medigraphic.com
ISSN 1684-1824 (Digital)

2021, Número 3

<< Anterior Siguiente >>

Rev Méd Electrón 2021; 43 (3)


Modelo temporal del comportamiento de pacientes críticos con covid-19 durante su estadía en cuidados intensivos. Lombardía, Italia

García ÁPJ, Morejón RL, Grasso LF

Idioma: Español
Referencias bibliográficas: 17
Paginas: 601-615
Archivo PDF: 12236.30 Kb.


RESUMEN

Introducción: una serie temporal es el producto de la observación de una variable en el tiempo. Es una herramienta matemática que se aplica con frecuencia en la salud. No se han elaborado modelos temporales que predigan el comportamiento de los pacientes durante su ingreso en la Unidad de Cuidados Intensivos.
Objetivos: crear una serie temporal que permita predecir el comportamiento, durante su ingreso en la Unidad de Cuidados Intensivos, de pacientes graves producto de la covid-19 en la región de Lombardía, Italia.
Materiales y métodos: analítico, longitudinal prospectivo con un grupo de pacientes críticos que ingresaron del 1 de abril al 1 de mayo de 2020, con diagnóstico de covid-19, en el Hospital Mayor de Crema, en la región de Lombardía, Italia. El universo estuvo constituido por 28 pacientes y se trabajó con el total de ellos.
Resultados: composición por sexo: 48 % masculino. Media de edad: 83 años. Serie temporal: Modelo 1 que ajusta (Hold) PO2/FiO2 p = 0,251; Modelo 2 (ARIMA) SatO2/FiO2 p = 0,674 (en los dos primeros modelos el resultado se incrementó con los días, siguiendo un comportamiento predecible); Modelo 3 (ARIMA) p = 0,406 (en este caso, el resultado esperado decreció a medida que transcurrió el tiempo). Las funciones obtenidas permiten calcular el valor esperado según el día desde el ingreso.
Conclusiones: predecir la evolución del paciente en la Unidad de Cuidados Intensivos permitió detectar tempranamente aquellos con una curva inesperada y dirigir hacia a ellos las terapéuticas más agresivas.


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 Jul;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 Nov;33(9):e22996. Citado en PubMed; PMID: 31420921.

  3. 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

  4. 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

  5. Perrotta F, Corbi G, Mazzeo G, et al. COVID 19 and the elderly: insights into pathogenesis and clinical decision-making. Aging Clin Exp Res. 2020 Aug;32(8):1599-1608. Citado en PubMed; PMID: 32557332.

  6. 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 Jun;80(6):639-45. Citado en PubMed; PMID: 32240670.

  7. 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 May;55(5):105950. Citado en PubMed; PMID: 32234465.

  8. 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 May 7;55(5):2000524. doi: 10.1183/13993003.00524-2020. Citado en PubMed; PMID: 32269088.

  9. Weiss P, Murdoch D. Clinical course and mortality risk of severe COVID-19. Lancet. 2020 Mar 28 ;395(10229):1014-5. Citado en PubMed; PMID: 32197108.

  10. 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 May;46(5):846-8. doi: 10.1007/s00134-020-05991-x. Citado en PubMed; PMID: 32125452.

  11. Villar J, Zhang H, Slutsky A. Lung Repair and Regeneration in ARDS: Role of PECAM1 and Wnt Signaling. Chest. 2019 Mar;155(3):587-94. Citado en PubMed; PMID: 30392791.

  12. Hendrickson C, Matthay M. Endothelial biomarkers in human sepsis: pathogenesis and prognosis for ARDS. Pulm Circ. 2018 Apr-Jun;8(2):2045894018769876. Citado en PubMed; PMID: 29575977.

  13. Venegas Sosa AM, Cortés Munguía JA, Flores López EN, et al. Correlación entre PaO2/FiO2 versus SO2/FiO2 para monitoreo de oxigenación en pacientes con trauma de tórax. Col Mex Med Crít [Internet]. 2018 [citado 04/07/2020];32(4). Disponible en: Disponible en: http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2448-89092018000400201

  14. Ameghino Bautista J, Morales Corbacho J, Apolaya-Segura M. Correlación entre SO2/FiO2 y PaO2/FiO2 en pacientes con insuficiencia respiratoria en ventilación mecánica. Rev Cubana de Invest Bioméd [Internet]. 2018 [citado 04/07/2020];37(3):1-9. Disponible en: Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-03002018000300002

  15. Mehta Y, Chaudhry D, Abraham O, et al. Critical Care for COVID-19 Affected Patients: Position Statement of the Indian Society of Critical Care Medicine. Indian J Crit Care Med. 2020 Apr;24(4):222-41. Citado en PubMed; PMID: 32565632.

  16. Carter C, Osborn M, Agagah G, et al. COVID-19 disease: invasive ventilation. Clinics in Integrated Care. 2020 Jul;1:100004. Citado en PubMed; PMCID: PMC7261657.

  17. Tan C, Huang Y, Shi F, et al. C-reactive protein correlates with computed tomographic findings and predicts severe COVID-19 early. J Med Virol. 2020 Jul;92(7):856-62. Citado en PubMed; PMID: 32281668.




2020     |     www.medigraphic.com