Información de la revista
Vol. 47. Núm. 9.
Páginas 501-515 (septiembre 2023)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Visitas
1131
Vol. 47. Núm. 9.
Páginas 501-515 (septiembre 2023)
ORIGINAL
Acceso a texto completo
Diseño de un nuevo indicador de mortalidad en el síndrome coronario agudo al ingreso en la Unidad de Cuidados Intensivos
Design of a new mortality indicator in acute coronary syndrome on admission to the Intensive Care Unit
Visitas
1131
Herminia Lozano Gómeza,
Autor para correspondencia
fiex_hermi1990@hotmail.com

Autor para correspondencia.
, Adrián Rodríguez Garcíaa, M. Ángeles Rodríguez Estebanb, Cristina López Ferrazc, María del Pilar Murcia Hernándezd, Alberto Fernández Zapatae, Esther Villarreal Tellof, Javier Ruiz Ruizg, Virginia Fraile Gutiérrezh, Lorenzo Socias Crespii, Luis Alberto Pallas Beneytoj, Beatriz Villanueva Anadóna, Elena Porcar Rodadok, Juan José Araiz Burdioa, los investigadores del registro ARIAM-SEMICYUC
a Servicio de Medicina Intensiva, Hospital Clínico Universitario Lozano Blesa, Zaragoza, España
b Coordinadora Nacional del Registro ARIAM-SEMICYUC. Hospital Universitario Central de Asturias, Oviedo, Asturias, España
c Servicio de Medicina Intensiva, Complejo Hospitalario Universitario Nuestra Sra. de la Candelaria (Sta. Cruz de Tenerife), España
d Servicio de Medicina Intensiva, Hospital Los Arcos, San Javier, Murcia, España
e Servicio de Medicina Intensiva, Hospital de Torrevieja, Torrevieja, Alicante, España
f Servicio de Medicina Intensiva, Hospital Universitari i Politècnic La Fe, Valencia, España
g Servicio de Medicina Intensiva, Hospital de Llíria, Llíria, Valencia, España
h Servicio de Medicina Intensiva, Hospital Universitario del Río Hortega, Valladolid, España
i Servicio de Medicina Intensiva, Hospital Son Llàtzer, Palma de Mallorca, Baleares, España
j Servicio de Medicina Intensiva, Hospital Lluis Alcanyís de Xátiva, Xàtiva, Valencia, Baleares, España
k Servicio de Medicina Intensiva, Hospital de La Plana, Castellón, España
Ver más
Este artículo ha recibido
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (3)
Mostrar másMostrar menos
Tablas (3)
Tabla 1. Diferencias entre población ARIAM contemporánea vs. TIMI y GRACE
Tabla 2. Variables incluidas en el estudio
Tabla 3. Estadísticos convencionales: análisis bivariante y multivariante
Mostrar másMostrar menos
Material adicional (6)
Resumen
Objetivo

Diseñar un indicador de mortalidad del síndrome coronario agudo (SCA) en el servicio de medicina intensiva (SMI).

Diseño

Estudio descriptivo observacional multicéntrico.

Participantes

Pacientes con SCA ingresados en SMI incluidos en el registro ARIAM- SEMICYUC entre enero del 2013 y abril del 2019.

Intervenciones

Ninguna.

Variables de interés principales

Las variables analizadas fueron demográficas, tiempo de acceso al sistema sanitario y estado clínico. Se analizó la terapia de revascularización, los fármacos y la mortalidad. Se realizó un análisis de regresión logística de COX y posteriormente se diseñó una red neuronal. Se elaboró una curva ROC para calcula la potencia del nuevo score. Finalmente, la utilidad clínica o relevancia del indicador ARIAM se evaluará mediante un gráfico de Fagan.

Resultados

Se incluyó a 17.258 pacientes, con una mortalidad al alta del SMI del 3,5% (605). Las variables analizadas con significación estadística (p<0,001) fueron introducidas en el modelo predictivo supervisado, una red neuronal artificial. El nuevo indicador ARIAM mostro una media de 0,0257 (IC del 95%, 0,0245-0,0267) en los pacientes dados de alta de UCI y de 0,27085 (IC del 95%, 0,2533-0,2886) en los que fallecieron, p <0,001. El área ROC del modelo conseguido fue de 0,918 (IC del 95%, 0,907-0,930). En el test de Fagan se demostró que el indicador ARIAM muestra que la probabilidad de fallecimiento es del 19% (IC del 95%, 18-20%) cuando es positivo y del 0,9% (IC del 95%, 0,8-1,01%) cuando es negativo.

Conclusiones

Es posible crear un nuevo indicador de mortalidad del SCA en el SMI que sea más exacto, reproducible y actualizable periódicamente.

Palabras clave:
Síndrome coronario agudo
Mortalidad
Estratificación
Unidad de cuidados intensivos
Redes neuronales
Abstract
Objective

To design a mortality indicator for acute coronary syndrome (ACS) in the intensive care unit (ICU).

Design

Multicenter observational descriptive study.

Participants

ACS patients admitted to SMI included in the ARIAM-SEMICYUC registry between January 2013 and April 2019.

Interventions

None.

Main variables of interest

Variables analyzed were demographic, time of access to the health system, and clinical condition. Revascularization therapy, drugs, and mortality were analyzed. A COX regression analysis was performed and subsequently a neural network was designed. An ROC curve was developed to calculate the power of the new score. Finally, the clinical utility or relevance of the ARIAM's indicator will be evaluated using a Fagan test.

Results

17,258 patients were included, with a 3.5% (605) mortality at discharge from the ICU. The variables analyzed with statistical significance (p<0.001) were entered into the supervised predictive model, an artificial neural network. The new ARIAM's indicator showed a mean of 0.0257 (95% CI: 0.0245–0.0267) in patients discharged from the ICU and 0.27085 (95% CI: 0.2533–0.2886) in those who died, p<0.001. The ROC area of the model achieved was 0.918 (95% CI: 0.907–0.930). The Fagan test showed that the ARIAM's Indicator shows that the probability of death is 19% (95% CI: 18%–20%) when it is positive and 0.9% (95% CI: 0.8%–1.01%) when it is negative.

Conclusions

It is possible to create a new mortality indicator for ACS in the ICU that is more accurate, reproducible, and periodically updated.

Keywords:
Acute coronary syndrome
Mortality
Stratification
Intensive care unit
Neural networks
Texto completo
Introducción

Desde la antigüedad, uno de los principales objetivos de la medicina ha sido conocer el pronóstico de los pacientes en cualquiera de sus ámbitos. La estratificación de este riesgo se remonta a los inicios de los servicios de medicina intensiva (SMI), donde se usan diferentes escalas o scores pronósticos específicos y validados para cada patología. Los más utilizados son el APACHE, SOFA, o en relación con las unidades coronarias el The Global Registry of Acute Coronary Events (GRACE) o Thrombolysis in Myocardial Infarction (TIMI)1.

El síndrome coronario agudo (SCA) es una enfermedad frecuente en el SMI y se prevé que en 2049 la incidencia del SCA aumente debido al envejecimiento de la población, superando los 175.000 casos/año2,3.

En las últimas décadas, uno de los principales objetivos de los expertos de Medicina Intensiva ha sido el desarrollo y posterior validación de estos modelos de predicción. Con ello, se pretende adaptar el tratamiento al riesgo individual, evitar costes innecesarios y planificar la estrategia de prevención secundaria1.

Por desgracia, las escalas de estratificación en los pacientes coronarios distan mucho de la perfección1. En la actualidad todos ellos cuentan con bastantes limitaciones que ponen de manifiesto la necesidad de crear un indicador o algoritmo capaz de adecuarse a la población contemporánea, de forma individualizada y eficaz.

Tradicionalmente, los scores de referencia en el SCA han sido GRACE y TIMI, que han demostrado gran utilidad y buena discriminación de la mortalidad, con áreas bajo la curva ROC cercanas a 1. Sin embargo, tienen limitaciones importantes, como, por ejemplo, no hacen referencia a la mortalidad al ingreso en el SMI, han sido desarrollados a partir de una población muy seleccionada y que a día de hoy no es representativa de la población actual y tampoco se ajustan a los avances terapéuticos hasta la fecha (tabla 1)1,4.

Tabla 1.

Diferencias entre población ARIAM contemporánea vs. TIMI y GRACE

Población ARIAM vs. TIMI y GRACE
  ARIAMTIMI  GRACE 
  SCACEST  SCASEST  SCACEST  SCAC/SEST 
Localizador alteraciones ECG         
Anterior  43%    42,7%  33,0% 
Inferior  49%    56,9%  27,7% 
Killip al ingreso         
Killip IV  5,9%  1,2%  0%  0,4-1% 
Estrategias         
ICP primaria  81,6%    0%  18% 
Fibrinólisis  6,3%    100%  16,5% 
ICP tardía  5,8%      26,6% 
Tratamientos antitrombóticos         
2,° antiagregante  98,5%  98,7%  14%  31,8% 
Clopidogrel  35,2%  50,8%     
Prasugrel  8,0%  2,3%     
Ticagrelor  55,3%  45,6%     
Antagonistas IIb/IIIa  5,7%  1,3%  3,0%  18% 
Evolución clínica         
Killip máximo      12,6%  6,5% 
73,9%  75,7%    1,3% 
II  11,1%  11,2%     
III  4,1%  8,6%     
IV  10,9%  4,4%     
Infarto o reinfarto  2,3%  2,4%  5,2%  28,6%a 
Cirugía cardiaca  1,3%  2,9%  5,5%  5% 
Estancia y mortalidad hospitalaria         
Estancia (días)         
Media  6,4  8,2  10,5   
Mediana  4,52  5,76    6-8 
Mortalidad hospitalaria  8,0%  4,0%  6,0%b  4,6% 
a

Isquemia recurrente.

b

Mortalidad calculada.

El registro ARIAM es un registro observacional y multicéntrico (nacional) de participación voluntaria (anexo 1) y de corte anual (3 meses), creado por la Sociedad Española de Medicina Intensiva, Crítica y Unidades Coronarias (SEMICYUC). Se creó en 1994 y desde el 2010 pasó a denominarse ARIAM-SEMICYUC. Está integrado en el grupo de trabajo de Cuidados Intensivos Cardiológicos y reanimación cardiopulmonar de la sociedad de Medicina Intensiva, Crítica y Unidades Coronarias. Su labor es mejorar la calidad asistencial en el ámbito de la cardiopatía isquémica, siendo en el momento actual el registro español más amplio en esta materia con una media de 2.335 registros/anuales y un total de 23.357 registros5,6.

Se desconoce a día de hoy cuál es el método óptimo para el diseño de scores adecuados. En el artículo publicado en Medicina Intensiva por Nuñez et al. inciden en que la Medicina Intensiva es un campo ideal para el empleo de técnicas conocidas como Big Data Analysis (BDA) y Machine Learning (ML), que pueden permitir en el futuro mejorar nuestra capacidad de investigación clínica y dirigir de manera más precisa las terapias que proporcionamos a nuestros pacientes, y las redes neuronales artificiales son un claro ejemplo de ello7-12.

El objetivo de este trabajo es diseñar un Indicador de Mortalidad para todas las formas del SCA en UCI (ARIAM) a partir de las variables que puedan estar presentes en momento del ingreso en UCI, con los datos del Registro ARIAM y empleando un modelo predictivo supervisado (red neuronal).

Material y métodosÁmbito

La base ARIAM-SEMICYUC cumple con la legislación española de estudios postautorización observacionales (Orden SAS/3470/2009, de 16 de diciembre) y la normativa de la Ley de Protección de Datos. En mayo del 2012 fue reconocido como un registro de interés para el Sistema Nacional de Salud por el Ministerio de Sanidad, Consumo y Bienestar Social y, por lo tanto, no es necesaria la autorización expresa y cumplimentación de documento de consentimiento informado por parte de los pacientes.

En la introducción de datos, siempre se garantiza la anonimidad de los pacientes siendo imposible su identificación y se realiza mediante una aplicación informática disponible en: https://ariam.investigacion-intensivos.org/. Los datos los introducen aquellos investigadores que previamente han solicitado su participación en el registro y cuentan con un usuario/contraseña de acceso.

Pacientes y participantes

Se realizó un estudio observacional basándonos el registro ARIAM («base ARIAM») (fig. 1). Se incluyó a los pacientes ingresados con el diagnóstico de SCA (de menos de 48h de evolución desde el inicio de los síntomas) entre enero de 2013 y abril de 2019 en las unidades de Cuidados Intensivos españolas colaboradoras con el registro.

Figura 1.

Diseño del estudio.

(0,42MB).
Análisis estadístico convencional

En primer lugar, se realizó el procesamiento de los datos de la Base ARIAM, también conocido como ingeniería de datos. Este proceso incluye depuración de casos, recodificación de atributos tanto continuos como categóricos, creación de atributos sintéticos (agrupamiento, operadores, combinación, cálculos y recodificación de tiempos). Se incluyeron variables con datos socio-demográficos, signos vitales, determinaciones de laboratorio, tratamientos y técnicas realizadas y lugar de atención médica. Además, se recogieron datos de diagnóstico al ingreso y la mortalidad. Los tiempos se calcularon en función de las fechas y horas registradas. Se eliminaron todos aquellos pacientes en los cuales faltaba algún dato.

Se definió el evento objeto de estudio como mortalidad en el servicio de Medicina Intensiva por cualquier causa. Se llevó a cabo un estudio estadístico convencional, descriptivo e inferencial (uni y multivariante) de los datos, tanto globales como respecto del evento. Las variables continuas se expresaron en medias con desviación estándar y se compararon mediante la prueba t de Student o la prueba no paramétrica de Mann-Whitney. Las variables categóricas se describieron por valores absolutos y porcentajes y se compararon mediante la prueba χ2. Posteriormente, las variables significativas en el análisis univariante se utilizaron para un análisis multivariante mediante regresión logística de COX. Con las mismas variables que resultaron significativas en el análisis multivariante, se diseñó una Red Neuronal Artificial (RNA) (anexos 2 y 3).

Red neuronal e indicador ARIAM

El modelo predictivo supervisado (MPS) utilizado fue el multilayer perceptron (MLP) de propagación hacia atrás. En el modelo, los datos se dividieron aleatoriamente en una muestra de aprendizaje (training set) (80%) y una muestra de validación (validation set) (20%). Se utilizaron las funciones de transferencia tangente hiperbólica en las capas ocultas y softmáx en la de salida. El gradiente de pendiente se utilizó para estimar los pesos y sesgos sinápticos. La tasa de aprendizaje inicial fue de 0,4 y el impulso (momentum) fue de 0,9. El indicador/score ARIAM (ARIAM) se considerará el valor de la neurona de la capa de salida que determina fallecimiento.

Mediante un análisis de sensibilidad de las variables incluidas en la red, se determina el parámetro importancia de la variable (IV) en relación con la predicción del evento y su valor normalizado (IVn).

Métricas de rendimiento

La potencia del MPS para predecir la supervivencia del paciente se evaluó mediante métricas de rendimiento (sensibilidad, especificidad, precisión, valores predictivos, razones de probabilidad) y el cálculo del área bajo la curva en un análisis de receiver operating characteristic (ROC). El nuevo indicador obtenido (ARIAM) se comparó con el GRACE y TIMI mediante el área ROC. La utilidad clínica o relevancia del indicador se evaluó mediante un gráfico de Fagan. El gráfico de Fagan permite estimar la probabilidad posterior a la prueba de la condición objetivo en un paciente individual basándose en una probabilidad de prueba previa seleccionada.

Para el tratamiento de datos se empleó el paquete estadístico IBM® SPSS® Statistics versión 22.0. (©Copyright IBM Corporation 1989 to 2013, Chicago, IL, EE. UU.) y para el diseño y validación de la red neuronal artificial se usó el programa IBM® Neural Network versión 25.0. Un p valor de p <0,05 se consideró significativo.

Resultados

Se incluyó a un total de 18.123 pacientes con SCA que ingresaron en el SMI, de los cuales 865 fueron eliminados debido a la falta de alguna variable o errores en la recogida de los datos. Estos pacientes pertenecen a 64 hospitales españoles, de todos los niveles y repartidos por toda la geografía. La mortalidad global de los pacientes incluidos fue de 3,5% (603 pacientes).

De las 30 variables analizadas (tabla 2) donde se incluían datos socio-demográficos, constantes vitales al ingreso, determinaciones analíticas, tratamientos y técnicas realizadas y lugar de atención médica, etc. La prevalencia de algunas de estas características en los pacientes que fallecieron fueron: 4,6% de sexo femenino, una media de edad de 73,5±11 años frente a los 64,8 años de los pacientes que fueron dados de alta, antecedentes médicos de HTA (4,1%), dislipidemia (3,6%), alteración electrocardiográfica tipo SCACEST (4,3%), situación clínica de Killip IV (36%), PA sistólica (110,9±35mmHg), FC (87±27 lpm), cifras de creatinina (1,62±1,3mg/dl) o hemoglobina (12,6±2,3g/dl). El tipo estrategia terapéutica, ICP primaria (3,5%) o fibrinólisis (6,1%).

Tabla 2.

Variables incluidas en el estudio

Variable  Definición y notas aclaratorias  Categorías (límites) 
Datos sociodemográficos
Edad  Variable calculada a partir de las fechas de ingreso y de nacimiento  Entre (18-110 años) 
Sexo  Sexo del paciente al nacimiento  Hombre/mujer 
Peso  Peso estimado en kg  Entre 25 y 250 kg 
Talla  Talla estimada en cm  Entre 60 y 230 cm 
Antecedentes y factores de riesgo coronario
Historia familiar  Antecedentes de coronariopatía precoz en familiares de primer grado o hermanos (< 55 años en varones o <65 años en mujeres): angina, infarto de miocardio, muerte súbita de causa des conocida, cirugía de bypass aorto-coronario o ICP  Desconocido/dudosoSíNo 
Tabaquismo  No fumador (nunca ha fumado o es abstinente más de 20 años)Fumador actual (paciente que ha fumado algún cigarrillo en los últimos 30 días)  DesconocidoNo FumadorFumador actual (último mes)Exfumador (< 1 año)Exfumador (> 1 año) 
Hipertensión  Cualquiera de las siguientes1. Antecedente de hipertensión arterial en la historia del paciente o bien sigue tratamiento con fármacos, dieta o ejercicio para controlar la PA2. Documentación previa de PA sistólica ≥ 140mmHg o PA diastólica ≥ 90mmHg en pacientes sin diabetes o insuficiencia renal crónica o PA sistólica ≥ 130 mmHg o PA diastólica ≥ 80mmHg en al menos 2 ocasiones para pacientes con diabetes o insuficiencia renal crónica.3. Tratamiento actual de la HTA  Desconocido/dudosoSíNo 
Dislipidemia  Antecedente de dislipidemia consignada en la historia, tratamiento previo o actual con hipocolesterolemiantes o documentación de niveles de colesterol> 200 mg/dl o LDL ≥ 130 mg/dl o HDL <40 mg/dl en varones y <50 mg/ dl en mujeres  Desconocido/dudosoSíNo 
Diabetes  Historia de diabetes diagnosticada o tratada. Criterios de la American Diabetes Association:1. Hemoglobina A1c ≥ 6,5%; o 2. Glucosa en ayunas ≥ 126 mg/dl; o 3. Glucosa 2-h ≥ 200 mg/dl en la prueba de tolerancia a la glucosa; o 4. En pacientes con síntomas clásicos de hiperglucemia, crisis hiperglucémica, una glucosa aleatoria ≥200 mg/dlDiabetes tipo I: antecedente de diabetes tipo I en la historia clínica o el paciente cumpla criterios de la OMSDiabetes tipo II: antecedente de diabetes tipo II en la historia clínica o el paciente cumpla criterios de la OMS  Desconocido/dudosoDiabetes tipo 1Diabetes tipo 2 
Cocaína  Consumo reciente (7 días) de cocaína o positividad del testen orina  Desconocido/dudosoSíNo 
Enfermedad pulmonarobstructiva crónica  Diagnóstico (confirmado o de sospecha) de asma o EPOC consignado en la historia clínica  Desconocido/dudosoSíNo 
ACVA  Antecedente de ictus consignado en la historia clínica  Sí, isquémicoSí, hemorrágicoSí, sin especificarNoDesconocido/dudoso 
Arteriopatía periférica  Historia de arteriopatía obstructiva aorto-femoral o clínica de claudicación intermitente no estudiada  Desconocido/dudosoSíNo 
Cardiopatía isquémica previa  Evidencia o conocimiento de síntomas, IAM u otro equivalente sugestivo de isquemia cardiaca antes del evento agudo  Desconocido/dudosoSíNo 
Variable  Definición y notas aclaratorias  Categorías (límites) 
Insuficiencia cardiaca  Diagnóstico clínico consignado como tal en la historia clínica, o síntomas sugestivos como disnea a pequeños esfuerzos, ortopnea recurrente, retención de líquidos o descripción de crepitantes, ingurgitación yugular o edema pulmonar radiológicoLa evidencia de fracción de eyección deprimida sin signos clínicos de insuficiencia cardiaca no es suficiente para el diagnóstico de insuficiencia cardiaca  Desconocido/dudosoSíNo 
Insuficiencia renal crónica o diálisis  Diagnóstico consignado en la historia clínica o niveles de creatina previos al ingreso de> 1,4 mg/dl  Desconocido/dudosoSíNo 
ICP o cirugía de revascularización  Intervención coronaria percutánea (angioplastia, stento trombo-aspiración) o cirugía de revascularización cardiaca previa  Desconocido/dudosoSíNo 
Acceso al sistema y tiempos
Primer contacto médico  Lugar del primer contacto sanitario  MédicoCentro de Salud061-112Urgencias hospitalariaPlanta HospitalizaciónOtrosDesconocido/dudoso 
Procedencia  Ubicación inmediatamente anterior al ingreso en UCI  Otro hospitalIngreso directoHemodinámicaUrgenciasConsultas externasPlantaQuirófanoOtros 
T. dolor/UCI  Tiempo desde el inicio de los síntomas hasta su ingreso en UCI, variable calculada a partir de las horas de inicio de síntomas e ingreso en la Unidad de Cuidados Intensivos  Min 
Electrocardiograma
Tipo de SCA  SCASEST: síndrome coronario agudo sin elevación persistente de ST. SCACEST: síndrome coronario agudo con elevación persistente de ST o BCRIHH presumiblemente agudo  SCASESTSCACEST 
Tipo de alteración  Alteraciones observadas en ECG  ST elevado más de 2 mm o más de 2 derivacionesST elevado menos de 2mm o menos de 2 derivacionesPatrón de tronco/multivasoDescenso de ST0,5 mmDescenso ST<0,5 mmElevación transitoria ST (< 20 min) 
Situación clínica, analítica y estrategia al ingreso
Parada cardiorrespiratoria    SíNo 
Killip inicial  Consignar la primera determinación en UCI  IIIIIIIV 
PA sistólica/diastólica iniciales mmHg)  Consignar la primera determinación en UCI  Entre 20 y 250mmHg la sistólica y entre 20 y 150 la diastólica 
Frecuencia cardiaca inicial  Consignar la primera determinación en UCI  Entre 0-350 lpm 
Hemoglobina al ingreso  g/l  Entre 1-20 
Creatinina al ingreso  mg/dl  Entre 0,1 y 20 
Estrategia de reperfusión  Estrategia de reperfusión/tratamiento  ICP primariaFibrinólisisNinnguna 

En relación con el evento, 19 variables presentaron diferencias estadísticamente muy significativas (p <0,001) (tabla 3). El tipo estrategia terapéutica, ICP primaria o fibrinólisis, también fue significativo (p <0,001).

Tabla 3.

Estadísticos convencionales: análisis bivariante y multivariante

      Test  S LogisticM logistic
  AltaN=16.655(96,5%)  FallecimientoN=603(3,5%)  Valor p  RR  IC del 95%  RR  IC del 95% 
Datos demográficos                   
Sexo                   
Hombre  12.452 (96,9)  402 (3,1)  20.076         
Mujer  4.203 (95,4)  201 (4,6)  <0,001  1,481  1246-1761  <0,001  1022  0,81-1,289  0,858 
Edad  64,8+13,0  73,5+11,0  –16.070 <0,001  1,005  1,003-1,006  <0,001  1,058  1,048-1,069  <0,001 
Peso  79,1+15,9  76,6+14,3  3,874 <0,001  0,989  0,983-0,994  <0,001  1,002  0,995-1,009  0,542 
Talla  167,2+11,5  165,9+9,3  2.476 0,00133  0,992  0,987-0,998  0,0133       
IMC  29,8+23,6  28,2+10,5  1.692 0,0906  0,994  0,987-1,001  0,1110       
Antecedentes                   
H.ª familiar  13.132 (96,6)    1.643             
No  2.002 (96,4)  486 (3,4)  0,4400           
Sí  1.521 (96,0)  32 (3,6)    0,842  0,645-1,099  0,2050       
D/D    85 (4,0)    0,878  0,625-1,236  0,4570       
Tabaco                   
No  4.539 (95,7)  204 (4,3)  2.386           
Sí u otros  12.116 (96,8)  399 (3,2)  0,0523  0,982  0,980-0,998  0,0133       
Hipertensión                0,769-1,224  0,799 
No  6.598 (97,3)  182(2,7)  24.851         
Sí  9.949 (95,9)  420 (4,1)  <0,001  1,530  1,283-1,826  <0,001  0,970     
D/D  108 (99,1)  1 (0,9)    0,336  0,047-2,418  0,3360     
Hiperlipidemia                   
No  7.721 (96,5)  277 (3,5)  0,170           
Sí  8.741 (96,4)  318 (3,6)  0,9184  1,014  0,861-1,195  0,8675       
D/D  193 (96,1)  8 (3,9)    1,155  0,564- 2,367  0,6931       
Diabetes                   
No  11.547 (97,1)  340 (2,9)  47.504  0,597-2,296  0,6460  0,850-1,304  0,638 
DM1  261 (96,7)  9 (3,3)  <0,001  1,171  1,509-2,109  <0,001     
DM2  4.711 (94,9)  248 (5,1)    1,784  0,708-3,694  0,2540  1,053     
D/D  136 (95,8)  6 (4,2)    1,617         
Cocaína                   
No  12.365 (96,4)  456 (3,6)  0,580           
Sí  4.290 (96,7)  147 (3,3)  0,4462  0,929  0,769-1,123  0,4463       
C. isquémica                   
No  10.884 (96,7)  377 (3,3)  2.054           
Sí  5.771 (96,2)  226 (3,8)  0,1518  1,131  0,956-1,337  0,1520       
ICP o CABG                   
No  1.3687 (96,6)  481 (3,4)  4.470           
Sí  2.903 (96,1)  117 (3,9)  0,1070  1,147  0,933-1,409  0,1923       
D/D  65 (92,9)  5 (7,1)    2,189  0,877- 5,461  0,0930       
EPOC                   
No  15.298 (96,6)  540 (3,4)  6.637           
Sí  1.318 (95,6)  60 (4,4)  0,0362  1,290  0,982-1,694  0,0674       
D/D  29 (90,6)  3 (9,4)    2,931  0,890- 9,651  0,0770       
ACVA                0,803-1,649  0,444 
No  15.662 (95,7)  537 (3,3)  38.495         
Isquémico  715 (92,6)  57 (7,4)  <0,001  2,325  1,752-3,086  <0,001  1,151     
Hemorrágico  60 (100)  0 (0,0)               
D/D  218 (96,1)  9 (3,9)    1,204  0,615-2,358  0,5881     
Vasculopatía      110.847             
No  15.530 (96,9)  497 (3,1)  <0,001      1,359-2,410  <0,001 
Sí  1.090 (91,1)  106 (8,9)    3,039  2,442-3,781  <0,001  1,810     
D/D  35 (100)  0 (0)               
Insf, cardiaca  15.962 (96,9)  514 (3,1)  154,002          1,278-2,364  <0,001 
No  665 (88,4)  87 (11,6)  <0,001         
Sí  31 (93,9)  2 (6,1)    4,081  3,210-5,189  <0,001  1,738     
D/D        2,004  0,478-8,395  0,3487     
IRC/TDER  15.505 (96,7)  521 (3,3)  41.599          1,119-2,214  0,009 
No  1.133 (93,3)  82 (6,7)  <0,001    <0,001     
Sí  17 (100)  0 (0)    2,154  1693-2,740    1,574     
D/D                 
Acceso al sistema sanitario y tiempos                   
PCM                0,958-1,553  0,108 
C, Salud  1.992 (98,0)  102 (2,0)  20,076      0,628-1,104  0,202 
061  3.146 (94,1)  199 (5,9)  <0,001  3,096  2,428-3,947  <0,001  1,220  1,146-2,842  0,011 
Otros  290 (94,2)  18 (5,8)    3,038  1,815-5,084  <0,001  0,832  0,853-1,861  0,245 
Médico  516 (94,0)  33 (6,0)    3,130  2,092-4,683  <0,001  1,804     
Hospitaliz,  600 (91,9)  53 (8,1)    4,323  3,069-6,089  <0,001  1,260     
Urgencias  7.061 (97,3)  197 (2,7)    1,365  1,072-1,739  0,0116     
D/D  50 (98,0)  1 (2,0)    0,979  0,134-7,156  0,9832     
Procedencia  77 (97,5)                 
C. externas  231 (95,9)  2 (2,5)  61,256           
Otras  4.252 (96,7)  10 (4,1)  0,0542  1,667  0,357-7,775  0,5156       
Hemodin,  32 (97,0)  147 (3,3)    1,331  0,324-5,471  0,6917       
Quirófano  592 (92,2)  1 (3,0)    1,203  0,105-13,74  0,8817       
Planta  9.022 (97,0)  50 (7,8)    3,252  0,776-13,63  0,1068       
Urgencias  896 (93,9)  280 (3,0)    1,195  0,292-4,889  0,8044       
SEM  1.503 (96,5)  58 (6,1)    2,492  10,59-10,40  0,2103       
D/D    24 (3,5)    1,383  0,331-5,780  0,6565       
T. dolor/UCI  842+1362  900,7+1.695  –1.0160,3098             
Electrocardiograma                   
Tipo SCA                   
SCASEST  7.960 (97,4)  211 (2,6)  38.256         
SCACEST  8.695 (95,7)  392 (4,3)  <0,001  1,701  1,435-2,01  <0,001  0,554  0,086-3,560  0,534 
Alteración  1.178 (99,1)  11 (0,9)              0,057 
Normal  168 (86,2)  27 (13,8)  165,756        <0,001 
BRI  6.839 (95,7)  306 (4,3)  <0,001  17,211  8,381-35,34  <0,001  1,849  0,981-3,484  <0,001 
Est máx  1.562 (96,5)  56 (3,5)    4,792  2,617-8,772  <0,001  2,347  1,757-3,134  <0,001 
Est mín  1.696 (95,4)  94 (4,6)    3,839  2,003-7,361  <0,001  2,530  1,696-3,774   
DEST máx  1.188 (98,0)  24 (2,0)    5,113  2,726-9,588  <0,001  2,042  1,466-2,843   
DEST mín  316 (97,8)  7 (2,2)    2,163  1,055-4,437  0,035     
D/D  590 (99,0)  6 (1,0)    2,372  0,912-6,170  0,076  1308-4,294   
EST transi  1.476 (99,0)  15 (1,0)    1,089  0,401-2,960  0,867     
T negativas  1.134 (96,8)  38 (3,2)    1,088  0,498-2,379  0,832     
Otros  235 (92,5)  19 (7,5)    3,589  0,985-7,056  0,539     
Tronco        8,658  4,07-18,43  <0,001  2,370     
Situación clínica, analítica y estrategia al ingreso                   
PCR previa                   
No  16.083 (97,4)  424 (2,6)  963,429         
Sí  572 (76,2)  179 (23,8)  <0,001  11,87  9,781-14,40  <0,001  5,735  4,370-7,526  <0,001 
Killip                   
13.480 (98,9)  150 (1,1)  2.333,35  3,879-6,447       
II  1.887 (97,4)  105 (5,3)  <0,001  5,001  11,14-17,91  <0,001  2,282  1,714-3,038  <0,001 
III  929 (86,4)  146 (13,6)    14,123  39,94-64,01  <0,001  5,555  4,168-7,405  <0,001 
IV  359 (64,0)  202 (36)    50,566    <0,001  9,343  6,863-12,72  <0,001 
PA sistólica (mmHg)  135,9+28,1  110,9+35.5  21,240  0,969  0,966-0,972  <0,001  0,986  0,982-0,989  <0,01 
      <0,001             
FC (lpm)  78,2+19,5  87,4+27,0  –11,273  1,019  1,016-1,022  <0,001  1,010  1,006-1,014  <0,01 
      <0,001             
Hemoglobina (g/dL)  13,9+1,9  12,6+2,3  14,111<0,001  0,772  0,744-0,801  <0,001  0,944  0,900-0,991  0,021 
Creatinina (mg/dL)  1,05+0,7  1,62+1,3  –18,034<0,001  1,444  1,369-1,522  <0,001  1,307  1,194-1,431  <0,01 
Estrategia                   
Ninguna  8.148 (96,8)  267 (3,2)  22,892<0,001         
ICP previa  7.531 (96,5)  275 (3,5)    1,12  0,94-1,33  0,1973  1,136-2,345  0,008 
Fibrinólisis  940 (93,9)  61 (6,1)    1,99  1,49-2,65  <0,001  1,632     

Test: chi al cuadrado (cualitativas) o t-test (cuantitativas).

ACVA: accidente cardiovascular agudo; BRI: bloqueo rama izquierda; C. externas: consultas externas; C. isquémica: cardiopatía isquémica; DEST máx: descenso ST> de 2mm; DEST mín: descenso ST <2mm; EPOC: enfermedad pulmonar obstructiva crónica; EST máx: elevación ST> de 2mm; EST min: elevación ST <2mm; EST transi: elevación ST transitoria; ICP o CABG: intervención coronaria percutánea o coronary artery bypass grafting; IMC: índice masa corporal; IRC/ TDER: insuficiencia renal crónica/terapia de depuración extrarrenal; M Logistic: Multilogistic regression analysis; S Logistic: Simple logistic regression analysis; PCM: primer contacto médico; PCR previa: parada cardiorrespiratoria; SEM: servicio médico extrahospitalario.

Modelo de predicción supervisada (MPS) (anexo 4)

El nuevo indicador ARIAM mostró una media de 0,0257 (IC del 95%, 0,0245-0,0267) en los pacientes dados de alta de UCI y de 0,27085 (IC del 95%, 0,2533-0,2886) en los que fallecieron, con una p <0,001. Este indicador derivado de la función softmáx de la capa de salida puede ser interpretado fácilmente como una probabilidad de fallecer: así, un valor 0,0835 indica que la probabilidad de fallecer será del 8,35%.

En el modelo conseguido todas las variables introducidas mostraron un cierto valor predictivo, siendo muy alto (IVn> 20%) para: la creatinina, Killip, edad, parada cardiorrespiratoria, PA sistólica, vasculopatía, frecuencia cardiaca, primer contacto médico, peso, hemoglobina, insuficiencia cardiaca, ECG y estrategia inicial (fig. 2).

Figura 2.

Ranking de variables por IV del MPS.

(1,02MB).
Métricas de rendimiento

Respecto de las métricas de rendimiento para toda la serie (con un punto de corte del indicador> 0,04), merecen destacarse los siguientes datos: especificidad 88,19% y valor predictivo negativo 99,19% (anexo 5).

El área ROC del modelo conseguido fue de 0,918 (IC del 95%, 0,907-0,930); este estadístico «c» comparado con otros 2 indicadores (GRACE, TIMI) como predictores de mortalidad del SCA en el SMI fue: ARIAM 0,918 (IC del 95%, 0,907-0,930) vs. GRACE 0,889 (IC del 95%, 0,874-0,903; p <0,05) y vs. TIMI 0,763 (IC del 95%, 0,741-0,784, p <0,01) (fig. 3).

Figura 3.

Áreas ROC ARIAM vs. GRACE y TIMI.

(0,34MB).

Se realizó el test de Fagan para conocer la relevancia clínica del score. El resultado positivo del indicador ARIAM indica que la probabilidad de muerte aumenta al 19% (IC del 95%, 18-20%), mientras que, en caso negativo, la probabilidad disminuye al 0,9% (IC del 95%, 0,8-1,01%) (anexo 6).

Discusión

A nivel mundial, la enfermedad cardiovascular es la causa más frecuente de muerte, morbilidad y coste sanitario en España, y su frecuencia está en aumento a consecuencia del envejecimiento de la población. Actualmente causa casi 1,8 millones de muertes al año en Europa, lo que corresponde al 20% de todas las muertes, con grandes variaciones entre países1,13,14. La asistencia sanitaria del SCA consume una gran cantidad de recursos en España por lo que una correcta estratificación del riesgo puede ser primordial a día de hoy3.

Se espera de un score pronóstico, que además de establecer un criterio de diagnóstico, de manejo o como su nombre lo indica de pronóstico, sean fáciles de utilizar y midan un resultado con la suficiente entidad clínica15. Tanto en las actuales guías de práctica clínica, como en los indicadores de calidad de la SEMICYUC, se recomienda una valoración precoz del riesgo a todo paciente con SCA mediante la escala GRACE13,16.

Las escalas pronósticas deben ser empleadas para la población para la que se diseñaron; así, un indicador creado para población general no será válido para el SMI y viceversa15. En este sentido, las herramientas hasta la fecha (GRACE y TIMI) presentan limitaciones importantes ya que ninguno de ellos se relaciona específicamente con la mortalidad al ingreso en el SMI, sino a los 6 meses o a los 14 días, respectivamente17-21. TIMI, además, cuenta con diferencias en cuanto a las características clínicas de los pacientes incluidos: No incluye pacientes con shock cardiogénico (Killip IV) y, además, dado que se diseñó basándose en un estudio de tratamientos fibrinolíticos, no incluye a pacientes tratados mediante revascularización percutánea primaria, que a día de hoy es la terapia más frecuente en este tipo de pacientes17-22.

Para que un score sea práctico en la clínica es necesario que incluya las variables que han demostrado ser más relevantes a la hora de predecir el evento. Además, debe ser un score novedoso, reproducible y fácilmente actualizable. El ARIAM utiliza 19 variables al ingreso donde se incluyen datos socio-demográficos, analíticos y constantes clínicas14,16. Este nuevo score ha demostrado buena discriminación de la mortalidad al ingreso, superando a otras escalas anteriormente utilizadas.

Los pacientes con un score ARIAM positivo tendrán una probabilidad de fallecer del 19% a causa del SCA. El modelo diseñado tuvo una exactitud/precisión (diagnostic accuracy) del 96,81% en el conjunto de aprendizaje y del 96,79% en el de validación. La probabilidad de mortalidad aumentará a más del 19% cuando el ARIAM es positivo y será <1% cuando es negativo, por tanto, mostró muy buena discriminación para el evento objeto del estudio e implicará priorización en la estrategia de tratamiento. Al contrario, un ARIAM negativo identificará los pacientes de riesgo bajo y permitirá orientar el cribado y las estrategias de prevención.

El área bajo la curva ROC de nuestro indicador es incluso superior al área ROC de GRACE, por lo que permite discriminar la mortalidad de forma más precisa18.

Posiblemente el diseño de nuevas variables sintéticas creadas a partir de los tiempos registrados en el ARIAM pueda aumentar la rentabilidad del modelo. Un ejemplo de ello es el análisis del tiempo inicio del dolor torácico-llegada a la UCI, que, aunque no se ha demostrado como predictor independiente de mortalidad en UCI (al existir gran dispersión en los datos de la muestra), sí que muestra diferencias interesantes que convendría analizar con más detalle en futuros trabajos16.

Este nuevo modelo mejora las limitaciones potenciales de los scores actuales ya que permite la estratificación del riesgo de forma temprana. En los últimos años, se han desarrollo nuevos scores, como el M-CARS, ante la necesidad de actualización de los existentes, pero a pesar de ello, cuenta con importantes desventajas frente al modelo que proponemos: no ser específico de pacientes con SCA y haber sido diseñado mediante un estudio unicéntrico, por lo que la generalización del M-CARS a otras poblaciones puede suponer una importante limitación23.

Nuestro trabajo presenta 2limitaciones. La primera, común a cualquier score de riesgo, pese a discriminar bien los grupos de riesgo, no necesariamente predice correctamente el riesgo individual. La segunda inherente a los métodos de aprendizaje automático, que pueden funcionar muy bien en nuestros conjuntos de aprendizaje y validación (validez interna), pero es necesario desplegar el modelo a nuevas series de datos o registros web (validez externa o prospectiva) para así validar el nuevo score en poblaciones futuras.

Conclusión

El indicador ARIAM, creado a partir de una RNA, es un score asistencial clínico más adecuado a la población actual, más exacto, reproducible y actualizable de forma periódica y que supone una herramienta muy útil en los SMI a la hora de valoraciones clínicas o servir de referencia en estudios de calidad. Este nuevo score puede ser de utilidad a la hora de elaborar comparaciones con otros scores predictivos previos que fomenten nuevas investigaciones.

Contribución de autores

Los autores de este trabajo son los investigadores principales de sus hospitales y han contribuido con un mayor número de casos en los cortes del Registro ARIAM incluidos en el estudio.

El diseño y la redacción del estudio han sido realizados por JJAB, ARG y HLG y corregida por el resto de los autores, que están de acuerdo con su contenido.

Financiación

El registro ARIAM-SEMICYUC está financiado al 100% por la Sociedad Española de Medicina Intensiva, Crítica y Unidades Coronarias.

Conflicto de intereses

Los autores declaran no tener conflicto de intereses, ni haber recibido ningún tipo de apoyo financiero para la realización del estudio.

Bibliografía
[1]
K. Kimura, T. Kimura, M. Ishihara, Y. Nakagawa, K. Nakao, K. Miyauchi, Japanese Circulation Society Joint Working Group, et al.
JCS 2018 Guidelineon Diagnosis and Treatment of Acute CoronarySyndrome.
Circ J., 83 (2019), pp. 1085-1196
[2]
I. RDégano, R. Elosua, J. Marrugat.
Epidemiología del síndrome coronario agudo en España: estimación del número de casos y la tendencia de 2005 a 2049.
Rev Esp Cardiol., 66 (2013), pp. 472-481
[3]
G.A. Sanz.
Estratificación del riesgo en los síndromes coronarios agudos: un problema no resuelto [Risk stratification in acute coronary syndromes: an unresolved issue].
Rev Esp Cardiol., 60Suppl3 (2007), pp. 23-30
[4]
G.W.A. Aarts, J.Q. Mol, C. Camaro, J. Lemkes, N. van Royen, P. Damman.
Recent developments in diagnosis and risk stratification of non-ST-elevation acute coronary syndrome.
Neth Heart J., 28 (2020), pp. 88-92
[5]
Sociedad Española de Medicina Intensiva y unidades coronarias. Datos del Registro ARIAM-UCI [Internet]; [consultado 2 Sep 2022]. Disponible en: https://semicyuc.org/ariam/
[6]
C. Llanos Jorge, S. Ramos de la Rosa, M.Á. Rodríguez.
Esteban ARIAM, 25 años salvando corazones.
Med Intensiva., 44 (2020), pp. 207-209
[7]
A. Núñez Reiz, M.A. Armengol de la Hoz, M. Sánchez García.
Big data analysis and machine learning in Intensive Care Units.
Med Intensiva (Engl Ed)., 43 (2019), pp. 416-426
[8]
G. Lazcoz Moratinos, I. de Miguel Beriain.
Big data analysis y machine learning en medicina intensiva: identificando nuevos retos ético-jurídicos.
Med Intensiva., 44 (2020), pp. 319-320
[9]
J.M. Egea.
Redes neuronales: concepto, fundamentos y aplicaciones en el laboratorio clínico.
Quim Clin., 13 (1994), pp. 221-228
[10]
C.S. Mayo, M.M. Matuszak, M.J. Schipper, S. Jolly, J.A. Hayman, R.K. Ten Haken.
Big data in designing clinical trials: Opportunities and challenges.
Front Oncol., 7 (2017), pp. 187
[11]
M. Traeger, A. Eberhart, G. Geldner, A.M. Morin, C. Putzke, H. Wulf, et al.
KünstlicheneuronaleNetze. TheorieundAnwendungen in der Anästhesie, Intensiv- undNotfallmedizin [Artificial neural networks. Theory and applications in anesthesia, intensivecare and emergency medicine].
Anaesthesist., 52 (2003), pp. 1055-1061
[12]
K. Gholipour, M. Asghari-Jafarabadi, S. Iezadi, A. Jannati, S. Keshavarz.
Modelling the prevalence of diabetes mellitus risk factors based on artificial neural network and multiple regression.
East Mediterr Health J., 24 (2018), pp. 770-777
[13]
B. Ibánez, S. James, S. Agewall, M.J. Antunes, C. Bucciarelli-Ducci, H. Bueno, et al.
2017 ESC Guidelines for the management of acute myocardial infarction in patients presenting with ST-segment elevation.
Rev Esp Cardiol (Engl Ed)., 70 (2017), pp. 1082
[14]
J.P. Collet, H. Thiele, E. Barbato, O. Barthélémy, J. Bauersachs, D.L. Bhatt, et al.
2020 ESC Guidelines for the management of acute coronary syndromes in patients presenting without persistent ST-segment elevation.
Rev Esp Cardiol (Engl Ed)., 74 (2021), pp. 544
[15]
J.F. Mata Vicente.
Escalas pronósticas en la Unidad de Terapia Intensiva.
Rev Asoc Mex Med Crit y Ter Int., 26 (2012), pp. 234-241
[16]
Sociedad Española de Medicina Intensiva y Unidades Coronarias. Indicadores de calidad. [Internet]; [consultado 5 Sep 2022]. Disponible en: https://semicyuc.org/indicadores-de-calidad
[17]
K.A. Fox, S.G. Goodman, W. Klein, D. Brieger, P.G. Steg, O. Dabbous, et al.
Management of acute coronary síndromes. Variations in practice and outcome; findings fromt he Global Registry of Acute Coronary Events (GRACE).
Eur Heart J., 23 (2002), pp. 1177-1189
[18]
C.B. Granger, R.J. Goldberg, O. Dabbous, K.S. Pieper, K.A. Eagle, C.P. Cannon, et al.
Global Registry of Acute Coronary Events Investigators Predictors of hospital mortality in the global registry of acute coronary events.
ArchInternMed., 163 (2003), pp. 2345-2353
[19]
K.A. Eagle, M.J. Lim, O.H. Dabbous, K.S. Pieper, R.J. Goldberg, F. Van de Werf, GRACE Investigators, et al.
A validated prediction model for all forms of acute coronary syndrome: estimating the risk of 6-month posdischarge death in an international registry.
JAMA., 291 (2004), pp. 2727-2733
[20]
InTIME-II Investigators. Intravenous NPA forthetreatment of infarctingmyocardiumearly; InTIME-II, a double-blindcomparison of single-bololanoteplase vs. acceleratedalteplaseforthetreatment of patientswithacutemyocardialinfarction. Eur Heart J. 2000;21(24):2005-13. DOI: 10.1053/euhj.2000.2498
[21]
D.A. Morrow, E.M. Antman, A. Charlesworth, R. Cairns, S.A. Murphy, J.A. de Lemos, et al.
TIMI risk score for ST-elevationmyocardialinfarction: A convenient, bedside, clinical score for risk assessment at presentation: An intravenous nPA for treatment of infarcting myocardium early II trial substudy.
Circulation., 102 (2000), pp. 2031-2037
[22]
H. Thiele, E.M. Ohman, S. de Waha-Thiele, U. Zeymer, S. Desch.
Management of cardiogenic shock complicating myocardial infarction: An update 2019.
Eur Heart J., 40 (2019), pp. 2671-2683
[23]
J.C. Jentzer, N.S. Anavekar, C. Bennett, D.H. Murphree, M.T. Keegan, B. Wiley, et al.
Derivation and validation of a novel Cardiac Intensive Care Unit admission risk score formortality.
J Am HeartAssoc., 8 (2019), pp. e013675

Los nombres de los componentes del registro ARIAM-SEMICYUC están relacionados en el anexo 1 del material adicional.

Copyright © 2023. Elsevier España, S.L.U. y SEMICYUC
Idiomas
Medicina Intensiva
Opciones de artículo
Herramientas
Material suplementario
es en

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?