Leitos complementares por dez mil habitantes

Introdução

A nota técnica de indicador descreve o trabalho de processamento e apresentação de dados de Leitos UTI por habitante e decorrente estratificação. A metodologia aplicada pelo Centro de Informações Estratégicas para a Gestão do SUS (Cieges) constitui adaptação de fichas da Rede Interagencial de Informações para a Saúde (RIPSA) e de ensejos anteriores da gestão estadual do SUS.

Endereço eletrônico

Essa nota técnica é acessível pelo endereço https://wiki.conass.org.br/index.php?title=Leitos_UTI_por_habitante.

Objetivo

Apresentar parâmetros de interpretação, granularidade e reprodutibilidade do indicador.

Ficha do indicador para o profissional da saúde

Conceituação

Número de leitos complementares existentes, por cem mil habitantes residentes, em determinado espaço geográfico, no ano considerado.

A tipologia de leitos complementares, conforme o Tabnet é mostrada quantitativamente abaixo:

CNES - RECURSOS FÍSICOS - HOSPITALAR - LEITOS COMPLEMENTARES - BRASIL http://tabnet.datasus.gov.br/cgi/tabcgi.exe?cnes/cnv/leiutibr.def Quantidade existente por Região segundo Leitos complementares Período: Dez/2022 Fonte: Ministério da Saúde - Cadastro Nacional dos Estabelecimentos de Saúde do Brasil - CNES Nota: A partir do processamento de junho de 2012, houve mudança na classificação da natureza e esfera dos estabelecimentos. Com isso, temos que: Até maio de 2012 estas informações estão disponíveis como "Natureza" e "Esfera Administrativa". De junho de 2012 a outubro de 2015, estão disponíveis tanto como "Natureza" e "Esfera Administrativa", como "Natureza Jurídica" e "Esfera Jurídica". A partir de novembro de 2015, estão disponíveis como "Natureza Jurídica" e "Esfera Jurídica".
Leitos complementares	1 Região Norte	2 Região Nordeste	3 Região Sudeste	4 Região Sul	5 Região Centro-Oeste	Total
TOTAL	5.361	17.153	37.303	9.825	7.284	76.926
Unidade intermediária neonatal	32	99	115	4	12	262
Unidade isolamento	820	1.480	1.947	747	708	5.702
UTI adulto I	312	957	4.657	362	758	7.046
UTI adulto II	2.000	7.555	13.183	4.244	2.976	29.958
UTI adulto III	101	899	3.581	1.278	397	6.256
UTI pediátrica I	50	117	732	25	160	1.084
UTI pediátrica II	388	962	1.600	431	424	3.805
UTI pediátrica III	5	119	745	234	54	1.157
UTI neonatal I	94	289	1.215	105	81	1.784
UTI neonatal II	528	1.412	3.102	1.024	633	6.699
UTI neonatal III	5	164	923	273	128	1.493
UTI de Queimados	14	16	151	30	30	241
UTI coronariana tipo II -UCO tipo II	32	263	598	75	170	1.138
UTI coronariana tipo III - UCO tipo III	21	71	214	18	52	376
Unidade de cuidados intermed neonatal convencional	575	1.480	1.946	569	326	4.896
Unidade de cuidados intermed neonatal canguru	169	559	498	153	120	1.499
Unidade de cuidados intermed pediatrico	29	91	166	24	64	374
Unidade de cuidados intermed adulto	186	620	1.930	229	191	3.156

Interpretação

• Reflete a disponibilidade de serviços de terapia intensiva e a qualidade da atenção médica hospitalar.
• É influenciado por fatores socioeconômicos, epidemiológicos e demográficos, tais como nível de renda, composição etária, desenvolvimento tecnológico, oferta de profissionais de saúde, políticas públicas assistenciais e preventivas, a exemplo das de incentivo a cirurgias ambulatoriais, desospitalização na saúde mental e programas de internação domiciliar. Em geral, a concentração de leitos está associada ao maior poder aquisitivo da população e à demanda por serviços especializados, condições que atraem investimentos do setor privado de saúde.

Usos

• Analisar variações geográficas e temporais da oferta de leitos hospitalares pelo SUS, segundo a esfera administrativa, identificando situações de desigualdade e tendências que demandem ações e estudos específicos.
• Subsidiar processos de planejamento, gestão e avaliação de políticas públicas voltadas para a assistência médico-hospitalar de responsabilidade do SUS.

Limitações

• Inclui a demanda hospitalar por parte de pessoas não residentes, alterando a relação de proporcionalidade dos leitos disponíveis para a população residente.
• Inexistem padrões nacionais ou internacionais validados para análises comparativas, pois o indicador expressa uma combinação de fatores inerentes a realidades regionais ou locais distintas.

Fontes

Ministério da Saúde. Secretaria de Atenção Especializada à Saúde (SAES): Sistema de Informações Hospitalares do SUS – SIH/SUS (até 2003), Cadastro Nacional de Estabelecimentos de Saúde – CNES (a partir de 2005) e base demográfica do IBGE.

Métodos de Cálculo

[Média anual do número mensal de leitos complementares]÷[População total residente]×100.000

Categorias Sugeridas para Análise

Unidade geográfica: Brasil, grandes regiões, estados, Distrito Federal, regiões metropolitanas e municípios das capitais.

Tipo de leito: existentes SUS, existentes não-SUS, total.

Esfera administrativa: federal, estadual, municipal e privado.

Tipo de prestador: público, privado e filantrópico.

Dados Estatísticos e Comentários

CNES - RECURSOS FÍSICOS - HOSPITALAR - LEITOS COMPLEMENTARES - BRASIL http://tabnet.datasus.gov.br/cgi/tabcgi.exe?cnes/cnv/leiutibr.def Quantidade existente por Região segundo Ano/mês compet. Período: 2015-2022 Fonte: Ministério da Saúde - Cadastro Nacional dos Estabelecimentos de Saúde do Brasil - CNES Nota: A partir do processamento de junho de 2012, houve mudança na classificação da natureza e esfera dos estabelecimentos. Com isso, temos que: Até maio de 2012 estas informações estão disponíveis como "Natureza" e "Esfera Administrativa". De junho de 2012 a outubro de 2015, estão disponíveis tanto como "Natureza" e "Esfera Administrativa", como "Natureza Jurídica" e "Esfera Jurídica". A partir de novembro de 2015, estão disponíveis como "Natureza Jurídica" e "Esfera Jurídica".
Ano/mês compet.	1 Região Norte	2 Região Nordeste	3 Região Sudeste	4 Região Sul	5 Região Centro-Oeste	Total
2015/Jan	3.430	10.934	27.411	7.554	4.236	53.565
2015/Fev	3.399	11.011	27.382	7.558	4.213	53.563
2015/Mar	3.426	10.972	27.394	7.564	4.208	53.564
2015/Abr	3.438	11.009	27.397	7.567	4.230	53.641
2015/Mai	3.430	10.918	27.223	7.614	4.291	53.476
2015/Jun	3.429	10.935	27.201	7.586	4.280	53.431
2015/Jul	3.408	10.939	27.345	7.660	4.266	53.618
2015/Ago	3.421	10.933	27.619	7.648	4.240	53.861
2015/Set	3.427	11.010	27.780	7.648	4.281	54.146
2015/Out	3.431	10.941	27.784	7.649	4.396	54.201
2015/Nov	3.414	10.935	27.937	7.673	4.366	54.325
2015/Dez	3.429	10.933	28.049	7.694	4.381	54.486
2016/Jan	3.437	10.963	28.111	7.703	4.386	54.600
2016/Fev	3.445	10.937	28.091	7.716	4.415	54.604
2016/Mar	3.432	10.854	27.579	7.664	4.335	53.864
2016/Abr	3.397	11.038	27.684	7.734	4.314	54.167
2016/Mai	3.360	11.107	27.725	7.690	4.336	54.218
2016/Jun	3.400	11.140	27.778	7.726	4.290	54.334
2016/Jul	3.409	11.171	27.778	7.729	4.287	54.374
2016/Ago	3.415	11.250	27.773	7.772	4.383	54.593
2016/Set	3.452	11.269	27.840	7.781	4.407	54.749
2016/Out	3.444	11.316	27.977	7.796	4.353	54.886
2016/Nov	3.461	11.290	28.096	7.812	4.365	55.024
2016/Dez	3.481	11.358	28.143	7.784	4.493	55.259
2017/Jan	3.446	11.309	28.171	7.805	4.515	55.246
2017/Fev	3.430	11.323	28.216	7.795	4.578	55.342
2017/Mar	3.423	11.315	28.175	7.832	4.645	55.390
2017/Abr	3.422	11.240	28.540	7.786	4.709	55.697
2017/Mai	3.427	11.249	28.670	7.803	4.632	55.781
2017/Jun	3.467	11.264	28.778	7.807	4.677	55.993
2017/Jul	3.525	11.271	28.962	7.800	4.721	56.279
2017/Ago	3.541	11.362	28.981	7.805	4.815	56.504
2017/Set	3.537	11.307	28.907	7.918	4.816	56.485
2017/Out	3.441	11.334	28.867	7.947	4.788	56.377
2017/Nov	3.431	11.375	28.840	7.925	4.808	56.379
2017/Dez	3.396	11.510	28.846	7.927	4.740	56.419
2018/Jan	3.517	11.542	28.944	7.981	4.732	56.716
2018/Fev	3.494	11.604	29.110	8.014	4.716	56.938
2018/Mar	3.507	11.638	29.168	8.109	4.756	57.178
2018/Abr	3.515	11.662	29.544	8.155	4.807	57.683
2018/Mai	3.526	11.778	29.558	8.187	4.834	57.883
2018/Jun	3.537	11.761	29.455	8.210	4.787	57.750
2018/Jul	3.559	11.905	29.562	8.235	4.799	58.060
2018/Ago	3.591	11.921	29.742	8.283	4.796	58.333
2018/Set	3.589	11.994	29.890	8.296	4.858	58.627
2018/Out	3.591	11.876	29.026	8.294	4.783	57.570
2018/Nov	3.636	11.869	29.285	8.313	4.814	57.917
2018/Dez	3.683	11.884	29.332	8.359	4.847	58.105
2019/Jan	3.668	12.002	29.558	8.304	4.901	58.433
2019/Fev	3.689	12.053	29.848	8.338	4.869	58.797
2019/Mar	3.716	12.051	29.887	8.370	4.962	58.986
2019/Abr	3.734	12.073	29.984	8.346	5.041	59.178
2019/Mai	3.808	12.129	30.004	8.315	5.037	59.293
2019/Jun	3.807	12.051	30.170	8.312	5.100	59.440
2019/Jul	3.697	12.057	30.191	8.325	5.197	59.467
2019/Ago	3.747	12.069	30.264	8.345	5.149	59.574
2019/Set	3.928	12.157	30.341	8.351	5.134	59.911
2019/Out	3.891	12.255	30.216	8.374	5.166	59.902
2019/Nov	3.899	12.321	30.258	8.403	5.207	60.088
2019/Dez	3.906	12.311	29.978	8.415	5.185	59.795
2020/Jan	3.789	12.181	29.393	8.401	5.288	59.052
2020/Fev	3.768	12.239	29.901	8.437	5.350	59.695
2020/Mar	3.888	14.426	33.399	9.748	5.907	67.368
2020/Abr	4.630	16.336	37.564	10.129	6.168	74.827
2020/Mai	5.132	17.282	39.418	10.304	6.992	79.128
2020/Jun	5.510	17.908	41.046	10.692	7.193	82.349
2020/Jul	5.813	18.606	42.799	11.533	8.003	86.754
2020/Ago	6.117	18.874	43.158	11.644	8.184	87.977
2020/Set	6.050	18.883	43.266	11.637	8.337	88.173
2020/Out	6.027	18.727	43.067	11.496	8.418	87.735
2020/Nov	5.931	18.666	42.795	11.637	8.348	87.377
2020/Dez	5.956	18.734	43.173	11.763	8.391	88.017
2021/Jan	6.269	18.794	43.729	11.884	8.439	89.115
2021/Fev	6.499	20.038	43.953	12.566	8.785	91.841
2021/Mar	7.292	21.939	47.517	13.888	9.302	99.938
2021/Abr	7.447	22.590	48.728	14.151	9.790	102.706
2021/Mai	7.567	23.111	49.399	14.358	10.255	104.690
2021/Jun	7.447	23.325	49.692	14.471	10.387	105.322
2021/Jul	7.488	23.400	49.846	14.473	10.489	105.696
2021/Ago	7.423	23.373	49.875	14.490	10.530	105.691
2021/Set	7.294	23.056	49.413	14.290	10.447	104.500
2021/Out	7.259	22.328	48.412	13.973	10.371	102.343
2021/Nov	7.268	22.348	46.897	13.618	10.129	100.260
2021/Dez	7.163	22.255	46.503	13.469	10.042	99.432
2022/Jan	7.131	22.363	45.882	13.324	9.748	98.448
2022/Fev	7.136	22.372	45.617	13.173	9.614	97.912
2022/Mar	6.897	22.672	44.065	12.506	9.358	95.498
2022/Abr	6.474	21.851	42.214	11.674	9.167	91.380
2022/Mai	6.322	21.531	41.104	11.130	8.977	89.064
2022/Jun	5.535	17.465	37.071	9.759	7.279	77.109
2022/Jul	5.350	17.229	37.227	9.722	7.357	76.885
2022/Ago	5.321	17.253	37.487	9.802	7.314	77.177
2022/Set	5.354	17.153	37.287	9.837	7.405	77.036
2022/Out	5.366	17.188	37.337	9.868	7.388	77.147
2022/Nov	5.338	17.136	37.373	9.830	7.396	77.073
2022/Dez	5.361	17.153	37.303	9.825	7.284	76.926

Tabnet - Média anual de leitos complementares

ano	1 Região Norte	2 Região Nordeste	3 Região Sudeste	4 Região Sul	5 Região Centro-Oeste	Total
2015	3.424	10.956	27.544	7.618	4.282	53.823
2016	3.428	11.141	27.881	7.742	4.364	54.556
2017	3.457	11.322	28.663	7.846	4.704	55.991
2018	3.562	11.786	29.385	8.203	4.794	57.730
2019	3.791	12.127	30.058	8.350	5.079	59.405
2020	5.218	16.905	39.082	10.618	7.215	79.038
2021	7.201	22.213	47.830	13.803	9.914	100.961
2022	5.965	19.281	39.997	10.871	8.191	84.305

POPULAÇÃO RESIDENTE - ESTUDO DE ESTIMATIVAS POPULACIONAIS POR MUNICÍPIO, IDADE E SEXO 2000-2021 - BRASIL http://tabnet.datasus.gov.br/cgi/tabcgi.exe?ibge/cnv/popsvsbr.def População residente por Região segundo Ano Período: 2015-2021 Fonte: 2000 a 2021 – Estimativas preliminares elaboradas pelo Ministério da Saúde/SVS/DASNT/CGIAE
Ano	1 Região Norte	2 Região Nordeste	3 Região Sudeste	4 Região Sul	5 Região Centro-Oeste	Total
2015	17.458.469	55.828.194	85.679.246	29.067.145	15.442.629	203.475.683
2016	17.691.399	56.138.510	86.367.683	29.300.208	15.658.787	205.156.587
2017	17.929.800	56.442.149	87.035.037	29.526.869	15.870.886	206.804.741
2018	18.182.253	56.760.780	87.711.946	29.754.036	16.085.885	208.494.900
2019	18.430.980	57.071.654	88.371.433	29.975.984	16.297.074	210.147.125
2020	18.672.591	57.374.243	89.012.240	30.192.315	16.504.303	211.755.692
2021	18.906.962	57.667.842	89.632.912	30.402.587	16.707.336	213.317.639

Leitos complementares por 100 mil habitantes

Ano	1 Região Norte	2 Região Nordeste	3 Região Sudeste	4 Região Sul	5 Região Centro-Oeste	Total
2015	19,6	19,6	32,1	26,2	27,7	26,5
2016	19,4	19,8	32,3	26,4	27,9	26,6
2017	19,3	20,1	32,9	26,6	29,6	27,1
2018	19,6	20,8	33,5	27,6	29,8	27,7
2019	20,6	21,2	34,0	27,9	31,2	28,3
2020	27,9	29,5	43,9	35,2	43,7	37,3
2021	38,1	38,5	53,4	45,4	59,3	47,3
2022	31,6	33,4	44,6	35,8	49,0	39,5

Literatura relacionada

A busca "Beds"[Mesh] no sítio PubMed resultou, em 12/1/2022, em 4.588 resultados.

Ficha do indicador para o cientista de dados

Método de processamento de dados

Código posgreSQL de criação da tabela mv_codufmun_competen_tp_leito:

CREATE MATERIALIZED VIEW cartesiano.mv_codufmun_competen_tp_leito
AS SELECT vcc.co_municipio_ibge,
    vcc.competen,
    tctl.co_tpleito
   FROM territoriais.vw_codufmun_competen vcc
     CROSS JOIN cnv.td_cnes_tp_leito tctl;

-- View indexes:
CREATE INDEX mv_codufmun_competen_tp_leito_co_municipio_ibge_idx 
    ON cartesiano.mv_codufmun_competen_tp_leito USING btree 
    (co_municipio_ibge, competen);

Amostra da tabela mv_codufmun_competen_tp_leito

co_municipio_ibge	competen	co_tpleito
410180	2020-04-01	2
410290	2016-10-01	5
211240	2021-05-01	5
412000	2018-08-01	5
421250	2020-08-01	6
510622	2022-07-01	2
411330	2021-12-01	5
411580	2020-11-01	7
172049	2021-07-01	6
210005	2022-10-01	6
250790	2021-04-01	5
230200	2019-04-01	2
261540	2016-03-01	1
150720	2016-06-01	1
412120	2020-07-01	2

Amostra da vw_codufmun_competen

co_municipio_ibge	competen
312510	2022-08-01
251020	2016-02-01
220620	2021-06-01
431290	2019-01-01
412640	2020-03-01
140002	2019-01-01
316695	2016-09-01
310390	2015-05-01
251360	2021-06-01
314180	2018-09-01
292370	2015-05-01
320455	2018-10-01
241030	2015-11-01
352330	2015-03-01
211050	2019-06-01

Tipo de leito mantido na td_cnes_tp_leito

co_tpleito	ds_tpleito
1	Cirúrgico
2	Clínico
3	Complementar
4	Obstétrico
5	Pediátrico
6	Outras Especialidades
7	Hospital Dia

Código posgreSQL de criação da tabela mv_leitos_tipo_mun_cartesiano:

CREATE MATERIALIZED VIEW pri.mv_leitos_tipo_mun_cartesiano
AS SELECT cctu.co_municipio_ibge,
    cctu.competen,
    lpm.dt_atualizacao,
    cctu.co_tpleito,
        CASE cctu.co_tpleito
            WHEN 1 THEN 19
            WHEN 2 THEN 20
            WHEN 4 THEN 21
            WHEN 5 THEN 22
            ELSE NULL::integer
        END AS indicador_id,
    COALESCE(lpm.qt_leito, 0::bigint::numeric) AS qt_leitos,
    lpm.st_sus
   FROM cartesiano.mv_codufmun_competen_tp_leito cctu
     LEFT JOIN pri.mv_leitos_tipo_mun lpm 
       ON cctu.co_municipio_ibge = lpm.co_municipio_ibge 
      AND cctu.competen = lpm.dt_competen 
      AND cctu.co_tpleito = lpm.co_tpleito
  WHERE cctu.co_tpleito = ANY (ARRAY[1, 2, 4, 5])
  ORDER BY cctu.co_municipio_ibge, cctu.competen;

Amostra da tabela mv_leitos_tipo_mun_cartesiano

co_municipio_ibge	competen	dt_atualizacao	co_tpleito	indicador_id	qt_leitos	st_sus
354970	2018-01-01	2022-12-09	5	22	6	false
210440	2016-02-01	2022-12-09	4	21	0	false
251370	2021-07-01	2022-12-09	1	19	5	false
521839	2015-07-01	[NULL]	2	20	0	[NULL]
210390	2016-07-01	2022-12-09	4	21	0	false
313420	2021-05-01	2022-12-09	5	22	8	false
250570	2019-07-01	2022-12-09	1	19	2	true
210980	2018-06-01	2022-12-09	1	19	0	false
312610	2018-07-01	2022-12-09	5	22	12	true
522200	2022-02-01	2022-12-09	4	21	5	true
421660	2019-12-01	2022-12-09	2	20	37	false
411930	2017-05-01	2022-12-09	5	22	1	false
421190	2019-11-01	2022-12-09	4	21	4	false
510523	2021-02-01	[NULL]	5	22	0	[NULL]
312120	2021-09-01	2022-12-09	2	20	5	false

Método de processamento analítico

Código posgreSQL de criação da tabela mv_e_3_cartesiano:

CREATE MATERIALIZED VIEW pri.mv_e_3_cartesiano
AS SELECT 8 AS indicador_id,
    x.co_municipio_ibge,
    date_part('year'::text, x.competen) AS nu_ano,
    x.st_sus,
    sum(x.qt_leitos) / 12::numeric AS vl_media_leitos
   FROM pri.mv_leitos_tipo_mun_cartesiano x
  WHERE x.co_tpleito <> ALL (ARRAY[3, 4, 5, 7])
  GROUP BY 8::integer, x.co_municipio_ibge, (date_part('year'::text, x.competen)), x.st_sus;

Amostra da tabela mv_e_3_cartesiano

indicador_id	co_municipio_ibge	nu_ano	st_sus	vl_media_leitos
8	251040	2.022	true	0,8333333333
8	521220	2.022	[NULL]	0
8	290290	2.019	true	20
8	521280	2.017	false	14,25
8	270010	2.015	true	17
8	315230	2.015	[NULL]	0
8	241340	2.022	[NULL]	0
8	251250	2.022	false	0
8	211027	2.017	true	8
8	311400	2.015	[NULL]	0
8	352460	2.017	[NULL]	0
8	220010	2.022	[NULL]	0
8	411080	2.018	false	0
8	150750	2.016	true	10
8	293040	2.019	false	0
8	170510	2.020	[NULL]	0
8	430265	2.017	true	14
8	410220	2.019	[NULL]	0
8	240130	2.021	[NULL]	0
8	431710	2.022	[NULL]	0

Método de apresentação de dados

O indicador constitui painel analítico na plataforma do CIEGES, empregando-se a ferramenta Tableau.

Método de análise matemática e estatística

As consultas postgreSQL abaixo ilustra como foi realizada a extração das tabelas apresentadas na seção Dados Estatísticos e Comentários.

Média de leitos em doze meses:

 select 
       extract(year from competen) nu_ano,
       round(sum(case when left(co_municipio_ibge::text,1)::int=1 
                      THEN qt_leitos ELSE 0 END)::numeric/12
      ,1) "1 N",
       round(sum(case when left(co_municipio_ibge::text,1)::int=2
                      THEN qt_leitos ELSE 0 END)::numeric/12
      ,1) "2 NE",
       round(sum(case when left(co_municipio_ibge::text,1)::int=3
                      THEN qt_leitos ELSE 0 END)::numeric/12
      ,1) "3 SE",
       round(sum(case when left(co_municipio_ibge::text,1)::int=4
                      THEN qt_leitos ELSE 0 END)::numeric/12
      ,1) "4 S",
       round(sum(case when left(co_municipio_ibge::text,1)::int=5 
                      THEN qt_leitos ELSE 0 END)::numeric/12
      ,1) "5 CO",
      ROUND(SUM(qt_leitos)::numeric/12,1) "Brasil"
  from pri.mv_leitos_tipo_mun_cartesiano
 where extract(year from competen) between 2015 and 2021
   and co_tpleito in (3, 4, 5, 7)
 group by 1
 order by 1

Leitos por habitante:

select nu_ano,
       max(case when regiao = 1 then leitos_hab end) "1 N",
       max(case when regiao = 2 then leitos_hab end) "2 NE",
       max(case when regiao = 3 then leitos_hab end) "3 SE",
       max(case when regiao = 4 then leitos_hab end) "4 S",
       max(case when regiao = 5 then leitos_hab end) "5 CO",
       max(case when regiao = 0 then leitos_hab end) "Brasil"
from (       
select A.nu_ano,
       A.regiao,
       round((A.qt_leitos::numeric/12)) qt_leitos,
       B.qt_populacao,
       round((A.qt_leitos::numeric/12)/B.qt_populacao*1000,2) leitos_hab
from (
select extract(year from competen) nu_ano,
       left(A.co_municipio_ibge::text,1)::int regiao,
       sum(qt_leitos) qt_leitos
  from pri.mv_leitos_tipo_mun_cartesiano A
 where extract(year from competen) between 2015 and 2021
   and co_tpleito in (3, 4, 5, 7)
   group by 1,2
union
select extract(year from competen) nu_ano,
       0 regiao,
       round(sum(qt_leitos)::numeric) qt_leitos
  from pri.mv_leitos_tipo_mun_cartesiano A
 where extract(year from competen) between 2015 and 2021
   and co_tpleito in (3, 4, 5, 7)
   group by 1,2
) A
  left join 
  (select nu_ano,
          left(co_municipio_ibge::text,1)::int regiao,
          sum(qt_populacao) qt_populacao
     from bd_geral.tf_populacao_municipio_idade_sexo
     group by 1,2
    union
   select nu_ano,
          0 regiao,
          sum(qt_populacao) qt_populacao
     from bd_geral.tf_populacao_municipio_idade_sexo
     group by 1,2 
   ) B
    on A.regiao = B.regiao 
    and A.nu_ano = B.nu_ano 
   order by 1,2
) x
group by 1
order by 1

Método de descoberta de conhecimento em bancos de dados (KDD)

Não foram aplicados modelos de mineração de dados no presente indicador.

Base de dados

O acesso aos dados processados está em desenvolvimento.

Apêndice

Ver também

• Nomenclatura

Ligações externas

• Caderno Verde de indicadores básicos para a saúde no Brasil (IDB)
• Fichas de Qualificação da RIPSA – 2012
• Centro de Informações Estratégicas para a Gestão do SUS (Cieges)

Rastreabilidade

atributo	valor
Identificador	10
Código RIPSA	E.3.4
Nome RIPSA	N° de leitos UTI por habitante
URL RIPSA
tabela CIEGES