medigraphic.com
ISSN 1995-9494 (Digital)
Revista del Hospital Clínico Quirúrgico "Arnaldo Milián Castro"

2018, Número 1

<< Anterior Siguiente >>

Acta Med Cent 2018; 12 (1)


Regresión logística binaria para crear un modelo predictivo de daño hepático en el paciente séptico

Rodríguez RJM, González FV, Montero GTJ, Consuegra CAN

Idioma: Español
Referencias bibliográficas: 30
Paginas: 10-18
Archivo PDF: 231.86 Kb.


RESUMEN

Introducción: la sepsis, por todos los eventos que desencadena afecta, de forma directa o indirecta, a la totalidad de los órganos. Es frecuente observar, en la evolución de estos enfermos, el desarrollo de disfunción o insuficiencia hepática que, rara vez, es diagnosticada, solo hasta que aparecen signos clínicos como ictericia o trastornos de la coagulación. Objetivo: diseñar un modelo predictivo de daño hepático en el paciente séptico. Método: se realizó un estudio observacional, de caso-control, retrospectivo y de desarrollo. Se tomaron 508 fallecidos con evidencias clínicas y anatomopatológicas de sepsis de la Unidad de Cuidados Intensivos que cumplieron los criterios de intencionalidad, de enero de 2006 hasta diciembre de 2015 en el Hospital “Manuel Fajardo Rivero”. De estos fallecidos se tomaron 100 casos y 100 controles. Resultados: las variables que quedaron incluidas en el modelo, después del análisis de regresión logística binaria, fueron: síndrome de disfunción múltiple de órganos, bilirrubina directa, fosfatasa alcalina, colesterol total, creatinina, razón internacional normalizada y plaquetas. Prueba de Hosmer-Lemeshow=1,867 y p=0,985. Sensibilidad de 57,69 y especificidad de 100. Valor predictivo positivo de 100 y un valor predictivo negativo de 68,57, índice de validez de 78,00. El área observada bajo la curva Receiver Operating Characteristic es de 0,922, con una significación asociada al estadígrafo calculado de 0,000. Conclusiones: el modelo demostró buena capacidad discriminatoria y ser un buen predictor de daño hepático en el paciente séptico.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Knaus WA, Draper EA, Wagner DP. APACHE II: A severity of disease classification system. Crit Care Med [Internet]. 1985 Oct [citado 20 Jun 2015];13(10): [aprox. 11 p.]. Disponible en: http://journals.lww.com/ccmjournal/Abstract/1985/10000/APACHE_II__A_severity_of_disease_classification.9.aspx

  2. Safari S, Shojaee M, Rahmati F, Barartloo A, Hahshemi B, Forouzanfar MM, et al. Accuracy of SOFA score in prediction of 30-day outcome of criticallyillpatients. Turk J Emerg Med. 2016 Nov 19;16(4):146-150. eCollection 2016. PubMed PMID: 27995206.

  3. Raith EP, Udy AA, Bailey M, McGloughlin S, MacIsaac C, Bellomo R, et al. Prognostic Accuracy of the SOFA Score, SIRS Criteria, and SOFA Score for In-Hospital Mortality Among Adults With Suspected Infection Admittedto the Intensive Care Unit. JAMA. 2017 Jan 17; 317(3):290-300. doi: 10.1001/jama.2016.20328. PubMed PMID: 28114553.

  4. Shankar-Hari M, Phillips GS, Levy ML. Developing a New Definition and Assessing New Clinical Criteria for Septic Shock: For the Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA [Internet]. 2016 Feb 23 [citado 20 Dic 2016];315(8):775-87. Disponible en: https://www.ncbi.nlm.nih.gov/pubmed/26903336

  5. Montero T, Hurtado de Mendoza J, Walwyn V, Álvarez R. Importancia y diagnóstico del daño múltiple de órganos en autopsias clínicas. Rev Cubana Med Mil [Internet]. 2008 [citado 20 Jun 2014];37(2):[aprox. 6 p.]. Disponible en: http://scielo.sld.cu/pdf/mil/v37n2/mil06208.pdf

  6. Montero González T, Hurtado de Mendoza J. Preguntas y respuestas sobre el Daño Múltiple de Órganos. Reflexiones acerca de la temática. Rev Cubana Med Mil [Internet]. 2010 [citado 25 Jun 2014];39(1):[aprox. 5 p.]. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0138-65572010000100006

  7. ISCIII: 64ª Asamblea General. Declaración de Helsinki de la AMM -Principios éticos para las investigaciones médicas en seres humanos [Internet]. Fortaleza, Brasil: ISCIII; 2013 [citado 25 Ago 2017]: [aprox. 9 p.]. Disponible en: http://www.isciii.es/ISCIII/es/contenidos/fd-investigacion/fd-evaluacion/fd-evaluacion-etica-investigacion/Declaracion-Helsinki-2013-Esp.pdf

  8. Steyerberg EW, Vergouwe Y. Towards better clinical prediction models: seven steps for development and an ABCD for validation. Eur Heart J. 2014 Aug 1;35(29):1925-31.

  9. Min Oh S, Stefani KM, Chang Kim H. Development and application of chronic disease risk prediction models. Yonsei Med J. 2014 Jul;55(4):853-60. doi: 10.3349/ymj.2014.55.4.853

  10. 10.Cox DR. The regression analysis of binary sequences (with discussion). J Roy Stat Soc B. 1958;20:215–42.

  11. 11.López-Roldán P, Fachelli S. Análisis de regresión logística. En: Metodología de la investigación social cuantitativa [Internet]. Bellaterra: Universitat Autónoma de Barcelona; 2016 [citado 25 Ago 2017]. Disponible en: https://ddd.uab.cat/pub/caplli/2016/163565/metinvsoccua_a2016_cap1-3.pdf

  12. 12.González-Ferrer V, González-Ferrer Y, Ramírez-Marino M. Statistical Modeling in Health Research: Purpose Drives Approach. MEDICC Review [Internet]. 2017 [citado 25 Ago 2017];19(2-3): [aprox. 4 p.]. Disponible en: http://www.redalyc.org/pdf/4375/437552190012.pdf

  13. 13.Sainani KL. Logistic regression. PM R. 2014 Dec;6(12):1157-62. doi: 10.1016/j.pmrj.2014.10.006. PubMed PMID:25463689

  14. 14.McDonald JH. Simple logistic regression. En: Handbook of Biological Statistics. 3ra ed. Baltimore: Sparky House Publishing; 2014. p. 238-46.

  15. 15.Barón López FJ. Identificación de factores de riesgo. En: Apuntes de Bioestadística: Tercer ciclo en Ciencias de la Salud y Medicina. Málaga: Universidad de Málaga; 2004. p. 50-7.

  16. 16.Pérez Hoyos S, Téllez Montiel F. Introducción a la regresión logística [Internet]. Valencia: IVESP; 1996 [citado 25 Ago 2017]. Disponible en: http://publicaciones.san.gva.es/publicaciones/documentos/Quaderns_7V.2144-1996.pdf

  17. 17.SEH-LELHA. Bioestadística. La regresión logística (II) [Internet]. España: Sociedad Española de Hipertensión, Liga Española para la Lucha contra la Hipertensión Arterial; c1997-2006 [actualizado 15 Jun 2016; citado 18 Jul 2016]: [aprox. 4 p.]. Disponible en: https://www.seh-lelha.org/la-regresion-logistica/

  18. 18.Royston P, Moons K, Altman DG, Vergouwe Y. Prognosis and prognostic research: developing a prognostic model. BMJ. 2009 Mar 31;338:b604. doi: 10.1136/bmj.b604

  19. 19.Sauerbrei W. The use of resampling methods to simplify regression models in medical statistics. Appl Statist. 1999;48(3):313-29.

  20. 20.Berlanga V, Vilá Baños R. Cómo obtener un Modelo de Regresión Logística Binaria con SPSS. Revistad'Innovació i Recerca en Educació [Internet]. 2014 [citado 10 Dic 2016];7(2):[aprox. 4 p.]. Disponible en: http://www.raco.cat/index.php/REIRE/article/view/278697/366441

  21. 21.Iglesias Cabo T. Métodos de bondad de ajuste en regresión logística [tesis]. Granada: Universidad de Granada, Departamento de Estadística; 2013. http://masteres.ugr.es/moea/pages/tfm-1213/tfm_iglesiascabo_tania/

  22. 22.Llopis Pérez J. La estadística: una orquesta hecha instrumento, aplicación del test de hosmer-Lemeshow en medicina [Internet]. 2014 Abr 2 [citado 10 Dic 2016]. Disponible en: https://estadisticaorquestainstrumento.wordpress.com/2014/04/02/aplicacion-del-test-de-hosmer-lemeshow-en-medicina/

  23. 23.Hosmer DW, Lemeshow S, Sturdivant RX. Applied logistic regression. 3ra ed. New York: Wiley; 2013.

  24. 24.Steyerberg EW, Vickers AJ, Cook NR, Gerds T, Gonen M, Obuchowski N, et al. Assessing the Performance of Prediction Models. A Framework for Traditional and Novel Measures. Epidemiology. 2010 Jan;21(1):128-38. doi: 10.1097/EDE.0b013e3181c30fb2

  25. 25.Latour J, Abraira V, Cabello JB, López Sánchez J. Las mediciones clínicas en cardiología: validez y errores de medición. Rev Esp Cardiol. 1997;50(2):117-28.

  26. 26.Hajian-Tilaki K. Receiver Operating Characteristic (ROC) Curve analysis for medical diagnostic test evaluation. Caspian J Intern Med [Internet]. 2013 [citado 1 Abr 2017];4(2):627-35. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3755824/

  27. 27.Gonçalves L, Subtil A, Oliveira MR, Zea Bermúdez P. ROC curve estimation-an overview. Revstat - Statistical Journal [Internet]. 2014 [citado 1 Abr 2017];12(1):1-20. Disponible en: https://www.ine.pt/revstat/pdf/rs140101.pdf

  28. 28.Fawcett T. ROC graphs: notes and practical considerations for researchers; Technical Report HPL-2003-4 [Internet]. HP Laboratories, Palo Alto, CA; 2004 [citado 1 abr 2017]. Disponible en: http://www.hpl.hp.com/techreports/2003/HPL-2003-4.pdf

  29. 29.Kleinbaum DG, Klein M. Assessing discriminatory performance of a bianry logistic model: Roc curves. In: Logistic Regression, Statistics for Biology and Health. New York: Springer Science; Business Media, LLC; 2010. p. 345-87.

  30. 30.Christopher B, Herbert D. Receiver operating characteristics curves and related decision measures: A tutorial. Chemometrics and intelligent laboratory systems. ScienceDirect [Internet]. 2006 Jan 20 [citado 1 abr 2017];80(1):24-38. Disponible en: https://www.sciencedirect.com/science/article/pii/S0169743905000766




2020     |     www.medigraphic.com