INTRODUCCION

En los últimos años se han desarrollado modelos predictivos de mortalidad hospitalaria en el paciente crítico que establecen sus pronósticos de forma dinámica a lo largo de la evolución clínica1. Representando estas tendencias se encuentran los modelos denominados Mortality Probability Models (MPM)2-10. Frente a ellos, los modelos tradicionales APACHE11-13 y SAPS14,15 representan los planteamientos clásicos, en los que el establecimiento del pronóstico se realiza a partir de los datos recogidos en las primeras 24 horas de ingreso en Unidad de Cuidados Intensivos (UCI), aunque en algún caso también ha sido propuesto su uso para más allá de las primeras 24 horas, con intención de optimizar su capacidad predictiva16.

Desde su presentación en 19857, se han publicado cuatro variantes de MPM bajo la misma denominación, por lo que se ha producido durante años una notable confusión en relación con este modelo. Por este motivo, nos ha parecido apropiado incluir un anexo (Apéndice I) con una breve descripción de la evolución histórica de éste y también del resto de los modelos predictivos que incluiremos en este estudio.

Nuestro objetivo final ha sido comparar la capacidad predictiva de mortalidad hospitalaria de la secuencia de modelos MPM II al ingreso, a las 24, y a las 48 horas de ingreso, con la de las predicciones obtenidas de los modelos APACHE II y SAPS II medidos consecutivamente los días primero y segundo de ingreso en UCI, y el potencial grado de refinamiento alcanzado por las predicciones hechas por cada modelo a lo largo del tiempo.

MATERIAL Y MÉTODOS

La recogida de datos se llevó a cabo de forma prospectiva durante doce meses en la Unidad de Cuidados Intensivos Polivalentes del Hospital General de Albacete. No se incluyeron en el estudio los pacientes de causa cardiológica (coronaria, marcapasos, etc.) atendidos en la Unidad de Cuidados Coronarios. Los pacientes fueron estudiados desde su ingreso en la UCI hasta el alta hospitalaria. La variable dependiente en todos los casos fue la evolución expresada en términos de mortalidad o supervivencia al alta hospitalaria. El conjunto de variables demográficas, clínicas y de laboratorio necesarias para el cálculo de los diferentes índices predictivos incluidos en el estudio fueron recogidas para cada paciente al ingreso y en las primeras 24 y 48 horas de estancia en UCI. A todos los pacientes de la cohorte en estudio les fueron determinados:

1. Los valores de probabilidad individual de muerte definida por los modelos MPM II-03, MPM II-243, y MPM II-482.

2. Los valores de probabilidad individual de mortalidad hospitalaria definida y por APACHE II y SAPS II a las 24 horas según la metodología descrita por sus respectivos autores12,15.

3. Los valores de probabilidad individual de mortalidad hospitalaria calculados mediante APACHE II y SAPS II a las 48 horas con una metodología idéntica a la utilizada en las primeras 24 horas, asumiendo que esta variación no está recogida en el diseño original de estos modelos, aunque ha sido aplicada previamente por otros16,17.

4. La evolución final, expresada como mortalidad o supervivencia al alta hospitalaria. Durante el episodio en UCI la evolución fue registrada para cada paciente, y se realizó un seguimiento de los pacientes supervivientes hasta el final del episodio hospitalario.

El análisis estadístico de los datos se ha llevado a cabo mediante el programa SPSS 8.0 para Windows. Dado que no existe una única medida estándar para describir la bondad del ajuste o capacidad predictiva de estos modelos de regresión logística18,19, la calibración (exactitud de las predicciones de riesgo hechas por los modelos) fue comparada usando los estadísticos *2 propuestos por Lemeshow y Hosmer18, y la discriminación (capacidad de los modelos para discriminar entre pacientes que sobreviven y pacientes que fallecen) fue comparada usando tablas de clasificación en el punto de corte del 50% y también comparando el área bajo la curva ROC de cada modelo.

Las pruebas de bondad del ajuste están consideradas como la herramienta más certera para valorar la idoneidad de un modelo predictivo5, y bajo esta premisa han sido adoptadas como un criterio mayor en nuestro estudio comparativo. Las probabilidades individuales de mortalidad obtenidas por los modelos a las 0, 24 y 48 horas fueron ordenadas según valores crecientes y agrupadas en estratos de riesgo de mortalidad predicha con un número similar de pacientes cada uno de ellos (tablas 1 y 2). El número de fallecimientos esperados en cada estrato o decil corresponde a la suma de las probabilidades individuales de muerte de los pacientes en dicho estrato. El número de supervivientes esperados se calcula por diferencia. El estadístico *2 de Lemeshow-Hosmer es la suma, para todos los estratos, de los cocientes de valores [Observados-Esperados]2/Esperados.

Los grados de libertad son n ­k ­1, siendo n = número de estratos (generalmente se adoptan 10, como en este caso), y k = número de variables, en este caso sólo una: el resultado final del episodio hospitalario en términos de mortalidad o supervivencia18. La prueba de bondad de ajuste de Lemeshow-Hosmer que resulte con menor valor *2 indicará mejor calibración para ese índice18, y un valor de p superior a 0,05 validará el modelo al indicar que no existen diferencias estadísticamente significativas entre lo observado y lo predicho18. Como el valor del estadístico *2 depende del número de sujetos de la muestra20, para la comparación de resultados entre los días primero y segundo, con distinto número de pacientes, se prefirió comparar los valores del coeficiente de significación p del estadístico de Hosmer-Lemeshow, que ya no depende directamente del tamaño de la muestra.

El análisis de la capacidad de discriminación comparó los valores calculados para el área bajo la curva ROC de cada modelo (AUC). El mayor valor de AUC se corresponde con la mejor capacidad de discriminación. También, tomando un criterio de decisión del 50%, fueron comparados sensibilidad, especificidad, y cociente de clasificación correcta total (CCT) de los distintos índices predictivos.

Este estudio fue aprobado por la Comisión Local de Ética e Investigación y las predicciones obtenidas del empleo de los diferentes índices pronóstico nunca fueron utilizadas para modificar o influenciar las decisiones clínicas durante el período del estudio.

RESULTADOS

Fueron estudiados 202 pacientes críticos, 122 hombres y 80 mujeres, con una edad media de 50,9 (desviación estándar [DE] 19,4) años. En el segundo día de estancia, el estudio quedó limitado a 149 pacientes, pues entre las 24 y 48 horas se registraron 17 fallecimientos y 36 pacientes fueron evacuados a planta.

La mortalidad observada al alta hospitalaria fue del 25,7% (52 pacientes). El 19,8% (40 pacientes) fallecieron durante su estancia intra-UCI. Las categorías diagnósticas quedan reflejadas en la tabla 3.

Las tablas 1, 2, 4 y 5 muestran los resultados de las pruebas de bondad del ajuste de Hosmer-Lemeshow y los valores de calibración y discriminación para las predicciones realizadas sobre los pacientes; a) al ingreso y en el primer día, y b) en el segundo día, respectivamente.

La tabla 6 representa la comparación cualitativa de los resultados numéricos de las pruebas de calibración y discriminación recogidas en las tablas 1, 2, 4 y 5.

DISCUSION

El primer estudio diseñado específicamente para comparar tres métodos de predicción de la mortalidad en pacientes críticos fue presentado por Lemeshow y colaboradores en 19875. Se trataba entonces de comparar el Acute Physiology Score (APS) del APACHE I, el también inicial SAPS I, y la versión del primitivo MPM al ingreso que incluía la posibilidad de parada cardiorrespiratoria. Los tres sistemas se comportaron de modo similar con respecto a su capacidad de discriminación. Las probabilidades expresadas por el MPM fueron las que más se aproximaron a la evolución observada, y esto fue atribuido a que se trata de un método cuyas variables son independientes del tratamiento dispensado en la UCI5.

En un estudio posterior en 1990, Schäfer et al21 compararon la capacidad predictiva de APACHE II con las versiones iniciales de SAPS I y MPM-0. Como en el estudio de Lemeshow, los tres sistemas se comportaron entre sí de modo similar con respecto a su sensibilidad, especificidad y cociente de clasificación correcta total, y los valores fueron bastante parecidos a los que hemos obtenido en nuestro estudio utilizando versiones posteriores de estos mismos modelos predictivos21.

Las categorías diagnósticas de nuestro estudio configuran una casuística comparable a las de otros estudios llevados a cabo en UCI polivalentes21,22, en los que pacientes tales como quemados, trasplantados o postoperatorio de cirugía cardíaca no se han incluido23,24.

El número de pacientes de nuestro trabajo, aunque reducido, es asimismo comparable con el tamaño de la muestra de otros estudios de validación no multicéntricos17,25,26. La mortalidad hospitalaria observada en nuestra serie es también semejante a la encontrada en estudios multicéntricos recientes27-29.

Las predicciones de mortalidad de los modelos MPM II se realizaron de acuerdo con la metodología diseñada por sus autores, tal y como fue expuesta en los respectivos trabajos originales2,3, y adoptado en cada índice el modelo original con objeto de hacer nuestros resultados comparables con los de otros investigadores. Con respecto a precedentes encontrados en la literatura en relación con la utilización de los índices predictivos APACHE II y SAPS II como escores dinámicos, Bion et al30 en 1988 demostraron sobre 128 pacientes que el uso longitudinal de una variante del APACHE II, el sistema sickness scoring, fue el mejor predictor de la evolución30. También ese año, Chang et al17 propusieron el uso diario del APACHE II corregido con el número de órganos o sistemas en fallo para el pronóstico individual de pacientes. Con posterioridad, en 1994 Douglas Wagner et al16, miembros del mismo equipo que desarrolló el APACHE II utilizaron secuencialmente este modelo, y sugirieron que su uso más allá de las primeras 24 horas podría proporcionar un refinamiento de sus predicciones de mortalidad.

Dentro de los objetivos de nuestro trabajo hemos considerado de interés investigar si este refinamiento del APACHE II se daría también en el modelo SAPS II frente a los modelos MPM II, que han sido diseñados específicamente para su utilización longitudinal en el tiempo como escores dinámicos.

Hemos encontrado que las predicciones sobre los 202 pacientes al ingreso con MPM-0 compararon favorablemente en cuanto a calibración con las realizadas por cualquiera de los modelos APACHE II, SAPS II o MPM II a las 24 horas (tabla 4). El MPM II-0 presentó superior calibración y similar discriminación que el APACHE II-24, que es el modelo que resultó con mejor calibración a las 24 horas, frente a MPM II-24 y SAPS II-24, que le superaron ligeramente en capacidad de discriminación. Estos dos últimos modelos tuvieron valores muy parecidos de calibración y discriminación, pero en conjunto no superaron a APACHE II-24 ni a MPM II-0.

En la comparación de predicciones realizadas a las 48 horas sobre los 149 pacientes restantes, las predicciones de MPM-48 compararon favorablemente con el resto de las realizadas a las 48 horas (tabla 5), presentando una calibración ligeramente superior a la del SAPS II-48, aunque este último tuvo la mejor discriminación. La calibración de APACHE II-48 resultó muy pobre frente a los otros dos modelos.

Nuestro estudio sugiere que, con excepción del APACHE II, todos los modelos refinan sus predicciones al avanzar en el seguimiento de la evolución del paciente. Es muy posible que el peso estadístico de la categoría diagnóstica, que tan buenos resultados otorga a APACHE II en las primeras 24 horas, le conduzca a un mal ajuste de sus predicciones a las 48 horas frente a modelos, en los que no se incluye de forma explícita este parámetro. Con respecto a la comparación de la bondad del ajuste de las predicciones (tablas 1, 2, 4 y 5) entre las 24 y 48 horas con diferente número de pacientes en cada grupo, debemos recordar que los valores del estadístico *2 de Hosmer-Lemeshow dependen del número de sujetos de la muestra19. Así pues, hemos preferido realizar esta comparación basándonos en los valores del coeficiente p de significación estadística, ya que proporciona una idea muy intuitiva del acercamiento entre lo observado y lo predicho, y no depende, al menos directamente, del número de pacientes, evitando la comparación directa de los valores del estadístico *2.

Para comparar la capacidad de discriminación de los modelos hemos elegido el área bajo la curva ROC como primer criterio, por encima de sensibilidad, especificidad y tanto por ciento de pacientes bien clasificados en el punto de corte del 50%. De estudios previos5, se conoce que usando un punto de corte del 50% virtualmente todos los modelos predictivos propuestos tendrán, al menos, un cociente de clasificación falsa del 10% al 15%. Esto ha sido interpretado por algunos autores como que todos los sistemas predictivos son aproximadamente equivalentes y ninguno es suficientemente bueno para la predicción individual23. En comparación con nuestros resultados, Chang et al25 en 1986, sobre una muestra de 210 pacientes, clasificaron correctamente con el APACHE II al 84,3% con una especificidad del 95,5%, considerando también un punto de corte del cincuenta por ciento25. En otro estudio, Schäfer et al21 en 1990 clasificaron correctamente con el APACHE II el 68,3% de 593 pacientes polivalentes, con una especificidad del 74,9% en el mismo punto de corte. Finalmente, Castella et al31 en 1991 clasificaron correctamente con el APACHE II el 83,73% de una muestra de 332 pacientes, con un 95,45% de especificidad31. En nuestra opinión, la comparación del área bajo la curva ROC cubriría todo el espectro de valores de discriminación tomando infinitos puntos de corte, y por tanto, nos ha parecido la prueba global más fiable a efectos de comparar la capacidad discriminativa de los modelos.

Nuestro análisis ha puesto de manifiesto la comparación favorable de la buena capacidad del sistema MPM-II para ser utilizado de forma secuencial, longitudinal en el tiempo, que superaría a APACHE II y SAPS II tomados por separado. La sencillez en la recogida de datos es mayor en MPM II y requiere un menor consumo de tiempo. Su principal inconveniente es la falta de implantación real del modelo más allá de su uso experimental dentro de la comunidad médica intensivista, donde el uso de los sistemas APACHE y/o SAPS se encuentra muy consolidado. Dado que APACHE II y SAPS II comparten un buen número de variables, una alternativa al uso secuencial del MPM II podría ser la determinación de probabilidades de mortalidad hospitalaria utilizando ambos modelos APACHE II y SAPS II conjuntamente. Aunque el número de pacientes de nuestro estudio es pequeño, y necesitaría ser validado con una muestra más amplia, nuestros resultados parecen sugerir que el uso del APACHE II sería recomendable en las primeras 24 horas, dentro de cuyo plazo tiene una excelente capacidad predictiva, con una calibración superior a la del SAPS II en ese período, y a continuación, el SAPS II, que presenta buen funcionamiento predictivo a las 48 horas, podría ser utilizado para este segundo período. La determinación secuencial de probabilidades de mortalidad hospitalaria usando APACHE II y SAPS II, según el esquema propuesto, posiblemente optimizaría los valores de calibración y discriminación en el uso combinado de estos modelos como escores dinámicos.

A modo de conclusión, en nuestro estudio el modelo MPM II presenta la mejor capacidad predictiva de la mortalidad hospitalaria cuando establece predicciones secuencialmente al ingreso, a las 24 y a las 48 horas en pacientes críticos polivalentes. Serán necesarios más estudios para confirmar esta aparente superioridad de los modelos MPM II sobre los modelos clásicos, pero mientras tanto, el uso combinado de APACHE II y SAPS II, de forma secuencial en los días primero y segundo de ingreso respectivamente, podría ser una alternativa válida de utilización de estos modelos predictivos en forma dinámica más allá de las primeras 24 horas de ingreso en UCI.

APÉNDICE I

Mortality Probability Models (MPM): Desarrollo histórico y estado actual

El sistema Mortality Probability Model (MPM) viene siendo desarrollado por Lemeshow, Teres et al2-10 y se trata de un modelo generado estadísticamente en su totalidad. Mediante la técnica de regresión logística múltiple sus autores seleccionaron las variables con mayor capacidad predictiva de la mortalidad hospitalaria32, determinaron los coeficientes de ponderación asociados a cada una de las variables seleccionadas, y también efectuaron el posterior refinamiento del peso aritmético de estos coeficientes9.

La primera versión de 1985 constaba de dos modelos: el modelo MPM-0, con siete variables medidas al ingreso, que fue obtenido a partir de datos de 737 pacientes7, y el modelo MPM-24, medido a las 24 horas, también con siete variables, y obtenido a partir de los datos de 458 pacientes7. De esta forma, los modelos proporcionaban las probabilidades de mortalidad hospitalaria estimadas al ingreso y a las 24 horas respectivamente. Los estudios de validación que siguieron a la publicación de esta primera versión del sistema MPM atribuyeron al modelo al ingreso, MPM-0, mayor capacidad predictiva que al MPM-245,8.

Una segunda versión de MPM fue presentada en 1987 coincidiendo con las validaciones anteriores8. Se propusieron dos modelos diferentes de MPM-0, también con siete variables. En el denominado MPM-0[OSF] se incluyó como variable el número de órganos o sistemas en fallo [OSF= organ system failure]. Este modelo fue desestimado por sus propios autores por considerar que incluía una variable compleja (en realidad una variable por cada órgano o sistema) que no podía ser recogida de forma fiable, ya que podría depender de la percepción individual de cada observador. En el otro modelo MPM-0 se incluyó como variable la existencia de parada cardiorrespiratoria previa a la admisión, y se denominó MPM-0[CPR]8.

La tercera versión de modelos MPM apareció en 19884. Utilizando la base de datos almacenada de los estudios precedentes los autores diseñaron unos nuevos MPM: el MPM-0 medido al ingreso con 11 variables; el MPM-24 medido a las 24 horas con 14 variables; el MPM-48 medido al segundo día con 11 variables y, adicionalmente, el modelo llamado MPM-OT ("over-time") como una combinación de los tres anteriores, para ser usado en pacientes con más de 48 horas de estancia en la UCI4.

En 1993 apareció la cuarta versión del sistema MPM revisada y actualizada que es la que ha sido denominada MPM II3. El MPM II fue desarrollado, refinado y validado sobre 19.124 pacientes críticos de 137 hospitales de doce países de Europa y Norteamérica. Inicialmente constó de dos modelos, MPM II-0 y MPM II-24, para estimar la probabilidad de supervivencia al alta hospitalaria en el momento

de ingreso en la UCI y a las 24 horas, respectivamente3. En 1994 se desarrollaron dos modelos adicionales MPM II-48 y MPM II-72, para las 48 y las 72 horas2.

El MPM II-0 proporciona una estimación de la probabilidad de mortalidad hospitalaria antes de que comience el tratamiento en la UCI, y ello es útil para evaluar el rendimiento de la UCI y para estratificar los pacientes previamente a la randomización en ensayos clínicos. Consta de quince variables fácilmente obtenibles (tabla 7).

TABLA 7. Cálculo de probabilidades de mortalidad del MPM II-0
Término constante ß0		­5,46836		­5,46836
Diagnósticos fisiológicos
	Coma o estupor profundo	1,48592	0	0
	Frecuencia cardíaca >=150/min	0,45603	0	0
	Tensión arterial sistólica ¾90 mmHg	1,06127	1	1,06127
Diagnósticos crónicos
	Insuficiencia renal crónica	0,91906	0	0
	Cirrosis	1,13681	1	1,13681
	Carcinoma metastásico	1,19979	0	0
Diagnósticos agudos
	Fracaso renal agudo	1,48210	0	0
	Arritmia cardíaca	0,28095	0	0
	Accidente cerebrovascular	0,21338	0	0
	Hemorragia gastrointestinal	0,39653	1	0,39653
	Efecto masa intracraneal	0,86533	0	0
Otros
	Edad en años	0,03057	60	1,83420
	Resucitación cardiopulmonar previa al ingreso	0,56995	0	0
	Ventilación mecánica	0,79105	0	0
	Causa médica o cirugía no electiva	1,19098	1	1,19098

El MPM II-24 consta de trece variables, de las que cinco ya se encuentran incluidas en el MPM-0, y por tanto han sido recogidas en el momento del ingreso. Requiere la recogida de sólo ocho variables adicionales al cabo de 24 horas (tabla 8).

TABLA 8. Cálculo de probabilidades de mortalidad del MPM II a las 24 y 48 horas
Término constante ß0
	A las 24 horas	­5,64592		­5,64592
	A las 48 horas	­5,39153		­5,39153
Variables obtenidas al ingreso
	Edad, años	0,03268	60	1,96080
	Cirrosis	1,08745	0	0
	Efecto masa intracraneal	0,91314	0	0
	Neoplasia metastásica	1,16109	0	0
	Causa médica o cirugía no electiva	0,83404	1	0,83404
Variables evaluadas a intervalos de 24 horas
	Coma o estupor profundo a las 24 horas	1,68790	0	0
	Creatinina > 2,0 mg/dl	0,72283	1	0,72283
	Infección confirmada	0,49742	1	0,49742
	Ventilación mecánica	0,80845	1	0,80845
	PaO2 < 60 mmHg	0,46677	0	0
	Tiempo de protrombina > 3 seg por encima del control	0,55352	0	0
	Diuresis < 150 ml en 8 horas	0,82286	1	0,82286
	Fármacos vasoactivos durante >= 1 hora	0,71628	0	0

Para el cálculo de la probabilidad individual de mortalidad en cualquier modelo MPM, cada una de las variables Xi queda expresada como valor absoluto (por ejemplo edad), o como términos de una condición dicotómica (valor 1, presencia; 0, ausencia). Este valor es corregido al multiplicarlo por un coeficiente de ponderación ßi, obtenido mediante regresión logística múltiple a partir de la cohorte de incepción del estudio original2,3. El valor de la suma de este polinomio o logit se sustituye en la fórmula general del cálculo de probabilidad de un modelo logístico Pr = elogit/(1 + elogit), donde e es la constante matemática 2,7182818 que representa la base de los logaritmos neperianos y Pr es la probabilidad individual de mortalidad hospitalaria de ese paciente.

Ejemplo 1. En la tabla 7 para el cálculo de las probabilidades de mortalidad hospitalaria según MPM-0 supondremos el cálculo del logit = … ßiXi = ß0 + ß1 X1 + ß2 X2 + ß3 X3 + ß4 X4 + ... + ß15 X15 para un paciente de 60 años con antecedentes de cirrosis alcohólica, ingresado por causa médica en la UCI con el diagnóstico de hemorragia gastrointestinal, y que presenta hipotensión arterial con sistólica menor de 90 mmHg, y con frecuencia cardíaca al ingreso de 130 latidos/minuto sería según la suma de términos de la columna derecha:

logit = ­5,46836 + (1 * 1,06127) + (1 * 1,13681) + (1 * 0,39653) + (60 * 0,0357) + (1 * 1,19098) = 0,15143

y la probabilidad de mortalidad hospitalaria Pr, expresada en tanto por uno, sería:

Pr = elogit / (1 + elogit) = e 0,15143 / (1 + e 0,15143) = 0,54

Esta probabilidad es una estimación o expectativa basada en la mortalidad observada en un grupo numeroso de pacientes con características similares, y representa la proporción de pacientes que se espera que muestren la misma evolución. Así, se esperaría que falleciera el 54% de los pacientes que tuvieran esta probabilidad, mientras que se esperaría la supervivencia del 46% de los pacientes.

Los modelos MPM II-48 y MPM II-722 contienen las mismas 13 variables y coeficientes que el MPM II-24. La diferencia entre ellos estriba sólo en los incrementos del término constante ß0, que, como veremos, aumenta su valor al pasar de MPM II-24 a MPM II-48, y de éste a MPM II-72, de forma que repercute en el aumento del polinomio … ßiXi. Aun cuando no existiesen cambios diarios en ninguna variable, el valor de la probabilidad de mortalidad hospitalaria aumentaría conforme aumentase la estancia en la UCI, reflejando que si el paciente no mejora en el tiempo es que en realidad está tendiendo a empeorar2.

Ejemplo 2. Supongamos ahora el cálculo de las probabilidades de mortalidad hospitalaria a las 24 y a las 48 horas según los modelos MPM II-24 y MPM II-48 (tabla 8) para un paciente de 60 años con perforación de un absceso diverticular (infección confirmada) que presenta un fracaso renal agudo (reducción de la diuresis a < 150 ml en ocho horas y aumento de la creatinina > 2,0 mg/dl) e insuficiencia respiratoria con necesidad de ventilación mecánica. En este ejemplo, asumiremos que no hay cambios en el perfil del paciente entre las 24 y las 48 horas de estancia en UCI. El cálculo del logit = … ßiXi = ß0 + ß1 X1 + ß2 X2 + ß3 X3 + ß4 X4 + ... + ß13 X13 se realizaría de acuerdo con los valores de la columna de la derecha de la tabla 8. En cada caso, el logit se calcula como la suma del término constante (ß0) más los productos de cada una de las trece variables del modelo por el valor de sus respectivos coeficientes ß.

Los valores del logit y la probabilidad de mortalidad hospitalaria asociada para este paciente a las 24 y a las 48 horas serán:

logit a las 24 horas: 0,00048

logit a las 48 horas: 0,25487

Este logit se transforma en una probabilidad de mortalidad hospitalaria: Pr = elogit / (1 + elogit), que a las 24 horas tendrá un valor:

Pr = e0,00048 / (1 + e0,00048) = 0,50

De forma similar, la probabilidad de mortalidad hospitalaria a las 48 horas será:

Pr = e0,25487 / (1 + e0,25487) = 0,56

La ausencia de cambios en el paciente entre las 24 y las 48 horas no sería un buen signo. En términos cuantitativos, esto se refleja en que si el perfil del paciente no cambia, el pronóstico no sólo no continúa siendo el mismo sino que realmente empeora.

Los sistemas APACHE y SAPS

1.El sistema APACHE

El conjunto de modelos Acute Physiology and Chronic Health Evaluation (APACHE) viene siendo diseñado y actualizado por Knaus et al desde finales de los años 7011-13.

APACHE I. Introducido en 1981, constaba de 34 variables seleccionadas por un panel de siete expertos representando tres especialidades troncales: anestesia, medicina interna y cirugía. Se escogieron variables disponibles al ingreso en UCI, o que pudieran ser obtenidas durante las primeras 32 horas de estancia11. El número de variables se juzgó excesivo en el primer estudio multicéntrico en el que se utilizó33, y aunque cayó rápidamente en desuso, su impacto sobre la evolución y el desarrollo de nuevas medidas de la gravedad sigue todavía vigente.

APACHE II. En esta versión de 1985, el número de determinaciones se redujo hasta doce variables fisiológicas más la edad y el estado de salud previo12. Se divide en dos componentes. El primero, llamado APS o Acute Physiology Score puntúa las variables fisiológicas. Para la determinación se escogen los peores valores de las primeras 24 horas de ingreso, y se les asignan valores de 0 a 4 puntos. Como excepción el Glasgow Coma Scale (GCS) se puntúa restando de 15 su valor para el paciente en estudio (tabla 9). La suma de las puntuaciones de estas variables proporcionará este primer componente APS del APACHE II, que se considera una medida de la gravedad de la enfermedad aguda del paciente.

El segundo componente, denominado Chronic Health Evaluation, puntúa la edad y el estado de salud previo (presencia de enfermedad crónica definida de los sistemas cardiovascular, respiratorio, hepático, renal e inmunológico).

La suma de ambas escalas constituye la puntuación Acute Physiology And Chronic Health Evaluation II o APACHE II. La puntuación máxima posible del sistema APACHE II es 71, aunque apenas existe supervivencia sobrepasando los 55 puntos. La puntuación APACHE II tiene, como expresión de gravedad, significado en sí misma. Además, es posible establecer la predicción individual de la mortalidad hospitalaria (la variable dependiente), tomando como variables independientes la propia puntuación APACHE II, si el paciente había o no recibido cirugía de urgencia, y el coeficiente de categoría diagnóstica, es decir, el coeficiente de ponderación asignado a la categoría diagnóstica del paciente por la regresión logística múltiple realizada inicialmente por Knaus et al12. La probabilidad de muerte hospitalaria, Pr, viene dada por la misma fórmula general vista anteriormente para el cálculo de probabilidad en un modelo de regresión logística múltiple:

Pr = elogit / (1 + elogit)

El valor del logit para el modelo APACHE II se calcula mediante la siguiente ecuación:

logit = ­3,517 + puntuación APACHE II * 0,146 + 0,603 (sólo si cirugía de urgencia) + coeficiente categoría diagnóstica.

El valor de esta probabilidad individual de mortalidad se considera más descriptivo que la propia puntuación APACHE II, ya que ésta podría resultar idéntica para dos pacientes distintos con diferente categoría diagnóstica, y por tanto con diferente pronóstico34.

APACHE III. La investigación de métodos para la optimización del sistema APACHE ha permanecido abierta, y su tercera versión apareció en 1991 con la novedad de un formato en paquete de software13. El sistema consta de dos partes: una puntuación, que permite la estratificación de la gravedad de los pacientes críticos dentro de grupos definidos de pacientes, y una ecuación predictiva, que proporciona el riesgo estimado de mortalidad hospitalaria en pacientes individuales. El APACHE III incluye variables muy parecidas a las de su versión anterior, pero el cálculo de la predicción de mortalidad y el manejo del producto se encuentran bajo licencia de utilización de APACHE Medical Systems (AMS), Inc, y por tanto es preciso comprarlo para poder acceder a los cálculos. La información disponible en la literatura sólo permite el cálculo de la puntuación aguda, denominada APACHE III Physiologic Scoring o APS III, que incluye alteraciones neurológicas, ácido-base, de los signos vitales y pruebas de laboratorio.

El APACHE III no ha conseguido hasta ahora desplazar el uso de su antecesor, el APACHE II. Por una parte, al quedar la utilización libre del APACHE III restringida al uso de la puntuación APS III, la metodología publicada en la literatura sólo ha permitido puntuar el grado de alteración aguda en el paciente crítico, y por tanto ha limitado su expansión. Por otra parte, la fiabilidad de la ecuación predictiva del APACHE III ha sufrido un duro revés tras la publicación en 1998 de un estudio de validación llevado a cabo en 285 UCI de 161 hospitales norteamericanos sobre 37.668 pacientes, en donde el modelo ha mostrado una notable falta de calibración35.

2. El sistema SAPS

SAPS I. La primera versión del Simplified Acute Physiology Score (SAPS) fue propuesta en 1984 por Le Gall et al14 como simplificación del APACHE I. El SAPS I constaba de trece variables clínicas y la edad. A su gran difusión posiblemente contribuyó su mayor facilidad de aplicación, aunque cayó en desuso tras la aparición del APACHE II.

SAPS II. En 1993 el mismo equipo de investigadores publicó una nueva versión, el SAPS II15, desarrollado, refinado y validado usando datos de 12.997 pacientes de 137 UCI de Norteamérica y Europa. Consta de doce variables fisiológicas, tres variables de estado de salud previo, la edad, y una variable indicando la causa de admisión en la UCI (tabla 10).

TABLA 10. El sistema SAPS II

Modificada de: Le Gall JR15. BUN: nitrógeno ureico en sangre; TA: tensión arterial; SIDA: síndrome de inmunodeficiencia adquirida.

Una vez obtenida la puntuación SAPS II, y al igual que en el APACHE II, el cálculo de la probabilidad individual de mortalidad hospitalaria se establece a partir del logit de cada paciente, calculado mediante la ecuación:

logit= ­7,7631 + 0,0737 (puntuación SAPS II) + 0,9971[ln(puntuación SAPS II+1)].

El logit es convertido a probabilidad de mortalidad hospitalaria mediante la misma ecuación general Pr = elogit / (1 + elogit) que hemos visto en los modelos anteriores.