A espera piorou no ambulatório ou mudou o tipo de atendimento?
Um ambulatório fictício passou de 28% para 52% de atendimentos com mais de 30 minutos de espera. Antes de atribuir a diferença a uma mudança de agenda, vale abrir os dados por tipo de atendimento. No exemplo abaixo, as proporções dentro de cada grupo ficaram iguais. O que mudou foi a participação dos atendimentos por demanda espontânea.
Compare os períodos com a mesma composição
Cada linha do exemplo representa um grupo de atendimentos em um período. O primeiro número é o total de atendimentos e o segundo é quantos esperaram mais de 30 minutos. Para comparar com a mesma composição, usamos como referência 50% de agendados e 50% de demanda espontânea nos dois períodos. Essa referência é didática. Em um estudo, registre a população de referência e a definição de espera antes da análise. Método de padronização direta
Salve como espera.py e rode python3 espera.py.
from math import isclose
antes = {"agendado": (80, 16), "espontaneo": (20, 12)}
depois = {"agendado": (20, 4), "espontaneo": (80, 48)}
pesos = {"agendado": 0.5, "espontaneo": 0.5}
def proporcao_bruta(grupos):
return sum(acima for total, acima in grupos.values()) / sum(
total for total, acima in grupos.values()
)
def proporcao_padronizada(grupos):
return sum(
pesos[tipo] * acima / total
for tipo, (total, acima) in grupos.items()
)
assert isclose(proporcao_bruta(antes), 0.28)
assert isclose(proporcao_bruta(depois), 0.52)
assert isclose(proporcao_padronizada(antes), 0.40)
assert isclose(proporcao_padronizada(depois), 0.40)
for nome, dados in [("Antes", antes), ("Depois", depois)]:
print(f"{nome}: bruta {proporcao_bruta(dados):.0%}; "
f"padronizada {proporcao_padronizada(dados):.0%}")
A taxa bruta descreve o que foi observado no conjunto de atendimentos de cada período. A padronizada responde a outra pergunta: qual seria a proporção com a composição de referência? Nenhum número, sozinho, estabelece o efeito da agenda. Em uma análise real, eu também verificaria a comparabilidade dos períodos, os registros ausentes e a incerteza das estimativas.
O exemplo tem dados inventados e foi executado localmente. Ele acompanha a proposta de Estatística Aplicada à Pesquisa em Saúde, da Lumina, que tem uma primeira aula aberta e labs em Python e R. Trabalho na Lumina. Texto preparado com assistência de IA.