Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
La pandemia sigue planteando enormes desaf\u00edos para los servicios de salud en todo el mundo. Los hospitales est\u00e1n en crisis ya que el ritmo de nuevos casos de COVID-19 supera su capacidad. Lo que complica especialmente las cosas es que el coronavirus no afecta a todos de la misma manera. <\/p>\n
Poder predecir mejor qu\u00e9 pacientes se enfermar\u00e1n gravemente permitir\u00eda a los hospitales utilizar sus recursos limitados de forma m\u00e1s eficaz. Con esa informaci\u00f3n, los hospitales podr\u00edan dejar de admitir pacientes con bajo riesgo de deterioro y evitar la administraci\u00f3n de tratamientos innecesarios. Y para los pacientes de alto riesgo, esta informaci\u00f3n podr\u00eda guiar a los m\u00e9dicos sobre c\u00f3mo y cu\u00e1ndo tratarlos.<\/p>\n
Los investigadores se han apresurado a desarrollar \u00abmodelos de predicci\u00f3n\u00bb para este mismo prop\u00f3sito desde el comienzo de la pandemia. Los modelos de predicci\u00f3n se crean aprendiendo de pacientes anteriores y necesitan recibir una gran cantidad de datos. Se descubri\u00f3 que los primeros modelos eran inadecuados para el uso cl\u00ednico, principalmente porque no inclu\u00edan suficientes datos para capturar la variedad de escenarios que ocurren entre diferentes pacientes y en diferentes entornos. <\/p>\n
Pero hay un estudio llamado ISARIC4C que recopila datos sobre pacientes con COVID-19 de m\u00e1s de 250 hospitales en todo el Reino Unido. Cre\u00edamos que esta podr\u00eda ser una plataforma poderosa para abordar este problema. Entonces, trabajando con colegas de todo el Reino Unido, nos dispusimos a crear un modelo de predicci\u00f3n usando los datos de ISARIC4C que ser\u00eda lo suficientemente bueno para usarse cl\u00ednicamente.<\/p>\n
Uso de big data para mejorar la atenci\u00f3n<\/p>\n
Usamos datos de ISARIC4C de aproximadamente 75 000 pacientes en Inglaterra, Escocia y Gales para desarrollar nuestra herramienta de predicci\u00f3n, a la que llamamos modelo de deterioro 4C. Est\u00e1 dise\u00f1ado para predecir el riesgo de que un adulto hospitalizado con COVID-19 requiera asistencia respiratoria, necesite cuidados intensivos o muera durante su estad\u00eda en el hospital.<\/p>\n
El modelo solo requiere informaci\u00f3n recopilada de forma rutinaria. Necesita conocer la edad y el sexo de la persona, si desarroll\u00f3 la infecci\u00f3n dentro o fuera del hospital, sus evaluaciones al lado de la cama, como el nivel de ox\u00edgeno, la frecuencia respiratoria y el nivel de conciencia, y una selecci\u00f3n de an\u00e1lisis de sangre comunes y hallazgos de radiograf\u00edas de t\u00f3rax. Estas 11 entradas de datos (o \u00abpredictores\u00bb) se incluyeron en base a informes previos de su asociaci\u00f3n con COVID-19 grave junto con evidencia del estudio ISARIC4C que los asocia con deterioro.<\/p>\n
Los predictores de un paciente se combinan juntos en el modelo de deterioro 4C usando una ecuaci\u00f3n, que luego proporciona el porcentaje de probabilidad de que la condici\u00f3n de ese paciente empeore. Los predictores no son iguales, pero se ponderan seg\u00fan su asociaci\u00f3n con el deterioro. Por ejemplo, el predictor m\u00e1s fuerte en el modelo es el nivel de ox\u00edgeno en la sangre (medido con una sonda en el dedo). Esto se debe a que una reducci\u00f3n en los niveles de ox\u00edgeno es el mecanismo principal a trav\u00e9s del cual COVID-19 causa una enfermedad cr\u00edtica.<\/p>\n
Probamos la precisi\u00f3n de las predicciones en pacientes hospitalizados con COVID-19 en nueve regiones del NHS en Inglaterra, Escocia y Gales. Nuestros an\u00e1lisis mostraron que las predicciones del modelo coincid\u00edan estrechamente con los resultados observados de los pacientes. Por ejemplo, al usar una medida llamada \u00abpendiente de calibraci\u00f3n\u00bb para ver qu\u00e9 tan bien coincid\u00edan las predicciones con los resultados reales, el modelo obtuvo una puntuaci\u00f3n de 0,96 en comparaci\u00f3n con una puntuaci\u00f3n perfecta de 1. Estos resultados ofrecieron evidencia alentadora de que el modelo podr\u00eda guiar de manera \u00fatil la toma de decisiones m\u00e9dicas en Todas las regiones. <\/p>\n
C\u00f3mo pueden usar la herramienta los m\u00e9dicos<\/p>\n
Pusimos a disposici\u00f3n de los m\u00e9dicos el modelo de deterioro 4C como una calculadora de riesgo en l\u00ednea en enero de 2020. Est\u00e1 disponible junto con nuestra puntuaci\u00f3n de mortalidad 4C, un modelo que creamos previamente que predice el riesgo de muerte en pacientes con COVID-19, y que ha sido recomendado por NHS England para ayudar a guiar el tratamiento antiviral. <\/p>\n
Dado que la edad es un predictor muy fuerte de si un paciente con COVID-19 morir\u00e1, recomendamos usar ambos modelos en paralelo para garantizar que el riesgo no se subestime entre los pacientes m\u00e1s j\u00f3venes. Los j\u00f3venes con COVID-19 pueden tener un bajo riesgo de muerte pero un alto riesgo de deterioro, un hecho que la puntuaci\u00f3n de mortalidad 4C no detecta por s\u00ed sola.<\/p>\n
Estas herramientas de predicci\u00f3n est\u00e1n destinadas a permitir la toma de decisiones m\u00e9dicas inherentemente subjetivas que puede variar considerablemente entre los m\u00e9dicos para ser m\u00e1s objetivo y basado en la evidencia, particularmente durante circunstancias dif\u00edciles cuando los recursos se estiran. Las predicciones se pueden usar para respaldar las discusiones sobre el pron\u00f3stico con los pacientes y las familias, estimar la demanda de recursos e informar las decisiones sobre mantener a los pacientes en el hospital o admitirlos en cuidados intensivos. <\/p>\n
Los ensayos cl\u00ednicos futuros tambi\u00e9n podr\u00edan evaluar si las herramientas podr\u00edan ser \u00fatiles para dirigir tratamientos con medicamentos espec\u00edficos (como antivirales e inmunomoduladores) hacia pacientes que tienen m\u00e1s probabilidades de beneficiarse. Las herramientas podr\u00edan incluso usarse para analizar datos de ensayos cl\u00ednicos que ya se han realizado, para ver si pueden distinguir entre pacientes que respondieron y no respondieron al tratamiento.<\/p>\n
Es importante destacar que el estudio ISARIC4C est\u00e1 en curso. Esto significa que podemos seguir evaluando el rendimiento de las herramientas de predicci\u00f3n en grupos recientes de pacientes y esto nos permitir\u00e1 optimizarlas si es necesario en el futuro. Adem\u00e1s, hacer que los modelos est\u00e9n disponibles gratuitamente permitir\u00e1 a los investigadores y legisladores de todo el mundo probar qu\u00e9 tan bien funcionan nuestros modelos en sus propias poblaciones. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por The Conversation <\/p>\n
Este art\u00edculo se vuelve a publicar de The Conversation bajo una licencia Creative Commons. Lea el art\u00edculo original. <\/p>\n
Cita<\/strong>: Big data puede ayudar a los m\u00e9dicos a predecir qu\u00e9 pacientes con COVID enfermar\u00e1n gravemente (2021, 19 de enero) consultado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-01 -big-doctors-covid-patients-ill.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico La pandemia sigue planteando enormes desaf\u00edos para los servicios de salud en todo el mundo. Los hospitales est\u00e1n en crisis ya que el ritmo de nuevos casos de COVID-19 supera su capacidad. Lo que complica especialmente las cosas es que el coronavirus no afecta a todos de la misma manera. Poder … Continuar leyendo \u00abLos grandes datos pueden ayudar a los m\u00e9dicos a predecir qu\u00e9 pacientes con COVID enfermar\u00e1n gravemente\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-13226","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/13226","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=13226"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/13226\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=13226"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=13226"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=13226"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}