Publicación: Modelos predictivos con índice de ROX y variables basales para el uso de ventilación mecánica invasiva en residentes a elevada altitud utilizando una cohorte de pacientes fallecidos por COVID-19
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen
El propósito de este estudio secundario fue construir modelos predictivos para el uso de ventilación mecánica invasiva (VMI) usando el índice de ROX (iROX) y variables basales en residentes a elevada altitud (1500 a 3500 msnm) utilizando una cohorte de pacientes fallecidos por COVID-19. El iROX ha sido descrito como útil para predecir múltiples desenlaces negativos en contextos de baja altitud geográfica. No obstante, su valor predictivo para VMI, en conjunto con otras variables, no ha sido previamente caracterizado en pacientes a elevada altitud. Utilizando información recabada entre 2020 – 2021, se ejecutó un análisis secundario para construir modelos predictivos usando datos de una cohorte retrospectiva. En específico, se incluyó información de 767 pacientes fallecidos por COVID-19 en tres hospitales del Cusco, Perú. Tres métodos; teórico o basado en estudios previos (modelo A), LASSO (modelo B), y backward selection (modelo C) fueron utilizados en el modelamiento. En la submuestra de entrenamiento (70%), múltiples parámetros son reportados, incluyendo curvas ROC y áreas bajo la curva (AUC). En la submuestra de validación (30%) se realizó la calibración interna. Los modelos B (AUC=0.71 [IC95%: 0.66 – 0.77]; 11 variables) y C (AUC=0.71 [IC95%: 0.65 – 0.76]; 6 variables) fueron seleccionados por tener un mejor rendimiento y mejor balance entre sensibilidad y especificidad. Los predictores basales comunes en ambos modelos fueron; edad, sexo, dolor muscular, dolor de pecho, artralgia e iROX. Por tanto, es factible concluir que ambos modelos tuvieron un rendimiento regular para predecir el uso de VMI en residentes a elevada altitud. No obstante, ambos modelos mostraron un pobre rendimiento en la calibración interna. En conclusión, este estudio brinda una primera aproximación de la evaluación de variables basales obtenidas a bajo costo como potenciales predictores de uso de VMI. A futuro, se recomienda la validación de nuestros modelos.
Resumen
The purpose of this secondary study was to build predictive models for the use of invasive mechanical ventilation (IMV) using the index of ROX (iROX) and baseline variables in high-altitude residents (1500 to 3500 masl) using a cohort of patients who died from COVID-19. The iROX has been described as useful for predicting multiple negative outcomes in low-altitude geographic settings. However, its predictive value for IMV, in conjunction with other variables, has not been previously characterized in high-altitude patients. Using data collected between 2020-2021, a secondary analysis was performed to build predictive models using data from a retrospective cohort. Specifically, information from 767 patients who died from COVID-19 in three hospitals in Cusco, Peru was included. Three methods; theoretical or based on previous studies (model A), LASSO (model B), and backward selection (model C) were used in the modeling. In the training subsample (70%), multiple parameters are reported, including ROC curves and areas under the curve (AUC). In the validation sample (30%), internal calibration was performed. Models B (AUC=0.71 [95%CI: 0.66-0.77]; 11 variables) and C (AUC=0.71 [95%CI: 0.65-0.76]; 6 variables) were selected for having better performance and better balance between sensitivity and specificity. The common baseline predictors in both models were age, sex, muscle pain, chest pain, arthralgia, and iROX. Therefore, it is feasible to conclude that both models had a fair performance in predicting IMV use in high-altitude residents. However, both models showed poor performance in internal calibration. In conclusion, this study provides a first approximation of the evaluation of low-cost baseline variables as potential predictors of IMV use. In the future, we recommend the validation of our models.