medigraphic.com
ISSN 1684-1824 (Digital)

2021, Número 2

<< Anterior Siguiente >>

Rev Méd Electrón 2021; 43 (2)


Aplicación de un modelo cubano predictivo de mortalidad en pacientes graves por covid-19 en Lombardía, Italia

García ÁPJ, Morejón RL, Grasso LF

Idioma: Español
Referencias bibliográficas: 18
Paginas:
Archivo PDF: 170.32 Kb.


RESUMEN

Introducción: la neumonía por covid-19 es la enfermedad infecciosa que ha revolucionado al mundo en los últimos meses. El diagnóstico pasa por varios momentos: el cuadro clínico, la analítica sanguínea y las imágenes. La estratificación del riesgo de muerte es muy importante para optimizar los recursos.
Objetivos: validar un modelo matemático cubano predictivo de mortalidad en pacientes ingresados por covid-19.
Materiales y métodos: estudio de cohorte con 191 pacientes, que ingresaron graves en el Hospital Mayor de Crema, en la provincia de Cremona, región de Lombardía (Italia), en el período de abril a mayo de 2020. El universo estuvo constituido por 191 pacientes, y no se tomó muestra alguna. Las variables fueron: edad, estado del paciente, niveles de creatinina plasmática, frecuencia respiratoria, frecuencia cardiaca, presión arterial, niveles de oxígeno y de dióxido de carbono en sangre, valor del sodio y de hemoglobina.
Resultados: mortalidad del 22 % en pacientes graves y críticos, con media de la edad (grupo 1: 59 años) (grupo 2: 73 años); t-Student = 0,00. Test de Hosmer-Lemenshow (0,766) con elevado ajuste. Sensibilidad = 93 %. Área bajo la curva = 0,957. Porcentaje de aciertos en la regresión logística de 86,4 % y en la red neuronal de 91,2 %. Media del modelo por grupos (grupo 1: 4 458) (grupo 2: 2 911) t-Student = 0,00.
Conclusiones: el modelo demostró ser muy útil en el flujograma de pacientes atendidos con la covid-19. Permitió detectar tempranamente (a los cinco días del ingreso) los pacientes con alto riesgo de muerte y discriminar aquellos que no tendrían este riesgo, de manera que pudieran ser tratados en unidades de cuidados mínimos.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Li X, Xu S, Yu M, et al. Risk factors for severity and mortality in adult COVID-19 in patients in Wuhan. J Allergy Clin Immunol. 2020 ; 146(1): 110-8. Citado en PubMed; PMID: 32294485.

  2. Jekarl DW, Lee S, Kim M, et al. Procalcitonin as a prognostic marker for sepsis based on SEPSIS-3. J Clin Lab Anal. 2019 ; 33(9): e22996. Citado en PubMed; PMID: 31420921.

  3. Ochoa Sangrador C, Garmendia Leiza JR, Pérez Boillos MJ, et al. Impacto de la COVID-19 en la mortalidad de la comunidad autónoma de Castilla y León. Gac Sanit [Internet]. 2020 [citado 12/06/2020]; 34. Disponible en: Disponible en: https://www.sciencedirect.com/science/article/pii/S0213911120300923?via%3Dihub

  4. Sánchez-Álvarez J, Pérez Fontán M, Jiménez Martín C, et al. Situación de la infección por SARS-CoV-2 en pacientes en tratamiento renal sustitutivo. Informe del Registro COVID-19 de la Sociedad Española de Nefrología. Nefrología [Internet] 2020 [citado 12/06/2020]; 40(3):272-8. Disponible en: https://doi.org/10.1016/j.nefro.2020.04.002

  5. Pallarés Carratalá V, Górriz-Zambrano C, Morillas Ariño C, et al. COVID-19 y enfermedad cardiovascular y renal: ¿Dónde estamos? ¿Hacia dónde vamos? Medicina de Familia. Semergen [Internet]. 2020 [citado 23/06/2020]; 46(1): 78-87. Disponible en: Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S1138359320301441?via%3Dihub

  6. Medeiros Figueiredo A, Daponte Codina A, Moreira Marculino D, et al. Factores asociados a la incidencia y la mortalidad por COVID-19 en las comunidades autónomas. Gac Sanit [Internet]. 2020 [citado 28/06/2020]. Disponible en: Disponible en: https://www.sciencedirect.com/science/article/pii/S0213911120301242?via%3Dihub

  7. Epidemiology Working Group for NCIP Epidemic Response. The epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases (COVID-19) in China. Zhonghua Liu Xing Bing Xue Za Zhi.2020; 41(2): 145-51. Citado en PubMed; PMID: 32064853.

  8. García Álvarez PJ, García Albero ÁP, Santana Álvarez J. Modelo matemático predictivo de mortalidad por neumonía adquirida en la comunidad. Arch Méd Camagüey [Internet]. 2018 [citado 28/06/2020]; 22(2): [aprox. 10 p.]. Disponible en: Disponible en: http://www.revistaamc.sld.cu/index.php/amc/article/view/5446

  9. Rodríguez Y, Novelli L, Rojas M, et al. Autoinflammatory and autoimmune conditions at the crossroad of COVID-19. J Autoimmun. 2020 ; 114: 102506. Citado en PubMed; PMID: 32563547.

  10. Zhang L, Yan X, Fan Q, et al. D-dimer levels on admission to predict in-hospital mortality in patients with Covid-19. J Thromb Haemost. 2020 ; 18(6): 1324-9. Citado en PubMed; PMID: 32306492.

  11. Perrotta F, Corbi G, Mazzeo G, et al. COVID-19 and the elderly: insights into pathogenesis and clinical decision-making. Aging Clin Exp Res [Internet]. 2020 [citado 28/06/2020]; 32: 1599-1608. Disponible en: https://doi.org/10.1007/s40520-020-01631-y

  12. Wang L, He W, Yu X, et al. Coronavirus disease 2019 in elderly patients: Characteristics and prognostic factors based on 4-week follow-up. J Infect. 2020 ; 80(6): 639-45. Citado en PubMed; PMID: 32240670.

  13. Kang S, Peng W, Zhu Y, et al. Recent progress in understanding 2019 novel coronavirus (SARS-CoV-2) associated with human respiratory disease: detection, mechanisms and treatment. Int J Antimicrob Agents. 2020 ; 55(5): 105950. Citado en PubMed; PMID: 32234465.

  14. Du RH, Liang LR, Yang CQ, et al. Predictors of mortality for patients with COVID-19 pneumonia caused by SARS-CoV-2: a prospective cohort study. Eur Respir J. 2020 ; 55(5): 2000524. doi: 10.1183/13993003.00524-2020. Errata en: Eur Respir J. 2020 ;56(3). Citado en PubMed; PMID: 32269088.

  15. Melin P, Monica JC, Sánchez D, et al. Multiple Ensemble Neural Network Models with Fuzzy Response Aggregation for Predicting COVID-19 Time Series: The Case of Mexico. Healthcare (Basel). 2020 ; 8(2): 181. Citado en PubMed; PMID: 32575622.

  16. García Álvarez PJ. Aplicación de redes neuronales en la predicción de mortalidad por neumonía. Rev Médica Electrón [Internet]. 2018 [citado 28/06/2020]; 40(5). Disponible en: Disponible en: http://www.revmedicaelectronica.sld.cu/index.php/rme/article/view/2462

  17. Ruan Q, Yang K, Wang W, et al. Clinical predictors of mortality due to COVID-19 based on an analysis of data of 150 patients from Wuhan, China. Intensive Care Med. 2020 ; 46(5): 846-8. doi: 10.1007/s00134-020-05991-x. Errata en: Intensive Care Med. 2020 . Citado en PubMed; PMID: 32125452.

  18. Boukhris M, Hillani A, Moroni F, et al. Cardiovascular Implications of the COVID-19 Pandemic: A Global Perspective. Can J Cardiol. 2020 ; 36(7): 1068-80. Citado en PubMed; PMID: 32425328.




2020     |     www.medigraphic.com