Conceptos Categóricos

ALGORITMO PARA PREDECIR LOS RESULTADOS DE LA ENFERMEDAD POR CORONAVIRUS 2019

ALGORITMO PARA PREDECIR LOS RESULTADOS DE LA ENFERMEDAD POR CORONAVIRUS 2019


Oxford, Reino Unido
Los autores del presente estudio proponen un algoritmo para predecir el riesgo de hospitalizacion y mortalidad de la enfermedad por coronavirus 2019 en pacientes adultos

BMJ 371(3731):1-20

Autores:
Hippisley-Cox J

Institución/es participante/s en la investigación:
Radcliffe Observatory Quarter

Título original:
Living Risk Prediction Algorithm (QCOVID) for Risk of Hospital Admission and Mortality from Coronavirus 19 in Adults: National Derivation and Validation Cohort Study

Título en castellano:
Algoritmo de Predicción del Riesgo de Vida (QCOVID) para el Riesgo de Ingreso Hospitalario y la Mortalidad por Coronavirus 19 en Adultos: Estudio de Cohorte de Validación y Derivación Nacional

Extensión del  Resumen-SIIC en castellano:
1.91 páginas impresas en papel A4
Introducción
Se estima que para mediados de agosto de 2020, se produjeron más de 41 000 muertes por enfermedad por coronavirus 2019 (COVID-19, por sus siglas en inglés) en el Reino Unido. En ausencia de una vacuna o tratamiento eficaz contra esta enfermedad, el gobierno del Reino Unido implementó medidas de protección y distanciamiento social para suprimir la tasa de infección y proteger a las personas vulnerables, tratando así de minimizar el riesgo de resultados adversos graves. Según estudios, la edad, el género y ciertas comorbilidades, entre otros, estarían asociados con resultados adversos del COVID-19. Sería importante determinar el riesgo que tiene cada sujeto de infectarse y luego ser hospitalizado o morir por COVID-19. El objetivo del presente estudio fue desarrollar y validar un algoritmo de predicción de riesgo para estimar los resultados de admisión hospitalaria y mortalidad por COVID-19 en pacientes adultos.

Métodos
El presente estudio de cohorte basado en la población utilizó la base de datos QResearch, que comprende 1205 prácticas generales en Inglaterra con vinculación a los resultados de la prueba de COVID-19, estadísticas de episodios hospitalarios y datos del registro de defunciones. Se incluyeron 6.08 millones de adultos de 19 a 100 años en el conjunto de datos de derivación y 2.17 millones en el conjunto de datos de validación. El período de derivación y primera cohorte de validación fue del 24 de enero de 2020 al 30 de abril de 2020. La segunda cohorte de validación temporal cubrió el período del 1 de mayo de 2020 al 30 de junio de 2020. El criterio de valoración primario fue el tiempo hasta la muerte por COVID-19, definido como la muerte debida a COVID-19 confirmada o sospechada según el certificado de defunción, o muerte ocurrida en una persona con infección confirmada por coronavirus 2 del síndrome respiratorio agudo grave (SARS-CoV-2, por sus siglas en inglés) en el período del 24 de enero al 30 de abril de 2020. El criterio de valoración  secundario fue el tiempo hasta el ingreso hospitalario con infección confirmada por SARS-CoV-2. Se ajustaron modelos en la cohorte de derivación para derivar ecuaciones de riesgo utilizando diversas variables predictoras. El rendimiento, incluidas las medidas de discriminación y calibración, se evaluó en cada período de validación.

Resultados
En la cohorte de derivación, 10 776 (0.18%) pacientes tuvieron un ingreso hospitalario relacionado con COVID-19 y 4384 (0.07%) tuvieron una muerte relacionada con COVID-19 durante los 97 días de seguimiento. De los que fallecieron, 2517 (57.4%) eran varones, 732 (16.7%) de raza negra, asiática o de otra minoría étnica; 3616 (82.5%) tenían más de 70 años; 1417 (32.3%) tenían diabetes tipo 2; 1311 (29.9%) tenían demencia y 1033 (23.6%) fueron identificados como residentes en un hogar de ancianos. Las características de la cohorte de validación fueron similares a las de la cohorte de derivación. En el primer período de validación ocurrieron 1722 muertes y 3703 ingresos hospitalarios por COVID-19. En el segundo período de validación, ocurrieron 621 muertes y 1002 ingresos por COVID-19. Los algoritmos finales de riesgo incluyeron la edad, la etnia, índice de masa corporal y diversas comorbilidades. Los modelos de riesgo tienen una discriminación excelente (estadísticas C de Harrell> 0.9 para el resultado primario). Aunque la calibración para el resultado de la admisión hospitalaria fue buena en ambos períodos, existió cierta subpredición para el resultado de la mortalidad en la segunda cohorte de validación, que mejoró después de la recalibración. Para las muertes por COVID-19 en varones, explicó el 73.1% (intervalo de confianza del 95% [IC 95%]: 71.9% a 74.3%) de la variación en el tiempo hasta la muerte (R2); el estadístico D fue 3.37 (IC 95%: 3.27 a 3.47) y la C de Harrell fue 0.928 (IC 95%: 0.919 a 0.938). Se obtuvieron resultados similares para las mujeres, para ambos resultados y en ambos períodos. En el 5% de los pacientes con mayor riesgo de muerte previsto, la sensibilidad para identificar muertes en 97 días fue del 75.7%. Las personas en el 20% superior del riesgo de muerte previsto representaron el 94% de todas las muertes por COVID-19.

Conclusión
  El algoritmo de riesgo basado en la población QCOVID parecería funcionar bien, demostrando niveles muy altos de calibración y discriminación por muertes e ingresos hospitalarios debido a COVDID-19 en pacientes adultos. Por lo tanto, podría ser útil para identificar los riesgos de resultados graves a corto plazo de esta enfermedad. Los riesgos absolutos presentados, sin embargo, cambiarán con el tiempo de acuerdo con la tasa de infección prevalente por SARS-C0V-2 y el alcance de las medidas de distanciamiento social implementadas, por lo que deben interpretarse con precaución. Sin embargo, el modelo se puede volver a calibrar para diferentes períodos y tiene el potencial de actualizarse de forma dinámica a medida que evoluciona la pandemia. QCOVID tendría el potencial de respaldar la toma de decisiones compartida entre médicos y pacientes, y permitir el reclutamiento específico para ensayos clínicos y la priorización de la vacunación.
ua40317

Imprimir esta página
-->