Modelo de predicción de riesgo de mortalidad en pacientes con COVID-19

Pastilla 1C

¿Qué parámetros de laboratorio predicen mejor el riesgo de mortalidad en pacientes COVID-19?

RECOLECCIÓN: CAMILA MUELA.
REDACCIÓN:
BERNARDA PATIÑO ARAUJO, LIC.
EDICIÓN: RAMIRO CADENA SEMANATE, MD.
APROBACIÓN: 
GABRIELA ZAMBRANO MD. ESP, MSC.- MEDICINA INTERNA

Xuedi Ma - A. I. Phoenix Technology Co., Ltd, Hong Kong, China.  

04 de agosto del 2020

04 de agosto de 2020

  • Número de pacientes en la muestra en la que se basó el modelo relativamente pequeño.

  • La incidencia, tasa de infección y virulencia del COVID-19 es diferente en distintos lugares y fases de la pandemia, lo que limita la universalidad del estudio.

  • El estudio se realizó en un solo hospital, los resultados pueden no ser generalizables a otros centros y sistemas de salud.

  • El porcentaje de no supervivientes en el estudio es alto en comparación con la situación general.

Resultado principal del artículo

El modelo del estudio encontró que la LDH, la PCR y la edad pueden utilizarse para identificar pacientes con enfermedad severa de COVID-19 al momento de la admisión hospitalaria. 

Conclusión o recomendación de los autores del artículo

Este modelo de predicción de mortalidad puede ser utilizado durante la admisión hospitalaria de los pacientes para identificar pacientes que necesitan una intervención temprana. Además, se facilita el uso de recursos médicos limitados razonablemente. 

Calificación de la evidencia según COVID19EC

El Grupo COVID19EC califica las recomendaciones de este artículo con un nivel de evidencia y grado de recomendación 1C.

El modelo de predicción se basó en un estudio descriptivo de una muestra de pacientes diagnosticados de COVID-19 según las guías de la OMS hospitalizados en el Union Hospital de Wuhan.

Duración del estudio

Enero 15 a marzo 15 del 2020.

Pacientes

Número: 305 pacientes.

    • Criterios de Inclusión: pacientes de 14 años o mayores, con diagnóstico de COVID-19 según la guía de la OMS, hospitalizados en el Union Hospital de Wuhan durante el periodo de tiempo ya mencionado.

    • Criterios de exclusión: pacientes con datos incompletos a las 24 horas de admisión.

Grupos

    • Pacientes dentro de la muestra (292): pacientes con información clínica y resultados de exámenes completos dentro de las 24 horas tras su admisión hospitalaria. Los datos de este grupo fueron usados para la creación del modelo de predicción.

    • Pacientes fuera de la muestra (13): pacientes con información incompleta a las 24 horas tras su admisión hospitalaria. Los datos de este grupo de pacientes fueron comparados con aquellos dentro de la muestra.

El artículo no dispone de una tabla demográfica en la que comparar las características base de cada grupo. 

Desarrollo del estudio

En base a los datos de los 292 pacientes in-sample se utilizó los algoritmos Random Forest y XGBoost para crear una lista de importancia relativa de 18 variables, clasificadas en grupos según si el paciente sobrevivió o no a la enfermedad. Después, se realizó una regresión logística multivariante para identificar variables con significancia estadística, su validez se chequeó con z-score. En base a los resultados de estas pruebas, se construyó el modelo de predicción de mortalidad. Por último, se hizo una comparación de la precisión de los resultados con otros modelos de predicción a través del AUROC.

Objetivos del estudio

  • En base a los datos de una muestra de pacientes, identificar los parámetros que con mayor precisión predicen el riesgo de mortalidad en pacientes con COVID-19.

  • Crear un modelo de predicción de riesgo de mortalidad.

  • Comparar la precisión del modelo con otros métodos de predicción de mortalidad (CURB-65 y NEWS).

Validez del modelo:

  • En base a 500 muestras de 292 pacientes se calculó el z-score para 18 variables. Solo 3 variables resultaron ser estadísticamente significativas: lactato deshidrogenasa (z-score=12,08), proteína C reactiva (z-score=7,24) y edad (z-score=21,11).

  • El modelo de predicción de mortalidad del estudio (AUROC=0,9514) demostró ser mejor que el CURB-65 (AUROC=0,8501) y un modelo de aprendizaje artificial basado en XGBoost (0,4530) en la predicción de mortalidad de pacientes con COVID-19.

  • Los datos de 200 pacientes del estudio (pacientes in y out-sample con mediciones adicionales de SPO2) se utilizaron para comparar el modelo al método de predicción NEWS. y este demostró ser más preciso AUROC=0,9639 vs AUROC=0,7915, respectivamente.

  • El modelo encontró 3 variables que pueden ser utilizadas como predictor de mortalidad: proteína C reactiva, lactato deshidrogenasa y edad del paciente.

Variables de predicción:

  • El estudio encontró que la edad es el factor de riesgo de mortalidad principal en pacientes con COVID-19.

  • El aumento de la PCR y LDH a diferentes edades causa un cambio en la mortalidad distinto, a mayor edad, mayor va a ser el efecto.

  • Se observó que el aumento de 1 unidad de PCR es más dominante en el riesgo que el mismo aumento de la LDH.

  • El modelo dice que las tasas de cambio de la mortalidad con respecto a la LDH pueden ser diferentes para diferentes valores de edad.

  • Las tasas de cambio de la mortalidad prevista con respecto a la PCR pueden ser diferentes en diferentes edades.

Regresión logística multivariante, z-score, validación cruzada, AUROC, ROC.

Ma, X., Ng, M., Xu, S., Xu, Z., Qiu, H., Liu, Y., Lyu, J., Zhao, P., Wang, S., Tang, Y., Cui, H., Yu, C., Wang, F., Shao, F., Sun, P., Tang, Z., Kong, H., Kong, H., Hospital, U., & Hospital, B. C. (n.d.). Development and Validation of Prognosis Model of Mortality Risk in Patients with COVID-19. https://doi.org/10.1017/S0950268820001727.Epidemiology

¿Quieres saber cómo se encontró este artículo?

Revisa el Protocolo Metodológico de COVID19EC que se encuentra en la página principal 

Comparte la Píldora de Información