En este estudio se utilizaron datos de una cohorte retrospectiva de la UCIC del Samsung Medical Center, un registro aún no concluido para evaluar las características clínicas, el tratamiento y los resultados de pacientes cardiacos en estado crítico. Se incorporó al estudio a todos los pacientes consecutivos ingresados en la UCIC entre el 1 de septiembre de 2012 y el 31 de diciembre de 2018. Se incluyó a los pacientes que tuvieran 18 o más años y se excluyó a aquellos cuyo ingreso durara menos de 24 h o sin datos sobre delirio disponibles. El estudio fue autorizado por el Comité de Revisión Institucional del Samsung Medical Center (IRB n.o 2020-10-102) y se renunció a solicitar el consentimiento informado debido al carácter observacional del estudio.

La UCIC es una UCI de 12 camas con una relación enfermera-pacientes de 1:2. Los pacientes cardiacos en estado crítico reciben atención de nivel 1 de un intensivista cardiaco especializado12. Los detalles de los cuidados intensivos integrales de la UCI del Samsung Medical Center se han descrito en artículos anteriores13,14. En resumen, con dispositivos no invasivos e invasivos la UCIC supervisa la asistencia hemodinámica y cardiovascular, como la ventilación mecánica y la oxigenación extracorpórea por membrana. El apoyo a la cirugía cardiaca es inmediato y se ofrecen cuidados multidisciplinarios mediante consulta a un dietista, un farmacéutico y un neumólogo.

Se aplicaron las guías de práctica clínica sobre cuidados intensivos generales publicadas por The Society of Critical Care Medicine. Para supervisar el delirio en pacientes con una puntuación de –3 o superior según la escala de agitación/sedación de Richmond (que indica movimiento o apertura de los ojos al oír la voz, pero sin contacto visual), las enfermeras evaluaban el Confusion Assessment Method para la UCI (CAM-ICU) 3 veces al día15. La versión coreana validada del CAM-ICU se utiliza habitualmente en la UCIC16. Una enfermera jefe volvía a verificar a diario los resultados registrados del CAM-ICU.

El delirio fue el objetivo principal de este estudio. El delirio se definió como un CAM-ICU positivo durante los 7 días posteriores al ingreso en la UCIC. Las características clínicas, los principales diagnósticos, las constantes vitales, los resultados de las pruebas analíticas y los cuadros clínicos en el momento del ingreso en la UCIC se incluyeron como variables candidatas. Para seleccionar las variables óptimas para crear un modelo de predicción de delirio en pacientes de la UCIC, se utilizaron varios métodos de aprendizaje automático para evaluar la importancia de las variables candidatas, como el bosque aleatorio (random forest), la potenciación del gradiente situado en el extremo (extrem gradient boosting), los mínimos cuadrados parciales y Plmnet-elastic.net. Se evaluó la importancia de las variables y se mejoró la idoneidad de su selección con métodos de aprendizaje automático. Se seleccionaron 4 modelos de uso común para el análisis de regresión a partir de una gama de varios algoritmos de aprendizaje automático. Entre las variables identificadas como muy importantes, para construir el modelo se seleccionaron aquellas que mostraron repetidamente gran importancia o se consideraron clínicamente importantes de acuerdo con estudios previos y el consenso de expertos (J.H. Yang y R.E. Ko).

Las características basales de los pacientes se resumen en números y proporciones para las variables cualitativas y la mediana [intervalo intercuartílico] para las variables continuas. Las características clínicas de los grupos con y sin delirio se compararon mediante la prueba de la χ2 o la prueba exacta de Fisher para variables cualitativas y la prueba de la t de Student para variables continuas. Se realizó un análisis de regresión logística univariante para estimar las odds ratio (OR) de cada variable. Las OR de cada variable se comunican con intervalos de confianza del 95% (IC95%). También se calcularon los coeficientes, los errores estándar y los valores Z.

Para crear un modelo de predicción de delirio, se realizó un análisis de regresión logística con las variables seleccionadas para formular un modelo de predicción de delirio en pacientes de la UCIC. Para la validación interna virtual, se utilizó un método de validación de hold-out repetido 100 veces para seguir evaluando el rendimiento del modelo. Para llevar a cabo la validación interna, se dividió a los pacientes en proporción de 7:3. La regresión logística se realizó con el método Enter, utilizando un valor de coeficiente beta variable para lograr predicciones más precisas con variables pequeñas. En la construcción de modelos de predicción, la regresión logística proporciona coeficientes de regresión estimados de interés. Estos coeficientes representan las probabilidades logarítmicas de la variable de resultado. Para facilitar comparaciones significativas entre variables, se estandarizaron estos coeficientes. La estandarización aseguró que se evaluara el efecto de cada variable en una escala común. En concreto, la estandarización se basó en los intervalos de las variables, identificando la situación en que el intervalo de cada variable era el más grande. El modelo de predicción de delirio asigna puntuaciones que reflejan la probabilidad de aparición del delirio. Las puntuaciones más altas indican un mayor riesgo.

Se realizó un gráfico de calibración para demostrar que la pérdida de información era insignificante al convertir los valores continuos de los predictores a valores cualitativos. El gráfico de calibración compara las probabilidades observadas y previstas de delirio en función de 2 modelos: uno que utiliza los valores continuos de los factores clínicos como predictores y el otro que utiliza los valores cualitativos de los factores clínicos como predictores. Se utilizó una curva ROC para demostrar el rendimiento del modelo de predicción mediante el área bajo la curva ROC (AUROC) y los IC95%. Todas las pruebas fueron bilaterales y se consideró que un valor de p≤0,05 indicaba significación estadística. Todos los análisis se hicieron utilizando R Statistical Software (versión 3.2.5; R Foundation for Statistical Computing, Austria).

Durante el periodo de estudio, ingresaron en la UCIC 4.261 pacientes de 18 o más años. Se excluyó a los pacientes que no estuvieron ingresados más de 24 h (n=1.473) y aquellos sin información sobre delirio (n=14). Finalmente, 2.774 pacientes participaron en el análisis. De los 2.774 pacientes idóneos, 677 (24,4%) sufrieron delirio durante el ingreso en la UCIC. Las características basales de los pacientes se muestran en la tabla 1. En general, los pacientes con delirio fueron participantes con alto riesgo. Se trató a más pacientes del grupo con delirio con oxigenador extracorpóreo de membrana (el 12,4 frente al 2,0%; p<0,001) y ventilación mecánica (el 38,7 frente al 5,4%; p<0,001) que a los del grupo sin delirio. En cuanto a los resultados clínicos, las muertes en la UCIC (el 11,4 frente al 1,8%; p<0,001), las muertes hospitalarias (el 18,2 frente al 3,1%) y las estancias en la UCIC -4,7 [2,4-9,0] frente a 1,9 [1,3-3,0] días; p<0,001)- fueron muy superiores entre los pacientes del grupo con delirio que en los del grupo sin delirio.

En la figura 1 se muestra un diagrama de flujo del estudio. Con las características clínicas disponibles en el momento del ingreso en la UCIC, se aplicaron métodos de aprendizaje automático para evaluar la relevancia de los posibles predictores. La figura 2 muestra la importancia relativa de cada variable y el rendimiento del modelo entre diferentes algoritmos de aprendizaje automático. La clasificación detallada de las 40 variables principales por sus puntuaciones de importancia se muestra en la tabla 1 del material adicional. Los modelos de aprendizaje automático demostraron un buen rendimiento predictivo de la aparición de delirio: el bosque aleatorio presentó una AUROC de 0,8692 (IC95%, 0,8426-0,8958); la potenciación del gradiente situado en el extremo, una AUROC de 0,8377 (IC95%, 0,8066-0,8688); los mínimos cuadrados parciales, una AUROC de 0,8662 (IC95%, 0,8400-0,8924), y plmnet-elastic.net, una AUROC de 0,8662 (IC95%, 0,8400-0,8924).

Figura 1.

Diagrama de flujo del estudio. BUN: nitrógeno ureico en sangre; GB: glóbulos blancos; INR: razón internacional normalizada; SMC: Samsung Medical Center; UCIC: unidad de cuidados intensivos cardiovasculares; XGBoost: potenciación del gradiente situado en el extremo.

(0.37MB).

Figura 2.

Selección de características por método de aprendizaje automático y fórmula de cálculo de puntuación. La figura muestra las 30 variables más influyentes de cada método de aprendizaje automático. ACM: asistencia circulatoria mecánica; ALT: alanina aminotransferasa; AST: aspartato aminotransferasa; AUROC: área bajo la curva ROC; BUN: nitrógeno ureico en sangre; CABG: cirugía de revascularización coronaria; FC: frecuencia cardiaca; FR: frecuencia respiratoria; GB: glóbulos blancos; Hb: hemoglobina; Hto: hematocrito; IC95%, intervalo de confianza del 95%; IMC: índice de masa corporal; INR: razón internacional normalizada; PAD: presión arterial diastólica; PAM: presión arterial media; PAS: presión arterial sistólica; PCR: proteína C reactiva; SNC: sistema nervioso central; SpO2: saturación de oxígeno por pulsioximetría; TC: temperatura corporal; XGBoost: potenciación del gradiente situado en el extremo.

(0.74MB).

Entre los posibles predictores, se seleccionaron los clínicamente significativos que con frecuencia se clasificaban como muy importantes para crear un modelo de predicción de delirio para pacientes de UCIC. Con métodos de aprendizaje automático, se seleccionaron 11 variables que compartían la característica de alto rango, como la ventilación mecánica, la albúmina, el nitrógeno ureico en sangre (BUN), la razón internacional normalizada (INR), los glóbulos blancos, la proteína C reactiva, la edad, el recuento plaquetario, la hemoglobina, la frecuencia cardiaca y la creatinina. Se utilizó un conjunto mínimo de variables clínicamente significativas y fácilmente aplicables, seleccionadas a partir de las variables repetidas. El modelo final incluyó como predictores los valores de albúmina, INR, BUN, recuento leucocitario y proteína C reactiva, la edad, la frecuencia cardiaca y la ventilación mecánica.

Se construyó un modelo de regresión logística utilizando variables seleccionadas. El rendimiento predictivo del modelo de regresión logística fue bueno (AUROC, 0,860; IC95%, 0,850-0,890) (tabla 2). La figura 1 del material adicional muestra un gráfico de spline cúbico restringido utilizado para analizar la asociación entre cada variable continua y la aparición de delirio. La edad, la INR y la frecuencia cardiaca se convirtieron en variables cualitativas para facilitar su uso en entornos clínicos. La edad se transformó en una variable cualitativa mediante una curva spline. Para facilitar la aceptación clínica, se eligieron los puntos de corte de la frecuencia cardiaca y la INR en función de las definiciones clínicas. En el caso de la frecuencia cardiaca, se utilizaron como puntos de corte 40 y 100 lpm de acuerdo con las definiciones de bradicardia y taquicardia. Se adoptaron 40 lpm como punto de corte para considerar el implante de un marcapasos temporal en pacientes con bloqueo auriculoventricular de tercer grado que presentaran una frecuencia cardiaca < 40 lpm cuando estaban despiertos17. En el caso de la INR, se utilizaron como puntos de corte 1,2 y 1,7, en función del valor normal de 1,2 y tras la aplicación del Model for End-Stage Liver Disease Score18, que es un índice que calcula la gravedad de la enfermedad hepática. Por último, se creó el modelo de predicción de delirio, y la fórmula de cálculo de la puntuación se presenta en el recuadro azul de la figura 2 (AUROC, 0,861; IC95%, 0,843-0,879). Se seleccionó el valor de corte de 0,2 en función del valor del índice de Youden. Cuando se utilizó una puntuación de corte de 0,2, se obtuvieron una sensibilidad de 0,83 (IC95%, 0,77-0,88), una especificidad de 0,71 (IC95%, 0,67-0,74), un valor predictivo positivo de 0,47 (IC95%, 0,42-0,53) y un valor predictivo negativo de 0,93 (IC95%, 0,90-0,95). Los resultados de la prueba de bondad de ajuste entre la probabilidad observada calculada con el modelo con los valores continuos de los predictores y la probabilidad prevista calculada con el modelo con los valores cualitativos de los predictores no indicaron diferencias estadísticas entre los 2 modelos, como lo demuestra p=0,585 (figura 2 del material adicional). En tabla 2 del material adicional se presenta un archivo de Excel que permite el cálculo automático de la fórmula con la entrada del usuario.

Se realizó una validación cruzada repetida 100 veces con todos los pacientes idóneos. En esta simulación, se utilizó para entrenamiento al 70% de los pacientes y para pruebas al 30%. El AUROC medio con validación cruzada fue de 0,8549 (IC95%, 0,8266-0,8833) (figura 3).

Figura 3.

Área bajo la curva ROC (AUROC) del método de validación de hold-out repetido 100 veces. IC95%: intervalo de confianza del 95%.

(0.16MB).

Este estudio presenta varias limitaciones. En primer lugar, la importancia de estas conclusiones puede estar influida por los sesgos inherentes a los datos de registro de distribución no aleatoria. Con todo, se utiliza una amplia base de datos de todos los pacientes consecutivos ingresados en la UCIC del Samsung Medical Center. En segundo lugar, es un estudio retrospectivo y se validó internamente. Se requieren estudios de intervención prospectivos para verificar el rendimiento del modelo y confirmar su utilidad clínica. Sin embargo, se realizó una validación cruzada repetida 100 veces para la simulación prospectiva. En tercer lugar, este estudio se realizó en una única UCIC de atención de nivel 1. Por lo tanto, la generalización de las conclusiones requiere una validación adicional. A pesar de estas limitaciones, una de las fortalezas de este estudio consiste en que las enfermeras llevaron a cabo 3 veces al día las evaluaciones de CAM-ICU de todos los pacientes consecutivos ingresados en la UCIC. Por lo tanto, se ha analizado información precisa sobre el delirio de los pacientes de la UCIC.