior literature,⁶including the CORONARY trial,⁶which evaluated 4,623 patients with long-term follow-up. The trial highlighted the substantial rates of all-cause and cardiac-related readmissions within five years post-CABG and revealed a strong correlation between readmission and long-term mortality. The study also showed that women had a significantly higher risk of readmission, with a strong correlation between readmission and long-term mortality, showing significant gender differences in prognosis after the procedure. In contrast, our study did not find sex to be significantly associated with any of the outcomes evaluated; however, we observed a moderate correlation between all-cause readmission and mortality. More studies need to be carried out to explore the impact of sex in the progression and prognosis of patients undergoing CABG.²²

In our analysis, low BMI was a predictor of long-term hospital readmission. Malnutrition, closely correlated with readmission, may reflect delays in performing cardiac surgery due to the considerable surgical queue in the public health system. These delays often occur without adequate multidisciplinary follow-up or structured prehabilitation programs. Additionally, it may be associated with weight loss during pre-surgical hospitalization, as sarcopenia is well-documented to correlate with poorer clinical outcomes.²³This finding underscores the importance of nutritional assessment and management of the patient’s weight at the time of surgical indication, preparing them for surgery based on personalized and preventive care management as strategies to optimize the patient’s clinical status at the time of surgery, promoting a more efficient recovery and with the potential to minimize the risk of readmission.

Heart failure is widely recognized as a condition associated with multiple hospitalizations and worsening morbidity and mortality rates.^24
-
26The identification of LVEF <30% as a predictor of hospital readmission is reasonable and can be explained by delays in diagnosing cardiovascular disease or prolonged waiting periods for surgical treatment, which is often performed under urgent circumstances.²⁷An LVEF <30% contributes to the deterioration of a patient’s clinical condition, leading to decompensations that require additional hospitalizations.

The use of CPB was less common among readmitted patients.

Studies suggest that CPB may increase the risk of complications due to the systemic inflammatory response and mechanical trauma associated with the procedure.²⁸However, since this study was not randomized, it is possible that patients who did not undergo CPB had a more severe clinical profile, such as porcelain aorta or other unmeasured risk factors, which could have influenced the different complication profiles observed. Although the literature suggests that off-pump surgeries can reduce immediate postoperative complications, there is still no consensus on the long-term impact.²⁹

Extubation in the operating room was less common among readmitted patients. This practice is generally associated with better outcomes, such as reduced mechanical ventilation, ICU time, and length of hospital stay.^30
,
31The literature indicates that early extubation when performed in carefully selected patients, may decrease the risk of pulmonary infections and promote faster postoperative recovery, which may contribute to a reduced rate of readmissions.

Studies have shown that tight glycemic control can reduce the risk of postoperative complications and hospital readmissions, especially in diabetic patients. In our study, readmitted patients had higher glycemic levels compared to non-readmitted patients. Perioperative hyperglycemia is associated with worse outcomes, including increased infectious complications, delayed wound healing, and higher mortality. These findings align with the literature, which highlights the importance of maintaining adequate glycemic control during the intraoperative period, regardless of whether the patient has diabetes.^32
,
33

Long-term readmitted patients exhibited hospital characteristics associated with worse outcomes, such as renal failure, higher rate of reoperations for bleeding, and deep sternal wound infection/mediastinitis. These findings indicate that postoperative complications associated with longer hospital and ICU stays are related to an increased risk of long-term readmissions. The use of performance indicators to evaluate clinical practice is fundamental for effective hospital management. Hospital readmission not only reflects the quality of care and patient satisfaction but also allows monitoring processes that can lead to readmissions. Such events postpone the patient’s return to daily activities, expose them again to additional hospital risks, and potentially increase the risk of complications and death. In our analysis, we highlighted the importance of this indicator, observing a moderate correlation between all-cause readmission and mortality, with a Rho coefficient of 0.55 (95% CI 0.51-0.59) ( Figure 4 ). Identifying and monitoring these indicators is crucial for the development of proactive strategies aimed at improving care outcomes and reducing costs.²⁰

One of the main challenges of this study was the follow-up of patients, which required telephone calls. Brazil still lacks a single database system that centralizes information on readmissions and deaths, which could facilitate and advance national research efforts. Without effective data integration, achieving comprehensive and accurate patient follow-up remains a challenge. The absence of a centralized database complicates data collection and analysis, both of which are essential for the continuous improvement of healthcare quality and management.

We believe that implementing a robust patient follow-up database has the potential to identify predictors and guide interventions, improving surgical and medical care outcomes and enhancing patients’ quality of life.

Study limitations

This study was conducted with a preliminary cohort from a multicenter database in the state of São Paulo. Follow-up efforts are ongoing, with the study group attempting contact (up to five attempts) for each patient included in the primary database. However, the difficulty in locating a significant proportion of the patients included initially in the study may compromise the accuracy and generalization of the results obtained. Institutional-specific results may have influenced the analysis due to heterogeneity in health team expertise, available resources, institutional methodologies, protocols, and patient profiles. Therefore, it is recommended that each institution evaluate its own data independently to validate the results presented here and guide strategies for improving outcomes.

This analysis did not focus on complications occurring within the first 30 days after CABG, as the study aimed to examine long-term outcomes among surgery survivors to identify preoperative predictors of hospital readmission and develop strategies to reduce this impact. This is a post-hoc analysis, as long-term follow-up was not the main objective of the REPLICCAR II database. As such, the statistical power of this analysis may be insufficient to validate the hypotheses presented fully. Further studies are recommended to confirm these findings.

Conclusion

The preoperative variables, low BMI, history of myocardial infarction, diabetes mellitus, renal failure, and a high STS score were associated with an increased risk of hospital readmission within 5 years after CABG. Likewise, emergency surgery, low BMI, and an ejection fraction <30% were predictors of readmissions due to cardiac causes.

Acknowledgements

We want to acknowledge the REPLICCAR Study Group, the Brazilian Ministry of Health, the National Council for Scientific and Technological Development (CNPq), the São Paulo Research Foundation (FAPESP), and the São Paulo State Department of Health (SES-SP) under the Research Program for the Unified Health System (PPSUS). Their support allowed the development of this study under FAPESP Process No. 16/15163-0.

Footnotes

Study Association: This study is not associated with any thesis or dissertation work.

Ethics approval and consent to participate: This study was approved by the Ethics Committee of the Hospital das Clínicas da Universidade de São Paulo under the protocol number 5.603.742. All the procedures in this study were in accordance with the 1975 Helsinki Declaration, updated in 2013. Informed consent was obtained from all participants included in the study.

* Supplemental Materials: For additional information, please click here .

Study funding: This REPLICCAR II sub-study did not obtain any specific funding. However, the broader study, Paulista Registry of Cardiovascular Surgery II (REPLICCAR II), received funding from the São Paulo Research Foundation (FAPESP) under process number 16/15163-0. The project, titled “Expansion and Improvement of the Paulista Registry of Cardiovascular Surgery through a partnership with the Massachusetts State Registry/Harvard University to improve the quality of Cardiac Surgery Programs in the Unified Health System”, provided support for the development of the main registry.

Sources of Funding: This study was funded by FAPESP - Fundação de Amparo à Pesquisa do Estado de São Paulo.

[B1] 1.Mejia OAV, Borgomoni GB, Dallan LRP, Mioto BM, Accorsi TAD, Lima EG, et al. Quality Improvement Program in Latin America Decreases Mortality after Cardiac Surgery: A Before-After Intervention Study. 106931 Int J Surg . 2022;106 doi: 10.1016/j.ijsu.2022.106931. [DOI] [PubMed] [Google Scholar]

[B2] 2.Mejia OAV, Borgomoni GB, Freitas FL, Furlán LS, Orlandi BMM, Tiveron MG, et al. Data-Driven Coaching to Improve Statewide Outcomes in CABG: Before and after Interventional Study. Int J Surg . 2024;110(5):2535–2544. doi: 10.1097/JS9.0000000000001153. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B3] 3.Silva RAGE, Borgomoni GB, Freitas FL, Maia ADS, Vale CF, Jr, Pereira EDS, et al. Predictors of 30-Day Hospital Readmission Following CABG in a Multicenter Database: A Cross-Sectional Study. Arq Bras Cardiol . 2024;121(9):e20230768. doi: 10.36660/abc.20230768. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B4] 4.Hannan EL, Racz MJ, Walford G, Ryan TJ, Isom OW, Bennett E, et al. Predictors of Readmission for Complications of Coronary Artery Bypass Graft Surgery. JAMA . 2003;290(6):773–780. doi: 10.1001/jama.290.6.773. [DOI] [PubMed] [Google Scholar]

[B5] 5.Shahian DM, He X, O'Brien SM, Grover FL, Jacobs JP, Edwards FH, et al. Development of a Clinical Registry-Based 30-Day Readmission Measure for Coronary Artery Bypass Grafting Surgery. Circulation . 2014;130(5):399–409. doi: 10.1161/CIRCULATIONAHA.113.007541. [DOI] [PubMed] [Google Scholar]

[B6] 6.Lamy A, Devereaux PJ, Prabhakaran D, Taggart DP, Hu S, Straka Z, et al. Five-Year Outcomes after Off-Pump or On-Pump Coronary-Artery Bypass Grafting. N Engl J Med . 2016;375(24):2359–2368. doi: 10.1056/NEJMoa1601564. [DOI] [PubMed] [Google Scholar]

[B7] 7.Dimagli A, Gaudino M, An KR, Olaria RP, Soletti GJ, Cancelli G, et al. Five-Year Hospital Readmission after Coronary Artery Bypass Surgery and the Association with Off-Pump Surgery and Sex. J Am Heart Assoc . 2023;12(8):e028063. doi: 10.1161/JAHA.122.028063. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B8] 8.Brown JR, Parker DM, Stabler ME, Jacobs ML, Jacobs JP, Everett AD, et al. Improving the Prediction of Long-Term Readmission and Mortality Using a Novel Biomarker Panel. J Card Surg . 2021;36(11):4213–4223. doi: 10.1111/jocs.15954. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B9] 9.Mejia OAV, Borgomoni GB, Zubelli JP, Dallan LRP, Pomerantzeff PMA, Oliveira MAP, et al. Validation and Quality Measurements for STS, EuroSCORE II and a Regional Risk Model in Brazilian Patients. PLoS One . 2020;15(9):e0238737. doi: 10.1371/journal.pone.0238737. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B10] 10.White CJ. Transitioning from Volume to Value in Cardiovascular Care. JACC Cardiovasc Interv . 2021;14(24):2738–2743. doi: 10.1016/j.jcin.2021.08.057. [DOI] [PubMed] [Google Scholar]

[B11] 11.Society of Thoracic Surgeons . STS Adult Cardiac Surgery Database Data Specifications STS Adult Cardiac Surgery Database . Chicago: Society of Thoracic Surgeons; 2020. [cited 2024 Sep 3]. https://www.sts.org/sites/default/files/documents/ACSD_DataSpecificationsV2_9.pdf Version: 2.9. Internet. [Google Scholar]

[B12] 12.Agha R, Abdall-Razak A, Crossley E, Dowlut N, Iosifidis C, Mathew G, et al. STROCSS 2019 Guideline: Strengthening the Reporting of Cohort Studies in Surgery. Int J Surg . 2019;72:156–165. doi: 10.1016/j.ijsu.2019.11.002. [DOI] [PubMed] [Google Scholar]

[B13] 13.R Core Team . R: The R Project for Statistical Computing . Vienna: R Core Team; 2021. [cited 2024 Sep 3]. https://www.r-project.org Internet. [Google Scholar]

[B14] 14.Mejía OA, Lisboa LA, Jatene FB. Continuous Quality Improvement Programme in Cardiovascular Surgery: The Latin American Perspective. Eur J Cardiothorac Surg . 2016;50(1):4–5. doi: 10.1093/ejcts/ezw087. [DOI] [PubMed] [Google Scholar]

[B15] 15.Mejia OAV, Lisboa LAF, Caneo LF, Arita ET, Brandão CMA, Dias RR, et al. Analysis of >100,000 Cardiovascular Surgeries Performed at the Heart Institute and a New Era of Outcomes. Arq Bras Cardiol . 2020;114(4):603–12. doi: 10.36660/abc.20190736. [DOI] [PubMed] [Google Scholar]

[B16] 16.Trooboff SW, Magnus PC, Ross CS, Chaisson K, Kramer RS, Helm RE, et al. A Multi-Center Analysis of Readmission after Cardiac Surgery: Experience of The Northern New England Cardiovascular Disease Study Group. J Card Surg . 2019;34(8):655–662. doi: 10.1111/jocs.14086. [DOI] [PubMed] [Google Scholar]

[B17] 17.Feng TR, White RS, Gaber-Baylis LK, Turnbull ZA, Rong LQ. Coronary Artery Bypass Graft Readmission Rates and Risk Factors - A Retrospective Cohort Study. Int J Surg . 2018;54(Pt A):7–17. doi: 10.1016/j.ijsu.2018.04.022. [DOI] [PubMed] [Google Scholar]

[B18] 18.Mejia OAV, Jatene FB. From Volume to Value Creation in Cardiac Surgery: What is Needed to Get off the Ground in Brazil? Arq Bras Cardiol . 2023;120(2):doi.:e20230036. doi: 10.36660/abc.20230036. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B19] 19.Yakusheva O, Hoffman GJ. Does a Reduction in Readmissions Result in Net Savings for Most Hospitals? An Examination of Medicare's Hospital Readmissions Reduction Program. Med Care Res Rev . 2020;77(4):334–344. doi: 10.1177/1077558718795745. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B20] 20.Lazar EJ, Fleischut P, Regan BK. Quality Measurement in Healthcare. Annu Rev Med . 2013;64:485–496. doi: 10.1146/annurev-med-061511-135544. [DOI] [PubMed] [Google Scholar]

[B21] 21.Bianco V, Kilic A, Aranda-Michel E, Gleason TG, Habertheuer A, Wang Y, et al. Thirty-Day Hospital Readmissions Following Cardiac Surgery are Associated with Mortality and Subsequent Readmission. Semin Thorac Cardiovasc Surg . 2021;33(4):1027–1034. doi: 10.1053/j.semtcvs.2020.12.015. [DOI] [PubMed] [Google Scholar]

[B22] 22.Lacava L, Freitas FL, Borgomoni GB, Silva PGMBE, Nakazone MA, Campagnucci VP, et al. More Hospital Complications in Women after Cabg Even for Reduced Surgical Times: Call to Action for Equity in Quality Improvement. Arq Bras Cardiol . 2024;121(8):e20240012. doi: 10.36660/abc.20240012. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B23] 23.van Venrooij LM, de Vos R, Borgmeijer-Hoelen MM, Haaring C, de Mol BA. Preoperative Unintended Weight Loss and Low Body Mass Index in Relation to Complications and Length of Stay after Cardiac Surgery. Am J Clin Nutr . 2008;87(6):1656–1661. doi: 10.1093/ajcn/87.6.1656. [DOI] [PubMed] [Google Scholar]

[B24] 24.Golla MSG, Hajouli S, Ludhwani D. Heart Failure and Ejection Fraction . Treasure Island: StatPearls Publishing; 2024. [PubMed] [Google Scholar]

[B25] 25.Albuquerque DC, Souza JD, Neto, Bacal F, Rohde LE, Bernardez-Pereira S, Berwanger O, et al. I Brazilian Registry of Heart Failure - Clinical Aspects, Care Quality and Hospitalization Outcomes. Arq Bras Cardiol . 2015;104(6):433–442. doi: 10.5935/abc.20150031. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B26] 26.Sarteschi C, Souza WV, Medeiros C, Oliveira PSR, Martins SM, Cesse EÂP. Predictors of Post-Discharge 30-Day Hospital Readmission in Decompensated Heart Failure Patients. Int J Cardiovasc Sci . 2020;33(2):175–184. [Google Scholar]

[B27] 27.Fonseca VBP, Lorenzo A, Tura BR, Pittella FJM, Rocha ASC. Mortality and Morbidity of Patients on the Waiting List for Coronary Artery Bypass Graft Surgery. Interact Cardiovasc Thorac Surg . 2018;26(1):34–40. doi: 10.1093/icvts/ivx276. [DOI] [PubMed] [Google Scholar]

[B28] 28.Cleveland JC, Jr, Shroyer AL, Chen AY, Peterson E, Grover FL. Off-Pump Coronary Artery Bypass Grafting Decreases Risk-Adjusted Mortality and Morbidity. Ann Thorac Surg . 2001;72(4):1282–1288. doi: 10.1016/s0003-4975(01)03006-5. [DOI] [PubMed] [Google Scholar]

[B29] 29.Borgomoni GB, Mejia OAV, Orlandi BMM, Goncharov M, Lisboa LAF, Conte PH, et al. Current Impact of Cardiopulmonary Bypass in Coronary Artery Bypass Grafting in São Paulo State. Arq Bras Cardiol . 2020;115(4):595–601. doi: 10.36660/abc.20190145. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B30] 30.Silva RAG, Borgomoni GB, Maia ADS, Juniora CFV, Pereira EDS, Silvestre LGI, et al. Extubation in the Operating Room after Coronary Artery Bypass Graft Surgery Reduces Hospital Stay. J Cardiothorac Vasc Anesth . 2023;37(10):1938–1945. doi: 10.1053/j.jvca.2023.06.020. [DOI] [PubMed] [Google Scholar]

[B31] 31.Cove ME, Ying C, Taculod JM, Oon SE, Oh P, Kollengode R, et al. Multidisciplinary Extubation Protocol in Cardiac Surgical Patients Reduces Ventilation Time and Length of Stay in the Intensive Care Unit. Ann Thorac Surg . 2016;102(1):28–34. doi: 10.1016/j.athoracsur.2016.02.071. [DOI] [PubMed] [Google Scholar]

[B32] 32.Li X, Hou X, Zhang H, Qian X, Feng X, Shi N, et al. Association between Stress Hyperglycaemia and in-Hospital Cardiac Events after Coronary Artery Bypass Grafting in Patients Without Diabetes: A Retrospective Observational Study of 5450 Patients. Diabetes Obes Metab . 2023;25(Suppl 1):34–42. doi: 10.1111/dom.15013. [DOI] [PubMed] [Google Scholar]

[B33] 33.Nyström T, Holzmann MJ, Eliasson B, Kuhl J, Sartipy U. Glycemic Control in Type 1 Diabetes and Long-Term Risk of Cardiovascular Events or Death after Coronary Artery Bypass Grafting. J Am Coll Cardiol . 2015;66(5):535–543. doi: 10.1016/j.jacc.2015.05.054. [DOI] [PubMed] [Google Scholar]

PERMALINK

Preditores Pré-Operatórios de Readmissão Hospitalar em até 5 Anos após CRM: Análise de Coorte do Banco de Dados REPLICCAR II

Carlos Alberto Sancio Junior

Fabiane Letícia de Freitas

Gabrielle Barbosa Borgomoni

Daniella de Lima Pes

Pedro Horigoshi Reis

Pedro Gabriel Melo de Barros e Silva

Marcelo Arruda Nakazone

Marcos Gradim Tiveron

Valquiria Pelisser Campagnucci

Luiz Augusto Lisboa

Luís Alberto Oliveira Dallan

Fabio Biscegli Jatene

Omar Asdrúbal Vilca Mejia

Roles

Resumo

Fundamento

Objetivo

Métodos

Resultados

Conclusões

Introdução

Métodos

Seguimento dos pacientes

Figura 1. – Fluxograma da análise. REPLICCAR II: Registro Paulista de Cirurgia Cardiovascular; CRM: revascularização miocárdica. Os autores seguiram os critérios estabelecidos pelo STROCSS. 12 .

Definição das variáveis

Análise estatística

Ética e consentimento

Resultados

Tabela 1. – Características pré-operatórias dos pacientes submetidos à CRM. REPLICCAR II, São Paulo – Brasil.

Tabela 2. – Características intraoperatória dos pacientes submetidos à CRM. REPLICCAR II, São Paulo – Brasil.

Tabela 3. – Variáveis de desfecho e evolução pós-operatória dos pacientes submetidos à CRM. REPLICCAR II, São Paulo – Brasil.

Tabela 4. – Estimativas da associação entre características do paciente e readmissão por todas as causas usando um modelo de regressão multivariada de Cox ajustado para características dos pacientes. REPLICCAR II, São Paulo – Brasil.

Figura 2. – Curva ROC do modelo de regressão multivariada de Cox ajustado para os pacientes que foram readmitidos por todas as causas.

Figura Central: Preditores Pré-Operatórios de Readmissão Hospitalar em até 5 Anos após CRM: Análise de Coorte do Banco de Dados REPLICCAR II.

Tabela 5. – Estimativas da associação entre características do paciente e readmissão por causas cardíacas usando um modelo de regressão multivariada de Cox ajustado para características dos pacientes. REPLICCAR II, São Paulo – Brasil.

Figura 3. – Curva ROC do modelo de regressão multivariada de Cox ajustado para os pacientes que foram readmitidos por causas cardíacas.

Discussão

Figura 4. – Incidência cumulativa de readmissão por todas as causas (A) e cardíaca (B) na coorte geral durante o seguimento.

Limitações do estudo

Conclusão

Agradecimentos

Funding Statement

Footnotes

Referências

Preoperative Predictors of Hospital Readmission within 5 Years Following CABG: Cohort Analysis of the REPLICCAR II Database

Carlos Alberto Sancio Junior

Fabiane Letícia de Freitas

Gabrielle Barbosa Borgomoni

Daniella de Lima Pes

Pedro Horigoshi Reis

Pedro Gabriel Melo de Barros e Silva

Marcelo Arruda Nakazone

Marcos Gradim Tiveron

Valquiria Pelisser Campagnucci

Luiz Augusto Lisboa

Luís Alberto Oliveira Dallan

Fabio Biscegli Jatene

Omar Asdrúbal Vilca Mejia

Roles

Abstract

Background

Objective

Methods

Results

Conclusions

Introduction

Methods

Patient follow-up

Figure 1. – Flowchart analysis. CABG: coronary artery bypass grafting; REPLICCAR II: Paulista Registry of Cardiovascular Surgery. The authors adhered to the criteria established by STROCSS guidelines. 12 .

Definition of variables

Statistical analysis

Ethics and consent

Results

Table 1. – Preoperative characteristics of patients undergoing CABG. REPLICCAR II, São Paulo, Brazil.

Table 2. – Intraoperative characteristics of patients undergoing CABG. REPLICCAR II, São Paulo, Brazil.

Table 3. – Postoperative outcomes and evolution of patients undergoing CABG. REPLICCAR II, São Paulo, Brazil.

Table 4. – Multivariate Cox regression model: association between patient characteristics and all-cause readmission (adjusted for patient characteristics). REPLICCAR II, São Paulo, Brazil.

Figure 2. – ROC curve of the multivariate Cox regression model adjusted for patient characteristics predicting all-cause readmission.

Figura 1. – Fluxograma da análise. REPLICCAR II: Registro Paulista de Cirurgia Cardiovascular; CRM: revascularização miocárdica. Os autores seguiram os critérios estabelecidos pelo STROCSS. ¹² .

Figure 1. – Flowchart analysis. CABG: coronary artery bypass grafting; REPLICCAR II: Paulista Registry of Cardiovascular Surgery. The authors adhered to the criteria established by STROCSS guidelines. ¹² .