PROGNOSIS OF ONCOLOGY PATIENTS IN THE INTENSIVE CARE UNIT
REGISTRO DOI: 10.5281/zenodo.10474468
Carlos José Alves1
Gilberto Paulo Pereira Franco2
Ana Flávia Schavetock Vieira3
Andressa Puhl Petrazzini4
Bárbara Lúcia Barbosa de Moraes5
Celina dos Santos Alencastro6
Gabriela Franco Pires Pedrosa7
Joao Gabriel Valente Muniz8
João Victor de Oliveira Alvarenga9
Kalliandra Nunes Dutra10
Pâmela Carolini Thomas Pies11
Thaís Maria Piovezan Neves12
Resumo
Características específicas de diferentes populações podem influenciar os resultados dos índices prognósticos. O objetivo deste estudo é avaliar a letalidade de pacientes oncológicos por meio dos índices prognósticos APACHE II, SAPS II, SAPS 3, UNICAMP II e CMM para pacientes oncológicos admitidos numa Unidade de Terapia Intensiva geralem Cuiabá, Mato Grosso. Foram incluídos os pacientes com diagnóstico definido de câncer. Os critérios de exclusão adotados foram: 1-reinternações; 2-óbito num período inferior a 24 horas de admissão e 3-dados incompletos. Foram avaliadas a taxa de letalidade padronizada, calibração e discriminação. A taxa de letalidade padronizada foi maior que a unidade no APACHE II, SAPS II e Equação Global do SAPS 3 e menor no UNICAMP II, Equação América Central e Sul do SAPS 3 e CMM. A calibração, por meio do teste de Hosmer-Lemeshow, foi adequada no APACHE II, UNICAMP II, SAPS 3 Equação Global e CMM e inadequada no SAPS II e SAPS 3 Equação América Central e Sul. A discriminação foi adequada para os modelos estudados, sendo pior para o SAPS II. Os índices prognósticos apresentaram variações no tocante às propriedades avaliadas. O SAPS 3 Equação Global e CMM apresentaram melhor desempenho ao passo que o SAPS II, o pior.
Palavras-chave: Unidades de terapia intensiva. Câncer. Mortalidade hospitalar. Índice de gravidade da doença. Prognóstico.
Abstract
Specific characteristics of different populations can influence the results of prognostic indexes, especially when specific groups of diseases are evaluated. The objective of this study is to evaluate the lethality of cancer patients through the APACHE II, SAPS II, SAPS 3, UNICAMP II and CMM prognostic indexes for cancer patients admitted to a general Intensive Care Unit in Cuiabá, Mato Grosso. Patients with a definite cancer diagnosis were included. The exclusion criteria adopted were: 1-readmissions; 2-death within less than 24 hours of admission and 3-incomplete or uncertain data. The standardized lethality rate, calibration and discrimination were evaluated. The standardized lethality rate was higher than one in APACHE II, SAPS II and in the Global Equation of SAPS 3 and lower in UNICAMP II, Equation Central and South America of SAPS 3 and CMM. Calibration, through the Hosmer-Lemeshow test, was adequate in APACHE II, UNICAMP II, SAPS 3 Global Equation and CMM and inadequate in SAPS II and SAPS 3 Equation Central and South America. Discrimination was adequate for the studied models, being worse for SAPS II. The prognostic indexes showed variations regarding the evaluated properties. SAPS 3 Global Equation and CMM performed better, while SAPS II performed worst.
Keywords: Intensive care units. Cancer. Hospital mortality. Severity of illness index. Prognosis.
Introdução
Câncer é o termo genérico que utilizamos para um grupo de enfermidades distintas, não transmissíveis, que promovem o crescimento desordenado de células. É uma patologia carregada por estigmas como a possível finitude da vida, grande sofrimento e insegurança (DIB et al, 2022). Da mesma forma, a Unidade de Terapia Intensiva (UTI) pode produzir em muitas pessoas a visão de um ambiente hostil gerando nos pacientes e familiares sentimentos negativos como medo, insegurança, ansiedade e depressão. A internação na UTI pode significar uma ameaça para a família, uma ruptura afetiva e emocional com o familiar internado, mesmo que muitas vezes temporária (SELL et al, 2012).
Baseado no conhecimento acumulado, a ciência pode antever o desfecho de alguns eventos. Índices prognósticos são ferramentas amplamente utilizadas na medicina intensiva que estratificam os pacientes com base na gravidade da doença, atribuindo a cada um deles uma pontuação crescente à medida que a gravidade da doença aumenta (MORENO et al, 2016). Por meio deles é possível estimar o risco teórico de óbito de um paciente.
O objetivo deste trabalho é avaliar a letalidade de pacientes oncológicos admitidos numa UTI geral por meio de índices prognósticos. Serão utilizados quatro escores genéricos, Acute Physiology and Chronic Health Evaluation II (APACHE II), Simplified Acute Physiology Score II (SAPS II), Simplified Acute Physiology Score 3 (SAPS 3) e Modelo da Universidade de Campinas II (UNICAMP II), além de um escore específico para pacientes oncológicos, Cancer Mortality Model (CMM).
Fundamentação Teórica
O APACHE II é o mais difundido dos índices prognósticos. Foi desenvolvido com base em dados coletados de 5.815 pacientes em 13 hospitais dos Estados Unidos no período de 1979 a 1982. É calculado por meio do somatório das pontuações de três partes: 1-variáveis fisiológicas (acute physiology score – APS), 2-idade e 3-doenças crônicas. Na primeira, as 12 variáveis clínicas e laboratoriais que compõem o APS recebem pontos de zero a quatro, de acordo com o grau de desvio da normalidade apresentados. São avaliadas dentro das primeiras 24 horas da admissão, utilizando-se o valor que apresentou a maior alteração nesse período. Inclui os seguintes parâmetros: temperatura, pressão arterial média, frequência cardíaca, frequência respiratória, escala de coma de Glasgow, oxigenação, pH arterial, sódio, potássio e creatinina séricos, além do hematócrito e contagem total de leucócitos. Na segunda, há pontuação para idade a partir dos 45 anos. Por fim, há pontuação caso o paciente seja imunocomprometido ou portador de insuficiência orgânica grave. No cálculo do risco calculado de óbito (RCO) utiliza-se de uma equação de regressão logística que leva em conta a situação ou não de pós-operatório de cirurgia de urgência e 50 possíveis categorias de diagnóstico (KNAUS et al, 1985). O SAPS II foi desenvolvido com o intuído de tornar mais simples o cálculo de risco teórico de óbito. Utiliza 15 variáveis coletadas nas primeiras 24 horas (LE GALL et al, 1993). O UNICAMP II é uma adaptação dos índices prognósticos à realidade brasileira. Utiliza o mesmo APS do APACHE II, mas inclui três variáveis em sua equação de predição de óbito: presença de ventilação mecânica, insuficiência renal e o caráter urgência e emergência da internação (TERZI et al, 2002). O SAPS 3 foi desenvolvido a partir de um banco de dados de 16.784 pacientes de 35 países no período de outubro a dezembro de 2002. Entre as inovações que esse novo índice traz está a presença de sete equações personalizadas – além de uma Equação Global (SAPS 3 EG), padrão – para diferentes partes do mundo, entre elas a Equação América Central e do Sul (SAPS 3 ACS) (MORENO et al, 2005). O CMM utiliza variáveis clínicas e laboratoriais semelhantes às dos índices já apresentados, mas incorpora aspectos específicos e relevantes ao prognóstico de doentes oncológicos tais como parada cardiorrespiratória prévia à internação na UTI, intubação orotraqueal, efeito de massa intracraniana, transplante de medula, evidência de progressão da doença e o estado clínico de Zubrod (GROEGER et al, 1998). Este último parâmetro, avalia o grau de comprometimento do câncer nas atividades diárias do paciente (OKEN et al, 1992).
Metodologia
O estudo foi realizado na UTI Adulto do Hospital de Câncer de Mato Groso. Trata-se de um hospital terciário com 94 leitos, 74 contratualizados com o Sistema Único de Saúde, possuindo uma UTI Adulto e uma UTI Pediátrica com 10 leitos cada. Possui programa de residência médica em cirurgia oncológica, anestesiologia, clínica médica, radioterapia, medicina intensiva e medicina intensiva pediátrica. A coleta de dados foi realizada por uma equipe previamente treinada.
Aspectos Éticos
Este trabalho foi aprovado na Comitê de Ética em Pesquisa (CEP)/Comissão Nacional de Ética em Pesquisa (CONEP) em 17/06/2022 sendo dispensado o Termo de Consentimento Livre e Esclarecido. CAAE:57122122.9.0000.5164.
Critérios de elegibilidade, coleta de dados e definições de termos e variáveis
Os dados foram coletados retrospectivamente envolvendo as admissões do período de 1° de março de 2021 a 28 de fevereiro de 2022, através de ficha padronizada e posteriormente inseridos no banco de dados Access 2016 (Microsoft Corporation).
Critério de inclusão
- Diagnóstico de câncer definido por meio de imagem, inventário cirúrgico ou exame histopatológico.
Critérios de exclusão
- Reinternações;
- Óbito num período inferior a 24 horas da admissão na UTI;
- Dados incompletos ou incertos.
Análise estatística
A capacidade de predição dos índices prognósticos foi avaliada através de três propriedades: 1-taxa de letalidade padronizada (TLP); 2- calibração e 3 – discriminação. A TLP é obtida dividindo-se a letalidade observada pela predita para um determinado modelo. Assim, uma TLP igual à unidade indica que a letalidade observada corresponde à estimada. Se maior ou menor, indica, respectivamente, letalidade observada maior ou menor que a predita. Na calibração, avaliamos o grau de correspondência entre a letalidade observada e a esperada nas faixas de risco de óbito calculado. Este estudo é realizado por meio do goodness-of-fit (GOF) de Hosmer–Lemeshow (LEMESHOW & HOSMER, 1982). No GOF, são comparadas as frequências de óbitos e de sobreviventes, observados e preditos, para dez faixas de risco de óbito calculado. Realiza-se o somatório do x² das frequências e calcula-se o p para uma distribuição com oito graus de liberdade. Valor de p maior que 0,05 indica um teste que descreveu bem a letalidade observada, ou seja, calibração adequada. Valor de p menor ou igual a 0,05 mostra discrepância entre o previsto e o observado, portanto, uma calibração inadequada. No estudo da discriminação, a sensibilidade e a especificidade de um método são avaliadas. Esta análise é realizada por meio da área sob a curva recebedora das características dos operadores (ASC), curva ROC (Receiver Operating Characteristic), que permite avaliar a correlação entre a sensibilidade (verdadeiros positivos) e o complementar da especificidade (1-especificidade) ou falsos negativos. Quanto maior os verdadeiros positivos e menor os falsos negativos, mais a curva se aproxima do ângulo superior esquerdo e maior será a área abaixo da curva. Assim, em linhas gerais, uma ASC = 0,5 mostra que a discriminação não é melhor que uma chance ao acaso; igual ou maior que 0,7 e menor que 0,8, uma discriminação aceitável; igual ou maior que 0,8 e menor que 0,9, discriminação excelente; maior ou igual a 0,9, discriminação excepcional (HOSMER & LEMESHOW, 2000).Utilizamos o programa MedCalc 20.115 (Frank Schoonjans) para a ASC e o Excel 2016 (Microsoft Corporation) para todos os demais cálculos. Os intervalos de confiança (IC) apresentados são de 95%.
Resultados
No período do estudo, 593 pacientes oncológicos foram admitidos na unidade. Desses, 101 (17,03%) foram excluídos totalizando um número final de 492 pacientes no estudo. Em sua substancial maioria são pacientes do SUS (99,19%).
As principais causas de admissão dos pacientes na UTI foram pós-operatório (59,55%), sepse (20,73%) e insuficiência respiratória aguda (5,69%), apresentadas na Tabela 1. As neoplasias malignas envolveram predominantemente o sistema digestório (39,23%), reprodutor masculino (16,26%) e reprodutor feminino (12,80%). O câncer mais frequente foi o de cólon e reto (18,50%) seguido pelas leucemias e linfomas (9,96%) e de útero (9,76%).
Tabela 1 – Principais causas de admissão na UTI
| Pacientes | Número | Porcentagem |
| Pós-operatório | 293 | 59,55 |
| Sepse | 102 | 20,73 |
| Insuficiência respiratória | 28 | 5,69 |
| Rebaixamento do nível de consciência | 19 | 3,86 |
| Distúrbio hematológico | 12 | 2,44 |
| Distúrbio metabólico | 9 | 1,83 |
| Choque | 7 | 1,42 |
| Pós-PCR | 5 | 1,02 |
| Abdome agudo | 3 | 0,61 |
| Embolia pulmonar | 3 | 0,61 |
| Hemorragia digestiva | 3 | 0,61 |
| Dor torácica/ICO | 2 | 0,41 |
| Síndrome comicial | 2 | 0,41 |
| Outros | 4 | 0,81 |
| Total | 492 | 100,00 |
PCR = parada cardiorrespiratória; ICO = insuficiência coronariana
A letalidade na UTI foi de 24,77% enquanto a hospitalar foi de 31,50% . Foi superior à esperada quando utilizado os escores APACHE II, SAPS II e SAPS 3 EG e inferior quando estimada pelo UNICAMP II, SAPS 3 ACS e CMM. É importante destacar que, com exceção do SAPS II, a unidade está contida no intervalo de confiança dos escores avaliados (Tabela 2).
Tabela 2 -Taxa de letalidade padronizada
| Escore | LE | TLP | IC |
| APACHE II | 28,35 | 1,11 | 0,94 – 1,30 |
| UNICAMP II | 32,58 | 0,97 | 0,82 – 1,13 |
| SAPS II | 19,30 | 1,63 | 1,39 – 1,91 |
| SAPS 3 EQ | 28,66 | 1,10 | 0,93 – 1,29 |
| SAPS 3 ACS | 36,34 | 0,87 | 0,74 – 1,01 |
| CMM | 35,25 | 0,89 | 0,76 – 1,05 |
LE = letalidade esperada; TLP = taxa de letalidade padronizada;
IC = intervalo de confiança de 95%
Nos testes de Hosmer-Lemeshow, tanto Ĥ como Ĉ, a calibração foi adequada (p > 0,05) para o APACHE II, UNICAMP II, SAPS 3 EG e CMM e inadequada para o SAPS II e SAPS 3 ACS. A Tabela 3 mostra os valores p encontrados.
A avaliação da discriminação mostrou que os modelos estudados apresentaram desempenho adequado, a maioria excelente, sendo a do SAPS II a pior delas (Tabela 4).
Tabela 3 – Teste goodness-of-fit de Hosmer–Lemeshow
| Escore | Teste Ĥ | Teste Ĉ |
| APACHE II | 0,383 | 0,610 |
| UNICAMP II | 0,053 | 0,051 |
| SAPS II | < 0,001 | < 0,001 |
| SAPS 3 EG | 0,202 | 0,138 |
| SAPS 3 ACS | 0,018 | 0,015 |
| CMM | 0,221 | 0,351 |
Valores de p nos testes Ĥ e Ĉ de Hosmer-Lemeshow
Tabela 4 – Área sob a curva recebedora das características dos operadores
| Escore | Área sob a curva | IC |
| APACHE II | 0,792 | 0,753 – 0,827 |
| UNICAMP II | 0,809 | 0,771 – 0,843 |
| SAPS II | 0,681 | 0,637 – 0,722 |
| SAPS 3 – Equação Global | 0,827 | 0,790 – 0,859 |
| SAPS 3 – Equação América Central e Sul | 0,833 | 0,797 – 0,865 |
| CMM | 0,802 | 0,764 – 0,837 |
IC = intervalo de confiança de 95%
Discussão
Nas últimas duas décadas, as mudanças demográficas e o aumento da expectativa de vida dos pacientes com câncer aumentaram significativamente a prevalência desses pacientes na UTI. É importante frisar que a disfunção orgânica aguda e não a malignidade é que determina o prognóstico dos pacientes.
A letalidade dos pacientes oncológicos apresenta variações na literatura. Zheng et al (2021) analisando dados coletados ao longo de 6 anos no Canadá encontraram uma letalidade hospitalar de 24%. Na Espanha, Díaz-Díaz, Martínez & Herrejón (2018) constataram letalidade hospitalar e na terapia intensiva de respectivamente 36,52% e 20,96%. No Brasil, dados de 28 UTIs mostraram taxa de 30% e 21% para a letalidade hospitalar e a da UTI (SOARES et al, 2010).
Os fatores clínicos independentes para a mortalidade hospitalar dos pacientes oncológicos admitidos na UTI foram estágio IV do câncer, admissões oriundas da emergência e não programadas, eventos não relacionados à malignidade, sepse, evento adverso induzido por quimioterapia e ventilação mecânica (MARTOS‑BENITEZ et al, 2018). Em relação à sepse, adotando-se como referência a última definição, a mortalidade dos pacientes que necessitavam de ventilação mecânica foi de 78%, ao passo que os que não necessitaram foi de 27%. Quanto ao uso de terapia renal substitutiva, a mortalidade foi respectivamente de 65% e 34% para os que necessitaram ou não deste recurso terapêutico (NATHAN et al, 2021).
Os pacientes hematológicos geralmente apresentam um curso mais grave da doença ao contrário dos pacientes com tumores sólidos (LUECK et al, 2021). Estudo multicêntrico envolvendo hospitais da França e da Bélgica encontrou letalidade hospitalar de 39,3% e 27,6% na UTI (AZOULAY et al, 2013). Outro estudo realizado na Polônia envolvendo pacientes com neoplasias malignas hematológicas, a maioria leucemias, encontrou uma mortalidade na UTI de 70,4% e hospitalar de 80.6%. Os principiais determinantes do êxito letal foram a falência de órgãos chave como pulmão, a terapia renal substitutiva e a longa permanência na UTI (KALICIŃSKA et al, 2020).
Em relação aos tumores sólidos, estudo realizado na França com dados coletados ao longo de pouco mais de uma década mostrou uma letalidade na UTI de 22,6%. Os determinantes da mortalidade encontrados foram doença metastática, câncer em progressão sob tratamento, internação por complicações específicas e extensão das falências orgânicas, tais como ventilação mecânica, suporte hemodinâmica terapia renal substitutiva e o Sequential Organ Failure Assessment (SOFA escore) elevado (VIGNERON et al, 2021).
No tocante ao desempenho dos índices prognósticos em pacientes oncológicos criticamente enfermos, estudo envolvendo UTIs brasileiras encontrou melhor discriminação para o SAPS II e SAPS 3 (ASC = 0,84) em relação ao CMM (ASC = 0,79); melhor calibração para o CMM e SAPS 3 ACS (respectivamente p = 0,128 e p = 0,126) e pior para o SAPS II (p=0,007). A TLP do SAPS 3 ACS foi o que mais se aproximou da unidade (1,02) enquanto o SAPS II e o CMM os que mais se afastaram, respectivamente subestimando (TLP=1,49) ou superestimando (TLP=0,48) a mortalidade (SOARES et al, 2010). Na China, demonstrou-se excelente discriminação (>0,8) para o SAPS 3 e o APACHE II. O SAPS 3 subestimou (TLP=1,5) ao passo que o APACHE II superestimou (TLP=0,72). A calibração foi adequada para os dois modelos (XING et al, 2015). Em Cuba, foi encontrada excelente discriminação e calibração para o APACHE II e SAPS 3 (AUC > 0,9 e p > 0,05) sendo que a TLP do SAPS 3 EG a que mais se aproximou da unidade (1,08). O SAPS 3 ASC superestimou a mortalidade (TLP=0,85) ao passo que o APACHE II subestimou (TLP=1,19) (MARTOS‑BENITEZ et al, 2020).
Conclusão
O desempenho em relação aos índices prognósticos, bem como a mortalidade encontrada, não difere substancialmente dos dados encontrados na literatura. Características regionais e a proporção de tipos de câncer, fase de tratamento e combinação e comorbidades influenciam e podem explicar eventuais diferenças.
Referências
AZOULAY, E.; MOKART, D.; PÈNE, F.; LAMBERT, J. et al. Outcomes of Critically Ill Patients With Hematologic Malignancies: Prospective Multicenter Data From France and Belgium – A Groupe de Recherche Respiratoire em Réanimation Onco-Hématologique Study. 31, n. 22, August, 1 2013.
DÍAZ-DÍAZ, D.; MARTÍNEZ, M. V.; HERREJÓN, E. P. Oncological patients admitted to an intensive careunit. Analysis of predictors of in-hospital mortality Med Intensiva, 42, p. 346–353, 2018. Disponível em: https://www.medintensiva.org/en-oncological-patients-admitted-an-intensive-articulo-S2173572718301164. Acesso em: 12 abr. 2023.
DIB, R. V.; GOMES, A. M. T.; RAMOS, R. D. S.; FRANÇA, L. C. M. et al. Pacientes com Câncer e suas Representações Sociais sobre a Doença: Impactos e Enfrentamentos do Diagnóstico. Revista Brasileira de Cancerologia 68, n. 3, 2022. Disponível em: https://rbc.inca.gov.br/index.php/revista/article/view/1935. Acesso em: 27 dez. 2023.
GROEGER, JS; LEMESHOW, S; PRICE, K; NIERMAN, DM;, P; el al. Multicenter outcome study of cancer patients admitted to the intensive care unit: a probability of mortality model. J Clin Oncol, v. 16, n. 2, p. 761-70, 1998.
HOSMER, DW; LEMESHOW, L. Assessing the fit of the model. In: HOSMER, DW; LEMESHOW, S. Applied logistic regression. 2nd ed. New York: Wiley, 2000. p.143-202.
KALICIŃSKA, E.; KUSZCZAK, B.; DĘBSKI, J.; SZUKALSKI, Ł. et al. Hematological malignancies in Polish population: what are the predictors of outcome in patients admitted to Intensive Care Unit? Supportive Care in Cancer, 2020.
KNAUS, WA; DRAPER, EA; WAGNER, DP; ZIMMERMAN, JE. APACHE II: A severity of disease classification system. Crit Care Med, v. 13, n. 10, p. 818-29, 1985.
LE GALL, JR; LEMESHOW, S; SAULNIER F. A New Simplified Acute Physiology Score (SAPS II) based on a European/North American multicenter study. JAMA, n. 270, v. 24, p. 2957-63, 1993. Erratum in: JAMA, v. 271, n. 17, 1994.
LEMESHOW, S; HOSMER JR, DW. A review of goodness of fit statistics for use in the development of logistic regression models. Am J Epidemiol, v. 115, n. 1, p. 92-106, 1982.
LUECK, C.; BEUTEL, G. Der Krebspatient auf der Intensivstation. Medizinische Klinik – Intensivmedizin und Notfallmedizin, 116, p. 104-110, 2021.
MARTOS‑BENITEZ, F. D.; LARRONDO‑MUGUERCIA, H.; LEON‑PEREZ, D.; RIVERO‑LOPEZ, J. C. et al. Performance of three prognostic models in critically ill patients with cancer: a prospective study. International Journal of Clinical Oncology, march, 24 2020.
MARTOS‑BENITEZ, F. D.; SOTO‑GARCIA, A.; GUTIERREZ‑NOYOLA, A. Clinical characteristics and outcomes of cancer patients requiring intensive care unit admission: a prospective study. Journal of Cancer Research and Clinical Oncology 144, p. 717–723, 2018.
MORENO, R.; NASSAR JUNIOR, A. P.; AFONSO, S.; METNITZ, P. Sistemas de pontuação de e resultados de predição. In: KNOBEL, E. Condutas no paciente grave. 4 ed. São Paulo: Editora Atheneu; 2016. cap. 292, p. 2931-2940.
MORENO, RP; METNITZ, PG; ALMEIDA, E; JORDAN, B; BAUER, P; CAMPOS, RA; IAPICHINO, G; EDBROOKE, D; CAPUZZO, M; LE GALL, JR; SAPS 3 Investigators. SAPS 3-From evaluation of the patient to evaluation of the intensive care unit. Part 2: Development of a prognostic model for hospital mortality at ICU admission. Intensive Care Med, v. 32, n. 10, p. 1345-55, 2005. Erratum in: Intensive Care Med, v. 32, n. 5, p. 796, 2006. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1315315/. Acesso em: 10 mar. 2023.
NATHAN, N.; SCULIER, J.-P.; AMEYE, L.; PAESMANS, M. et al. Sepsis and Septic Shock Definitions in Patients With Cancer Admitted in ICU. Journal of Intensive Care Medicine v. XX, n. X, p. 1-7, 2019.
OKEN, MM; CREECH, RH; TORMEY, DC; HORTON, J; DAVIS, EE et al. (1982). Toxicity and Response Criteria of the Eastern Cooperative Oncology Group. American Journal of Clinical Oncology, v. 5, n. 6, p 649-656, 1982.
SELL, C. T.; SELL, B. T.; NASCIMENTO, E. R. P. D.; PADILHA, M. I. et al. Alterações na Dinâmica Familiar com a Hospitalização em Unidade de Terapia Intensiva. Revista Enfermagem UERJ, 20, n. 4, p. 488-492, 2012. Disponível em: https://www.e-publicacoes.uerj.br/index.php/enfermagemuerj/article/view/5223. Acesso em: 27 dez. 2023.
SOARES, M.; SILVA, U. V.; TELES, J. M.; SILVA, E. et al. Validation of four prognostic scores in patients with cancer admitted to Brazilian intensive care units: results from a prospective multicenter study. Intensive Care Med, 36, n. 7, p. 1188-1195, Jul 2010.
TERZI, RG; GOMEZ, MI; ARAUJO, S; DRAGOSAVAC, D; FALCÃO, ALE; MACHADO, HC. Índices prognósticos em Medicina Intensiva. Rev Bras Ter Intensiva, v.14, n. 1, p. 6-2, 2002.
VIGNERON, C.; CHARPENTIER, J.; VALADE, S.; ALEXANDRE, J. et al. Patterns of ICU admissions and outcomes in patients with solid malignancies over the revolution of cancer treatment Annals of Intensive Care, 11, n. 182, 2021. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8709803/. Acesso em: 10 abr. 2023.
XING, X.; GAO, Y.; WANG, H.; HUANG, C. et al. Performance of Three Prognostic Models in Patients with Cancer in Need of Intensive Care in a Medical Center in China. Plos One June 25 2015. Disponível em: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0131329. Acesso em: 12 mar. 2023.
ZHENG, B.; REARDON, P. M.; FERNANDO, S. M.; WEBBER, C. et al. Costs and Outcomes of Patients Admitted to the Intensive Care Unit With Cancer. J Intensive Care Med 36, n. 2, p. 203-210, February 2021
1-Médico Especialista em Medicina Intensiva AMIB/AMB. Coordenador da UTI Adulto do Hospital de Câncer de Mato Grosso. Grupo Cuiabano de Medicina Intensiva, Cuiabá-MT.e-mail: carlosjosealves@terra.com.br
2-Médico Especialista em Medicina Intensiva AMIB/AMB. Hospital de Câncer de Mato Grosso. Grupo Cuiabano de Medicina Intensiva, Cuiabá-MT.e-mail: gppf@terra.com.br
3-Residente em Ginecologia e Obstetrícia, Hospital Universitário Júlio Müller – Universidade Federal de Mato Grosso, Cuiabá-MT.e-mail: ana_flavia_vieira@hotmail.com
4-Residente em Oftalmologia, Centro de Estudos e Pesquisas Oculistas Associados, Rio de Janeiro-RJe-mail: andressa_petrazzini@hotmail.com
5-Clínica Geral, Hospital Municipal São Benedito, Cuiabá-MTe-mail: barbaralucia_@hotmail.com
6-Residente em Radiologia e Medicina de Imagem, Grupo Digimax, Caçador-SCe-mail: alencastro_alencastro@hotmail.com
7-Residente em Medicina da Família, Hospital Geral, Cuiabá-MTe-mail: gabriela_fpp@hotmail.com
8-Clínico Geral, Instituto Paranaense de Otorrinolaringologia, Curitiba-PRe-mail: jgabrielmuniz@hotmail.com
9-Clínico Geral, Hospital Municipal São Benedito, Cuiabá-MTe-mail: joaovictor.oalvarenga@gmail.com
10-Clínica Geral, Instituto Stanley Hair Transplante Capilar, Cuiabá – MTe-mail: kalliandradutra@hotmail.com
11-Clínica Geral, Hospital Municipal São Benedito, Cuiabá-MTe-mail: pamela_pies@hotmail.com
12-Residente em Medicina Intensiva, Unicamp, Campinas-SPe-mail: thaispiovezan0@gmail.com