Caídas moderadas y graves: un modelo predictivo basado en seis años de casos reportados en el sur de BrasilRESUMEN
Objetivo: Caracterizar el perfil sociodemográfico y clínico de los pacientes e identificar factores predictivos asociados a caídas moderadas y graves.
Método: Estudio transversal analítico con 300 notificaciones de caídas (2019-2024). Se utilizó regresión de Poisson con varianza robusta para estimar las razones de prevalencia (RP), regresión logística para el análisis predictivo y AUC ROC para evaluar la capacidad discriminatoria del modelo.
Resultados: Predominaron los pacientes varones (55,0%), con una edad media de 56,4 años y una alta frecuencia de enfermedades crónicas (86,2%). Las caídas fueron mayoritariamente leves (54,2 %) y moderadas (44,6 %). La duración de la estancia >14 días (RP = 7,21; IC95%: 1,68–26,47), el sexo masculino (RP = 2,89; IC95%: 1,15–7,40), el turno de mañana (RP = 2,54; IC95%: 1,17–6,73), la desorientación (RP = 1,86; IC95%: 1,11–4,55), las enfermedades crónicas (RP = 1,36; IC95%: 1,11–3,69) y las enfermedades circulatorias (RP = 1,58; IC95%: 1,03–4,31) se asociaron con un mayor riesgo de caídas moderadas/graves. Las hospitalizaciones previas fueron un factor protector (PR = 0,37; IC95%: 0,22–0,94).
Conclusión: Las caídas se asociaron con factores clínicos y de atención. El modelo mostró una discriminación moderada (AUC = 0,77), con potencial para apoyar la prevención de caídas con este resultado.
DESCRIPTORES
Seguridad del Paciente; Accidentes por Caídas; Hospitalización; Predicción; Enfermería
ABSTRACT
Objective: To characterize the sociodemographic and clinical profile of patients and identify predictive factors associated with moderate and severe falls.
Method: An analytical cross-sectional study conducted using 300 fall reports (2019–2024). Poisson regression with robust variance was used to estimate prevalence ratios (PRs), logistic regression was performed for predictive modeling, and the area under the receiver operating characteristic (ROC) curve (AUC) was used to assess the model’s discriminatory performance.
Results: Most patients were male (55.0%), with a mean age of 56.4 years and a high prevalence of chronic diseases (86.2%). Most falls resulted in mild harm (54.2%) or moderate harm (44.6%). A hospital stay longer than 14 days (PR = 7.21; 95%CI: 1.68–26.47), male sex (PR = 2.89; 95%CI: 1.15–7.40), falls occurring during the morning shift (PR = 2.54; 95%CI: 1.17–6.73), disorientation (PR = 1.86; 95%CI: 1.11–4.55), chronic diseases (PR = 1.36; 95%CI: 1.11–3.69), and diseases of the circulatory system (PR = 1.58; 95%CI: 1.03–4.31) were associated with a higher risk of moderate/severe falls. Previous hospitalizations were identified as a protective factor (PR = 0.37; 95%CI: 0.22–0.94).
Conclusion: falls were associated with clinical and healthcare-related factors. The model demonstrated moderate discriminatory performance (AUC = 0.77), supporting its potential use in the prevention of moderate and severe falls.
DESCRIPTORS
Patient Safety; Accidental Falls; Hospitalization; Forecasting; Nursing
RESUMO
Objetivo: Caracterizar o perfil sociodemográfico e clínico dos pacientes e identificar fatores preditivos associados às quedas moderadas e graves.
Método: Estudo transversal analítico com 300 notificações de quedas (2019–2024). Utilizou-se a regressão de Poisson com variância robusta para estimar as razões de prevalência (RP), regressão logística, para análise preditiva, e AUC ROC, para avaliação da capacidade discriminatória do modelo.
Resultados: Predominaram pacientes do sexo masculino (55,0%), com média de 56,4 anos e alta frequência de doenças crônicas (86,2%). As quedas foram majoritariamente leves (54,2%) e moderadas (44,6%). Associaram-se a maior risco de quedas moderadas/graves: tempo de internação >14 dias (RP = 7,21; IC95%:1,68–26,47), sexo masculino (RP = 2,89; IC95%:1,15–7,40), turno da manhã (RP = 2,54; IC95%:1,17–6,73), desorientação (RP = 1,86; IC95%:1,11–4,55), doenças crônicas (RP = 1,36; IC95%:1,11–3,69) e doenças circulatórias (RP = 1,58; IC95%:1,03–4,31) se associaram a maior risco de quedas moderadas/graves. Internações prévias foram fator de proteção (RP = 0,37; IC95%:0,22–0,94).
Conclusão: As quedas associaram-se a fatores clínicos e assistenciais. O modelo apresentou discriminação moderada (AUC = 0,77), com potencial para apoiar a prevenção de quedas com esse desfecho.
DESCRITORES
Segurança do Paciente; Acidentes por Quedas; Hospitalização; Predição; Enfermagem
INTRODUCCIÓN
Las caídas en el entorno hospitalario constituyen uno de los eventos adversos más frecuentes relacionados con la seguridad del paciente, lo que representa un problema de salud pública a nivel mundial. Según la Organización Mundial de la Salud, una caída se define como el desplazamiento involuntario de una persona a un nivel inferior, lo que puede provocar lesiones mortales o no mortales, aunque la mayoría de los episodios no terminan en muerte(1). La evidencia de la Agency for Healthcare Research and Quality indica que estos eventos son comunes durante la hospitalización y, en gran medida, potencialmente prevenibles(2).
La Escala de Morse es ampliamente reconocida como una de las herramientas más utilizadas en la práctica clínica para evaluar el riesgo de caídas en pacientes hospitalizados. Se trata de un instrumento validado, de fácil aplicación y rápida ejecución, que permite identificar a los pacientes con mayor probabilidad de sufrir caídas a partir del análisis de múltiples factores de riesgo, como antecedentes previos, estado mental y condiciones clínicas(3).
Los resultados de las caídas pueden clasificarse como sin daño, daño leve, moderado o grave. El evento sin daño ocurre sin repercusiones clínicas detectables; el daño leve implica manifestaciones discretas, con una pérdida funcional mínima y solo requiere monitoreo o cuidados básicos; el daño moderado corresponde a alteraciones físicas o psicológicas temporales de la capacidad funcional o de la calidad de vida; y el daño grave implica repercusiones importantes, como dolor intenso, deformidades o desfiguración, con una reducción sustancial de la autonomía del paciente(1, 2, 3, 4).
Las caídas en el entorno hospitalario se ven influidas por múltiples factores, entre ellos el entorno físico, las condiciones clínicas de los pacientes y la complejidad o gravedad de los casos, la participación y la adherencia de los pacientes, el peligro o la inseguridad, y la clasificación o evaluación del riesgo clínico, tal como lo demuestran estudios internacionales realizados en Italia y Australia(5−6). Los efectos de las caídas van más allá de las repercusiones físicas y emocionales, ya que pueden aumentar el tiempo de hospitalización en un promedio de 3,9 días en las unidades somáticas y de 13,2 días en las psiquiátricas, además de elevar los costos de atención, que pueden alcanzar los 62 521 dólares por episodio, llegando a 64 526 dólares cuando hay lesiones(7,8).
En Brasil, en 2024, las caídas se constituyeron como el cuarto evento adverso más notificado en el sistema nacional de vigilancia, con más de 34 mil registros, en su mayoría en el ámbito hospitalario. De estos, el 9,3 % provocó lesiones moderadas o graves. La mayoría de los episodios (más de 31 mil) ocurrió en el ámbito hospitalario. Aunque el país ha adoptado las seis Metas Internacionales de Seguridad del Paciente, que incluyen la prevención de caídas, tal como lo recomienda la Joint Commission International, aún se observa una alta incidencia de este evento(9). En el primer semestre de 2025, se observó un aumento significativo de las notificaciones, que superaron los 80 mil casos, de los cuales más de 76 mil ocurrieron en hospitales(10).
A pesar de la relevancia del tema, aún existen lagunas en la literatura en cuanto a la identificación de factores predictivos asociados a la gravedad de las caídas en entornos hospitalarios brasileños, especialmente a partir de datos de notificación. En este sentido, los modelos predictivos pueden contribuir a la anticipación de riesgos y a la orientación de estrategias preventivas enfocadas en la seguridad del paciente(11).
Ante este panorama, este estudio se guió por las siguientes preguntas: ¿cuáles son las características sociodemográficas y clínicas de los pacientes afectados? ¿Y qué factores están asociados a la ocurrencia de caídas moderadas y graves? Así, el objetivo fue analizar las notificaciones de caídas hospitalarias e identificar los factores asociados a las caídas moderadas y graves en un hospital universitario del sur de Brasil.
MÉTODO
Tipo de Estudio
Se trata de un estudio transversal analítico, realizado a partir del análisis de todas las notificaciones entre 2019 y 2024.
Lugar del Estudio
El estudio se llevó a cabo en un hospital universitario federal ubicado en la región sur de Brasil. La institución brinda atención gratuita a través del Sistema Único de Salud (SUS) a pacientes de complejidad media y alta.
Población del Estudio
Se identificaron registros de pacientes con notificación de caídas, lo que sumó un total de 313 casos. De estos, 13 fueron excluidos por duplicación, lo que dio como resultado una población de 300 pacientes.
Recolección de Datos
La recolección de datos se llevó a cabo a través de fuentes secundarias, utilizando los registros proporcionados por la institución. De manera complementaria, se consultaron los expedientes médicos electrónicos y se recopilaron las variables clínicas. Los datos se recopilaron entre junio de 2024 y febrero de 2025.
Las variables recopiladas inicialmente fueron: características sociodemográficas (sexo, fecha de nacimiento, raza, estado civil, nivel educativo); datos de la notificación de la caída (fecha de la notificación, turno, sector hospitalario, clasificación del riesgo de caída según la Escala de Morse, situación, lugar del incidente, características de la caída); e información analítica (categoría profesional de la persona que notificó, posibles causas, factores de riesgo).
Posteriormente, el equipo de gestión de riesgos analiza y clasifica la caída según el daño (ninguno, leve, moderado, grave o muerte) y las circunstancias del evento adverso. Estas dos últimas, junto con las posibles causas y los factores de riesgo, se obtienen mediante la evaluación subjetiva del profesional.
Posteriormente, se recopilaron las siguientes variables clínicas: peso; estatura; tabaquismo; consumo de alcohol; obesidad; diabetes; hipertensión arterial sistémica (HAS); neoplasia; enfermedades crónicas; motivo de la hospitalización; hospitalizaciones previas en el último año (2024); días de hospitalización; e Índice de Masa Corporal (IMC).
El IMC se calcula mediante la relación entre el peso y la altura al cuadrado y se clasifica según los criterios de la Organización Mundial de la Salud, lo que permite categorizar a las personas en «bajo peso», «peso normal», «sobrepeso» y «obesidad». Se trata de un indicador ampliamente utilizado por su simplicidad y aplicabilidad, y puede ser relevante para identificar condiciones nutricionales asociadas al riesgo de eventos adversos, incluidas las caídas(12).
Análisis y Procesamiento de Datos
El análisis de datos se realizó en el Statistical Package for Social Sciences (SPSS®), versión 25.0 (SPSS Inc., Chicago, IL, EE. UU., 2018) para Windows, adoptando un nivel de significación del 5 %. Los resultados se presentaron mediante estadísticas descriptivas, con distribuciones absolutas y relativas (n–%), así como medidas de tendencia central (promedio y mediana) y de variabilidad (desviación estándar, amplitud y amplitud intercuartílica). La simetría de las distribuciones continuas se evaluó mediante la prueba de Kolmogorov-Smirnov.
Para la comparación de proporciones, se utilizó la prueba de Chi-cuadrado de concordancia para categorías de una sola variable y la prueba de Cochran para variables dependientes (respuestas múltiples). En el análisis bivariado, se empleó la prueba de Chi-cuadrado de Pearson o la prueba exacta de Fisher, cuando correspondía, además de la estimación del valor de p y del intervalo de confianza del 95 % (IC95 %s)(13,14).
Las medidas de asociación se estimaron mediante regresión de Poisson con varianza robusta, calculando la razón de prevalencia (RP) y su IC95%, siendo este el enfoque adoptado para el análisis inferencial. Las variables con p ≤ 0,250 en el análisis bivariado se consideraron elegibles para su inclusión en los modelos multivariados.
Para la construcción del modelo predictivo y la selección de las variables, se utilizó la regresión logística multivariante, considerando como variable dependiente la clasificación de la caída (moderada/grave frente a leve/sin daño). La regresión logística se empleó exclusivamente con fines de selección de variables y evaluación de la capacidad discriminatoria del modelo, sin utilizarse para la estimación de medidas de asociación.
El modelado se llevó a cabo en dos etapas: intrabloque e interbloques. Inicialmente, se realizó el análisis intrabloco para identificar las variables con potencial predictivo en cada conjunto. Posteriormente, se procedió a la modelación interbloques, con la incorporación progresiva de las variables seleccionadas, con el objetivo de construir el modelo final ajustado. Tras esta etapa, las asociaciones finales se reestimaron mediante regresión de Poisson con varianza robusta.
La construcción de los modelos intrabloque consideró la siguiente estructura: bloque 1 – variables sociodemográficas (sexo, edad, raza, estado civil y nivel educativo); bloque 2 – características clínicas (tabaquismo, alcoholismo, HAS, enfermedades crónicas, motivo de la hospitalización, procedimiento y enfermedades del sistema circulatorio); bloque 3: información sobre la caída (turno, hospitalizaciones previas, días de hospitalización y lugar del incidente); y bloque 4: posibles causas del incidente (falta de equilibrio, desorientación y estructura del edificio).
Las variables «categoría de notificación», «circunstancias del evento adverso» y «factores de riesgo» se excluyeron del modelo final por presentar inestabilidad y colinealidad, posiblemente relacionadas con un sesgo de selección, lo que comprometió la precisión de los estimadores. La variable «obesidad» también se excluyó debido al reducido número de casos en la categoría de resultado moderado/grave (n = 9), lo que impidió su uso como predictor robusto en el modelo.
El criterio de información de Akaike permitió seleccionar las variables de interés para el modelo final. El ajuste del modelo de regresión se evaluó mediante la prueba de bondad de ajuste del modelo (prueba de Hosmer-Lemeshow goodness-of-fit). El modelo robusto final se obtuvo en 15 pasos (Chi-cuadrado de la razón de verosimilitud: inicial = 487,156; p = 0,411; final = 622,341; p = 0,564), sin que se observaran diferencias significativas entre los modelos esperado y observado. La evaluación de la capacidad discriminatoria del modelo logístico final obtenido en este estudio se estimó mediante el análisis del área bajo la curva ROC. Su interpretación corresponde al equilibrio entre la especificidad y la sensibilidad(15).
En este manuscrito, las herramientas de inteligencia artificial se utilizaron exclusivamente como apoyo en la revisión lingüística, sin interferir en el análisis de los datos, la interpretación de los resultados ni la formulación científica del contenido.
Aspectos Éticos
La investigación fue aprobada por el Comité de Ética en Investigación de la Universidad Federal de Santa Catarina, mediante el Certificado de Presentación para Evaluación Ética n.º 75.344723.4.2001.0121 y el Dictamen n.º 6.712.325.
RESULTADOS
Se analizaron las notificaciones de caídas que se produjeron en 300 pacientes. Las características clínicas y sociodemográficas de la muestra se presentan en la Tabla 1. Predominaron los pacientes de sexo masculino (55 %), con una edad promedio de 56 años, destacando el grupo de edad de 50 a 59 años (25,6 %). Se observó una baja prevalencia de tabaquismo (39,2 %) y de alcoholismo (24,1 %). Entre las comorbilidades, predominaron la HAS (52,1 %), la diabetes (39,8 %) y las neoplasias (35,3 %), con un predominio significativo de enfermedades crónicas (86,2 %). Los principales motivos de hospitalización fueron las enfermedades del sistema circulatorio (14,0 %) y del sistema respiratorio (10,5 %).
Características clínicas y sociodemográficas de los pacientes que sufrieron caídas. Medidas de tendencia central y de variabilidad para la edad – Florianópolis, SC, Brasil, 2026.
También se analizaron otras variables sociodemográficas. Se observó una mayor frecuencia de pacientes casados o en unión estable (n = 108; 37,9 %) en comparación con los solteros (n = 94; 33,0 %). En cuanto al nivel educativo, predominaron las personas con educación primaria incompleta (n = 77; 27,3 %), seguidas de aquellas con educación secundaria completa (n = 67; 24,4 %). En cuanto al color de piel autodeclarado, hubo una mayor frecuencia de personas blancas (n = 228; 77,0 %) en comparación con las no blancas (n = 68; 23,0 %). En cuanto a los hábitos de vida, el 24,0 % (n = 54) de los pacientes presentaba hábitos de consumo excesivo de alcohol, y el 39,2 % (n = 87) eran fumadores. En cuanto al IMC, la media fue de 25,2 ± 6,2 kg/m2 (rango: 13,0–53,1), y la mediana, de 25,2 kg/m2 (rango intercuartílico: 21,2–27,8), si bien el 15,0 % (n = 33) de los pacientes se clasificaron como obesos, teniendo en cuenta la elevada proporción de datos faltantes para esta variable (42,0 %).
Cabe destacar la presencia de datos faltantes en algunas de las variables mencionadas anteriormente, como el IMC (42,0 %), la obesidad (28,0 %), el tabaquismo (26,0 %), el consumo de alcohol (25,3 %), el estado civil (5,0 %) y el color de piel autodeclarado (1,3 %). Los análisis se realizaron considerando los datos disponibles para cada variable.
Según la Tabla 2, las caídas ocurrieron principalmente en los turnos de la mañana (36,6 %) y de la noche (37,0 %). Predominó el alto riesgo de caída antes del evento (61,7 %). Hubo una mayor incidencia entre los pacientes con hasta siete días de hospitalización (26,6 %). El sector de medicina interna concentró la mayor proporción de caídas (37,9 %), seguido por el de cirugía (27,9 %) y el de urgencias para adultos (14,6 %).
Distribución absoluta y relativa de las características de las notificaciones de caídas – Florianópolis, SC, Brasil, 2026.
Como se muestra en la Tabla 3, las caídas resultaron ser más frecuentes en pacientes hospitalizados (89,2 %), principalmente en la habitación (42,9 %) y en el baño (34,5 %), siendo más frecuentes las caídas desde la propia altura (54,9 %).
Distribución absoluta y relativa de las variables relacionadas con el evento de caídas – Florianópolis, SC, Brasil, 2026.
Entre las posibles causas, se destacaron la falta de equilibrio (n = 111; 37,0 %), la pérdida de fuerza (n = 93; 31,0 %) y la desorientación (n = 89; 30 %). Solo el 14 % (n = 43) señaló la estructura del edificio y los materiales hospitalarios como posibles causas. La mayor parte de las notificaciones fue realizada por el equipo de enfermería (n = 259; 86,6 %). Las circunstancias que los profesionales notificantes asociaron con mayor frecuencia a las caídas incluyeron el estado clínico del paciente (n = 198; 66,0 %), la nutrición inadecuada (n = 144; 48,0 %) y la realización de múltiples procedimientos (n = 126; 42,0 %). Por otro lado, la falta de orientación para la prevención de caídas (n = 61; 20,3 %) y el tamaño del equipo (n = 31; 10,3 %) se señalaron con menor frecuencia como circunstancias relacionadas con el evento adverso.
En el análisis bivariado, la ocurrencia de caídas moderadas o graves se asoció con el sexo masculino (RP = 1,43; IC 95 %: 0,94–2,43; p = 0,069), con una edad más temprana (RP = 0,99; IC 95 %: 0,97–1,00; p = 0,093), a ser de raza no blanca (RP = 1,28; IC 95 %: 0,91–1,32; p = 0,086), a no vivir en una unión estable (RP = 1,66; IC 95 %: 0,85–2,77; p = 0,091) y a un menor nivel educativo. Entre las variables clínicas y relacionadas con las caídas, se destacaron la falta de equilibrio (RP = 0,80; IC 95 %: 0,63–1,01; p = 0,064), la desorientación (RP = 1,33; IC 95 %: 0,86–2,33; p = 0,214) y los factores estructurales (RP = 1,64; IC 95 %: 0,83–3,45; p = 0,187). Solo se observó una asociación estadísticamente significativa para las hospitalizaciones previas (RP = 0,72; IC 95 %: 0,43–0,91; p = 0,009), lo que se configuró como un factor de protección.
En los modelos intrabloc, se mantuvieron como predictores en el bloque sociodemográfico el color autodeclarado no blanco (RP = 2,46; IC 95 %: 1,12–5,41; p = 0,025) y la edad más joven (RP = 0,99; IC 95 %: 0,86–1,01; p = 0,099), con una varianza explicada por el color autodeclarado y la edad sobre los tipos de gravedad de la caída del 7,8 % (R2 de Nagelkerke = 0,078) y una precisión del 63,9 %. En el bloque clínico, se mantuvieron el hábito de consumir alcohol (RP = 1,55; IC 95 %: 0,92–3,26; p = 0,064), las enfermedades crónicas (RP = 1,76; IC 95 %: 1,10–3,88; p = 0,004), la realización de un procedimiento (RP = 1,35; IC 95 %: 0,95–2,34; p = 0,063) y las enfermedades del sistema circulatorio (RP = 2,85; IC 95 %: 1,19–6,44; p = 0,008), con un R2 = 0,156 y una precisión del 61,7 %. En el bloque relativo a las características de la caída, se destacaron el turno de la mañana (RP = 2,35; IC 95 %: 1,93–6,98; p = 0,027) y las hospitalizaciones previas (RP = 0,32; IC 95 %: 0,41–0,75; p = 0,009), con un R2 = 0,119 y una precisión del 60,7 %.
Como se muestra en la Tabla 4, en el modelo final, no hubo una reducción significativa de la varianza explicada (R2 ajustado: 0,522 frente a 0,497), de la asociación entre variables (0,389 frente a 0,327) ni de la precisión (74,4 % frente a 69,2 %), lo que indica que se mantuvo el poder predictivo con un menor número de variables. Mediante el método backward conditional, los principales predictores de caídas moderadas/graves fueron la duración de la hospitalización >14 días (RP = 7,21; IC 95 %: 1,68–26,47), el sexo masculino (RP = 2,89; IC 95 %: 1,15–7,40), la ocurrencia de una caída durante el turno de la mañana (RP = 2,54; IC 95 %: 1,17–6,73), presentar desorientación como posible causa del incidente (RP = 1,86; IC 95 %: 1,11–4,55), las enfermedades crónicas (RP = 1,36; IC del 95 %: 1,11–3,69) y que el motivo de la hospitalización fueran enfermedades del sistema circulatorio (RP = 1,58; IC del 95 %: 1,03–4,31), mientras que las hospitalizaciones previas mantuvieron un efecto protector (RP = 0,37; IC del 95 %: 0,22–0,94) frente a las caídas moderadas o graves.
Modelo final de regresión de Poisson para los factores asociados a la ocurrencia de caídas moderadas/graves – Florianópolis, SC, Brasil, 2026.
En cuanto a la capacidad predictiva del modelo final, el área bajo la curva ROC fue de 0,768 (IC95%: 0,681 – 0,812; p < 0,001) (Figura 1), lo que indica una capacidad de discriminación moderada por encima del azar (50,0%). Las estimaciones de sensibilidad y especificidad fueron de 74,6 % y 62,3 %, respectivamente. Por lo tanto, hay evidencia de que las clasificaciones no se predijeron por casualidad.
Curva ROC para el modelo logístico predictivo de caídas moderadas/graves Florianópolis, SC, Brasil, 2026.
DISCUSIÓN
Los años con mayor concentración de caídas fueron 2024 (25,7 %) y 2019 (20,7 %). Entre esos períodos se produjo la pandemia de COVID-19, que exigió la reestructuración de los servicios de salud y la reasignación de recursos, lo que posiblemente dio lugar a un subregistro de eventos adversos sin que ello representara una reducción real en su ocurrencia. Se describieron hallazgos similares en un estudio multicéntrico italiano, que también evidenció variaciones anuales significativas en el número de caídas hospitalarias durante y después de la pandemia(4).
En cuanto al sexo, se identificó un predominio masculino (55 %) y un riesgo aproximadamente dos veces mayor de sufrir caídas moderadas y graves (RP = 2,89). Este resultado difiere de los estudios que señalan un mayor riesgo en las mujeres(16), y puede explicarse por las características del hospital estudiado, de la población atendida en el servicio de salud analizado y de las demás variables presentes en el estudio(16).
Las enfermedades crónicas estaban presentes en el 86,2 % de la población y se asociaron significativamente con caídas moderadas y graves (RP = 1,36), al igual que las enfermedades del sistema circulatorio (RP = 1,58). Estos resultados concuerdan con la evidencia que relaciona comorbilidades, como la HAS, la diabetes, la insuficiencia cardíaca, el accidente cerebrovascular y la enfermedad hepática, con una mayor susceptibilidad a las caídas y a las lesiones, principalmente en adultos mayores(17). El hospital analizado atiende a pacientes de complejidad media y alta del Sistema Único de Salud (SUS), y concentra casos con múltiples afecciones clínicas y procedimientos invasivos.
Aunque los períodos matutino (36,6 %) y nocturno (37,0 %) presentaron proporciones similares de caídas, el modelo predictivo identificó que el turno de la mañana se asoció con un riesgo 2,5 veces mayor de caídas moderadas y graves (RP = 2,54). Este hallazgo podría estar relacionado con la mayor concentración de actividades de atención en ese período, como baños, cambio de ropa de cama, exámenes y traslado de pacientes, tal como se describe en estudios internacionales(18).
Las caídas ocurrieron predominantemente en pacientes hospitalizados (89,2 %), sobre todo en las habitaciones (42,9 %) y los baños (34,5 %). Estos ambientes se describen como lugares críticos en la literatura. Otro estudio también evidenció que las caídas ocurrieron principalmente en las habitaciones de hospitalización (64,2 %), seguidas de los baños (35,8 %) y los pasillos (10 %)(5). Este hallazgo pone de manifiesto la necesidad de intervenciones estructurales, como barras de apoyo, pisos antideslizantes e iluminación adecuada, además de una vigilancia intensificada por parte del equipo de enfermería.
Los pacientes hospitalizados presentan una mayor susceptibilidad a las caídas intrahospitalarias debido a múltiples factores identificados por los profesionales de la salud, como el estado clínico del paciente (66 %, la nutrición inadecuada (48 %), la edad avanzada (45,3 %), la falta de equilibrio (37 %), la pérdida de fuerza (31 %) y el diagnóstico clínico (60,7 %). Desde esta perspectiva, se observó que los pacientes con desorientación como posible causa de la caída presentaban una mayor probabilidad de sufrir una caída moderada o grave (PR = 1,86). Resultados similares evidenciaron que, además de otros factores, la desorientación fue un factor de riesgo medio y alto (OR de 2,40 y 12,54, respectivamente) para las caídas(19).
La caída desde la propia altura fue el mecanismo más frecuente en este estudio (54,9 %), asociada a los factores intrínsecos descritos en el párrafo anterior. Estos hallazgos coinciden con una revisión sistemática reciente que identificó la alteración de la marcha y del equilibrio como un fuerte predictor de caídas (OR = 2,11). De manera similar, la desorientación presente en el 30 % de los pacientes de este estudio, asociada a caídas con desenlaces moderados y graves (RP = 1,86), concuerda con la evidencia internacional que señala el deterioro cognitivo y el delirio como factores críticos para las caídas (OR = 2,30)(20).
El motivo de hospitalización más frecuente fue el grupo de enfermedades del aparato digestivo (20,6 %), seguido de procedimientos quirúrgicos (18,2 %) y enfermedades circulatorias (14 %). Aunque las enfermedades del aparato circulatorio no se destacaron en el análisis descriptivo, se observaron razones de prevalencia significativas en el conjunto de variables incluidas en el modelo predictivo. Las afecciones identificadas con mayor frecuencia en este grupo fueron insuficiencia cardíaca, enfermedad arterial obturativa periférica, trombosis venosa profunda, accidente cerebrovascular, isquemia y aneurisma. A pesar de que la variable relativa a los pacientes sometidos a procedimientos no se mantuvo en el modelo final, la amputación se destacó como uno de los principales procedimientos registrados.
En este contexto, los pacientes con enfermedades circulatorias descompensadas pueden presentar un mayor riesgo de amputación de extremidades, un evento que tiene un impacto sustancial en la vida del individuo, ya que compromete la calidad de vida, reduce la movilidad y la participación en actividades sociales, además de estar asociado a síntomas de ansiedad, depresión e inseguridad ante las nuevas condiciones impuestas(21,22). Además, otro estudio destaca la mayor prevalencia de caídas tardías (más de diez días) en pacientes con afectación de las extremidades, en comparación con aquellos que no presentan estos síntomas (2,58; IC 95 % = 1,40–4,76)(23).
Los antecedentes de hospitalización en el último año (2024) demostraron ser un factor de protección frente a las caídas con consecuencias moderadas y graves (RP = 0,37). Una posible explicación de este hallazgo es que dichos pacientes ya contaban con conocimientos previos sobre el riesgo de caídas, además de una mayor familiaridad con la rutina hospitalaria y con las medidas preventivas implementadas por el equipo de enfermería. Este hallazgo puede reforzarse por el hecho de que solo el 20,3 % de los profesionales notificadores identificaron la falta de orientación para la prevención de caídas como una circunstancia potencialmente asociada a la ocurrencia del evento(24).
La estancia hospitalaria prolongada está fuertemente asociada con peores resultados clínicos y un mayor riesgo de eventos adversos. En el presente estudio, la estancia superior a 14 días fue el factor de mayor impacto para la clasificación de caídas moderadas y graves (RP = 7,21). Otro autor describió hallazgos similares, al observar un promedio de 14,2 días de hospitalización en el grupo con caídas y de 4,7 días en el grupo sin caídas, lo que indica que una mayor estancia hospitalaria está asociada a la ocurrencia del evento(25).
Aunque la estancia hospitalaria prolongada se asocia con un mayor riesgo de caídas, no debe entenderse únicamente como un factor aislado, sino como un reflejo de la complejidad clínica del paciente, lo que incluye una mayor fragilidad física, como la pérdida de equilibrio y de fuerza (variables también identificadas en este estudio), además de una mayor exposición a procedimientos médicos y el agravamiento de afecciones preexistentes. Estos aspectos hacen que el paciente sea más susceptible a sufrir caídas con consecuencias más graves(26).
Además, especialmente en personas mayores, la prolongación de la hospitalización puede favorecer la pérdida funcional adquirida durante la estancia hospitalaria, lo que incluye sarcopenia, reducción de la capacidad funcional y deterioro del equilibrio postural. Este descondicionamiento se asocia con un mayor riesgo de caídas, fracturas, delirio, infecciones hospitalarias, pérdida de independencia tras el alta y aumento de la duración de la hospitalización. Por lo tanto, se requieren medidas preventivas desde el momento del ingreso hospitalario(27).
La incidencia de caídas, predominantemente en pacientes clasificados como de alto riesgo (61,7 %), corrobora la capacidad predictiva de la Escala de Morse. Sin embargo, este hallazgo demuestra que la estrategia de prevención basada únicamente en el puntaje total de la escala puede ser insuficiente, por lo que es necesario pasar a intervenciones basadas en los componentes individuales del riesgo, tal como lo sugiere un amplio estudio multicéntrico realizado en 72 hospitales. Este hallazgo refuerza la necesidad de reevaluaciones dinámicas, ya que las medidas preventivas estáticas implementadas al momento de la admisión podrían no seguir el ritmo de los cambios clínicos del paciente a lo largo de la hospitalización(28).
Aunque solo el 14 % (n = 43) de los profesionales que notificaron el evento señalaron la infraestructura física y los materiales hospitalarios como posibles causas de la caída, y el 10 % (n = 31) relacionaron el evento con la dotación de personal, es posible que estos factores estén subestimados. Las cuestiones organizativas tienden a ser menos reconocidas durante el análisis del evento adverso, ya que el equipo de atención suele centrar su atención en el estado clínico del paciente y en los procesos inmediatos de atención(29). Sin embargo, incluso cuando los profesionales conocen los protocolos de prevención, las limitaciones estructurales y las insuficiencias en la dotación de personal pueden dificultar la implementación efectiva de estas medidas preventivas(29).
El predominio del personal de enfermería como categoría notificadora (86,6 %) refleja su papel central en la vigilancia y la seguridad del paciente, debido a su contacto continuo con los pacientes hospitalizados. Sin embargo, es fundamental fortalecer la participación multiprofesional, incentivando que todas las categorías participen activamente en el proceso de notificación y en la implementación de estrategias preventivas(30).
La investigación se llevó a cabo en un único hospital general que brinda atención exclusivamente a través del SUS, lo que refleja la realidad institucional y asistencial de ese contexto específico. Por lo tanto, los resultados deben interpretarse con cautela en cuanto a su generalización a otros escenarios, especialmente aquellos con diferentes perfiles de financiamiento, gestión o complejidad asistencial. Sin embargo, las características del hospital estudiado pueden hacer que los hallazgos sean relevantes y potencialmente aplicables a otras instituciones con un perfil similar.
CONCLUSIÓN
El estudio permitió caracterizar a los pacientes afectados por caídas hospitalarias. En este contexto, predominó el sexo masculino, con una edad promedio de 56 años, siendo el grupo de edad de 50 a 59 años el más representativo. La mayoría de los pacientes que sufrieron una caída (86,2 %) presentaba enfermedades crónicas. Las caídas ocurrieron principalmente entre pacientes hospitalizados. Entre los motivos de hospitalización, se destacaron las enfermedades del sistema circulatorio y respiratorio, con predominio de pacientes previamente clasificados como de alto riesgo de caídas. La mayoría de las caídas (54,9 %) fue desde la propia altura.
Además, se identificaron como factores predictivos de caídas moderadas y graves en pacientes hospitalizados el sexo masculino, una mayor duración de la hospitalización, las enfermedades crónicas, las enfermedades del sistema circulatorio, la desorientación y el turno matutino. Haber tenido hospitalizaciones previas en el último año fue un factor de protección frente a las caídas con ese desenlace. El modelo final presentó una capacidad discriminatoria moderada, lo que refuerza su utilidad como herramienta para apoyar la práctica clínica y orientar las estrategias de prevención dirigidas a los grupos de mayor riesgo.
Los hallazgos resaltan la importancia de invertir en medidas preventivas específicas en el hospital estudiado, como la intensificación de la vigilancia durante los períodos matutinos, la evaluación rigurosa del estado clínico de los pacientes con comorbilidades y la adaptación del entorno físico de las habitaciones y los baños. El estudio contribuye al avance de la seguridad del paciente en el contexto hospitalario brasileño y señala la necesidad de nuevas investigaciones multicéntricas que validen y amplíen el modelo predictivo aquí propuesto.
DISPONIBILIDAD DE DATOS
Todo el conjunto de datos que respalda los resultados de este estudio se publicó en el propio artículo.
Apoyo financiero
Referencias bibliográficas
-
1. World Health Organization. Falls: fact sheet. Geneva: WHO; 2021 [cited 2025 Nov 9]. Available from: https://www.who.int/news-room/fact-sheets/detail/falls.
» https://www.who.int/news-room/fact-sheets/detail/falls. -
2. Ganz D.A., Huang C., Saliba D., Shier V., Berlowitz D., Lukas C.V., et al. Preventing falls in hospitals: a toolkit for improving quality of care. Rockville (MD): Agency for Healthcare Research and Quality; 2013 [cited 2026 May 15]. Available from: https://www.ahrq.gov/sites/default/files/publications/files/fallpxtoolkit.pdf.
» https://www.ahrq.gov/sites/default/files/publications/files/fallpxtoolkit.pdf. -
3. Morse JM. Preventing patient falls: establishing a fall intervention program. 2nd ed. New York: Springer; 2009 [cited 2026 May 15]. Available from: https://link.springer.com/book/10.1891/9780826103864.
» https://link.springer.com/book/10.1891/9780826103864. -
4. Hoppes M., Mitchell J. Serious safety events: a focus on harm classification – deviation in care as link. Chicago: American Society for Healthcare Risk Management; 2014 [cited 2026 May 15]. Available from: https://www.ashrm.org/system/files/media/file/2019/05/SSE-2_getting_to_zero-9-30-14.pdf.
» https://www.ashrm.org/system/files/media/file/2019/05/SSE-2_getting_to_zero-9-30-14.pdf. - 5. De Franceschi V, Visentin A. Hospital falls: retrospective analysis of risk factors and prevention strategies in a healthcare organization in Northern Italy. Ig Sanita Pubbl. 2025;95(2):55–65. PubMed PMID: 40698431.
-
6. Fernandez R, Green H, Paulik O, Christopher K, Haigh S, Whitaker R, et al. Falls in an Australian hospital during the COVID-19 pandemic: a study of patient safety incident reports. J Patient Saf. 2025;21(4):220–5. doi: https://doi.org/10.1097/PTS.0000000000001336. PubMed PMID: 40152700.
» https://doi.org/10.1097/PTS.0000000000001336 -
7. Heikkilä A, Lehtonen L, Junttila K. Consequences of inpatient falls in acute care: a retrospective register study. J Patient Saf. 2024;20(5):340–4. doi: https://doi.org/10.1097/PTS.0000000000001230. PubMed PMID: 38687005.
» https://doi.org/10.1097/PTS.0000000000001230 -
8. Dykes PC, Curtin-Bowen M, Lipsitz S, Franz C, Adelman J, Adkison L, et al. Cost of inpatient falls and cost-benefit analysis of implementation of an evidence-based fall prevention program. JAMA Health Forum. 2023;4(1):e225125. doi: https://doi.org/10.1001/jamahealthforum.2022.5125. PubMed PMID: 36662505.
» https://doi.org/10.1001/jamahealthforum.2022.5125 -
9. Joint Commission International. International patient safety goals. Oak Brook (IL): Joint Commission International; 2024 [cited 2026 May 15]. Available from: https://www.jointcommission.org/en/standards/international-patient-safety-goals.
» https://www.jointcommission.org/en/standards/international-patient-safety-goals. -
10. Agência Nacional de Vigilância Sanitária. Notivisa (módulo: assistência à saúde). Brasília: ANVISA [cited 2026 Mar 1]. Available from: https://www.gov.br/anvisa/pt-br/acessoainformacao/dadosabertos/informacoes-analiticas/servicos-de-saude/notivisa-modulo-assistencia-a-saude.
» https://www.gov.br/anvisa/pt-br/acessoainformacao/dadosabertos/informacoes-analiticas/servicos-de-saude/notivisa-modulo-assistencia-a-saude. -
11. Chowdhury MZI, Turin TC. Variable selection strategies and its importance in clinical prediction modelling. Fam Med Community Health. 2020;8(1):e000262. doi: https://doi.org/10.1136/fmch-2019-000262. PubMed PMID: 32148735.
» https://doi.org/10.1136/fmch-2019-000262 -
12. World Health Organization. Obesity: preventing and managing the global epidemic: report of a WHO consultation. Geneva: WHO; 2000 [cited 2026 May 15]. 252 p. (WHO Technical Report Series, 894). Available from: https://iris.who.int/bitstream/handle/10665/42330/WHO_TRS_894.pdf.
» https://iris.who.int/bitstream/handle/10665/42330/WHO_TRS_894.pdf. - 13. Coutinho LM, Scazufca M, Menezes PR. Methods for estimating prevalence ratios in cross-sectional studies. Rev Saude Publica. 2008;42(6):992–8. PubMed PMID: 19009156.
-
14. Francisco PMSB, Barros MBA, Segri NJ, Alves MCGP, César CLG, Carandina L, et al. Association measures in cross-sectional studies with complex sampling designs. Rev Bras Epidemiol. 2008;11(3):347–55. doi: https://doi.org/10.1590/S1415-790X2008000300002.
» https://doi.org/10.1590/S1415-790X2008000300002 - 15. Medronho R.A., Perez M.A. Testes diagnósticos. In: Medronho RA, Bloch KV, Luiz RR, Werneck GL, editores. Epidemiologia. 2. ed. São Paulo: Atheneu; 2009. p. 389–402.
-
16. Ghosh M, O’Connell B, Afrifa-Yamoah E, Kitchen S, Coventry L. A retrospective cohort study of factors associated with severity of falls in hospital patients. Sci Rep. 2022;12(1):12266. doi: https://doi.org/10.1038/s41598-022-16403-z. PubMed PMID: 35851400.
» https://doi.org/10.1038/s41598-022-16403-z -
17. Lin WQ, Lin L, Sun SY, Yuan LX, Sun MY, Wang C, et al. Prevalence of falls, injury from falls and associations with chronic diseases among community-dwelling older adults in Guangzhou, China: a cross-sectional study. Front Public Health. 2023;11:1251858. doi: https://doi.org/10.3389/fpubh.2023.1251858. PubMed PMID: 37780423.
» https://doi.org/10.3389/fpubh.2023.1251858 -
18. Mikos M, Biskup E, Daubmann A, Müller N, Rosenberg C, Böhner M, et al. Hospital inpatient falls across clinical departments. Int J Environ Res Public Health. 2021;18(15):3982. doi: https://doi.org/10.3390/ijerph18158167. PubMed PMID: 34360462.
» https://doi.org/10.3390/ijerph18158167 -
19. Lee YH, Kim MS. Risk Factors according to Fall Risk Level in General Hospital Inpatients. J Korean Acad Fundam Nurs. 2022;29(1):35–44. doi: https://doi.org/10.7739/jkafn.2022.29.1.35.
» https://doi.org/10.7739/jkafn.2022.29.1.35 - 20. McKercher JP, Peiris CL, Hill AM, Peterson S, Thwaites C, Fowler-Davis S, et al. Hospital falls clinical practice guidelines: a global analysis and systematic review. Age Ageing. 2024;53(7):afae149. PubMed PMID: 39023234.
-
21. Calabrese L, Maffoni M, Torlaschi V, Pierobon A. What is hidden behind amputation? Quanti-qualitative systematic review on psychological adjustment and quality of life in lower limb amputees for non-traumatic reasons. Healthcare (Basel). 2023;11(11):1661. doi: https://doi.org/10.3390/healthcare11111661. PubMed PMID: 37297801.
» https://doi.org/10.3390/healthcare11111661 -
22. Govekar SG, Prameela D’Souza J, Kotian RR. Impact of peripheral artery disease on daily living: a study on knowledge, contributing factors and quality of life among patients. J Vasc Nurs. 2025;43(2):73–9. doi: https://doi.org/10.1016/j.jvn.2025.02.002. PubMed PMID: 40484577.
» https://doi.org/10.1016/j.jvn.2025.02.002 -
23. Satoh M, Miura T, Shimada T, Hamazaki T. Risk stratification for early and late falls in acute care settings. J Clin Nurs. 2023;32(3-4):494–505. doi: https://doi.org/10.1111/jocn.16267. PubMed PMID: 35224808.
» https://doi.org/10.1111/jocn.16267 -
24. Yasan C, Rohlje B, Cork J, Cooper-Blair C, Hayes A. Systematic review of patients’ perceptions of the contributing factors that led to falling in acute care hospitals during their hospitalisation. Nurs Open. 2025;12(5):e70240. doi: https://doi.org/10.1002/nop2.70240. PubMed PMID: 40401919.
» https://doi.org/10.1002/nop2.70240 -
25. Heikkilä A, Lehtonen L, Junttila K. Fall rates by specialties and risk factors for falls in acute hospital: a retrospective study. J Clin Nurs. 2023;32(15-16):4868–77. doi: https://doi.org/10.1111/jocn.16594. PubMed PMID: 36478598.
» https://doi.org/10.1111/jocn.16594 -
26. Xu J, Peng S, Yao L, Liu M, Yue L. Clinical characteristics and influencing factors of serious fall injuries among older inpatients: a secondary analysis of multicenter cross-sectional administrative data. Int J Nurs Stud. 2025;161:104956. doi: https://doi.org/10.1016/j.ijnurstu.2024.104956. PubMed PMID: 39571495.
» https://doi.org/10.1016/j.ijnurstu.2024.104956 -
27. Arun B, Lewis SH. Frailty and deconditioning on the acute take. Clin Med. 2026 Mar;26(2):100548. doi: https://doi.org/10.1016/j.clinme.2025.100548.
» https://doi.org/10.1016/j.clinme.2025.100548 -
28. LaFond CM, Moreno ACP, Hooper V, Okuno-Jones S, Sitterding M. A mixed effects model analysis for inpatient falls using health record data from 72 hospitals. J Clin Nurs. 2026;35(6):2696–705. doi: https://doi.org/10.1111/jocn.70204. PubMed PMID: 41531209.
» https://doi.org/10.1111/jocn.70204 -
29. Cheng Y, Jiang Y, Tai R, Yang L, Xiang Q, Wang Y, et al. Structural analysis of nursing quality issues in tertiary hospitals based on quality control inspections: a case study of 59 hospitals in Shanghai. Front Public Health. 2026;13:1677639. doi: https://doi.org/10.3389/fpubh.2025.1677639.
» https://doi.org/10.3389/fpubh.2025.1677639 -
30. Quadros DV, Magalhães AMM, Wachs P, Severo IM, Tavares JP, Dal Pai D. Modeling of adult patient falls and the repercussions to Nursing as a second victim. Rev Lat Am Enfermagem. 2022;30:e3617. doi: https://doi.org/10.1590/1518-8345.5830.3617. PubMed PMID: 35920541.
» https://doi.org/10.1590/1518-8345.5830.3617
Fuente: Datos de la investigación.