Medida de Actividad para Cuidados Postagudos para Predecir el Destino del Alta Después de la Cirugía

Área de la Ciencia:

• Investigación de resultados de atención médica
• Mejora de la calidad quirúrgica
• Modelado predictivo en medicina

Sus antecedentes:

• La predicción precisa de la disposición del alta es crucial para la asignación de recursos sanitarios.
• Las calculadoras de riesgos existentes varían en su rendimiento para predecir las necesidades de cuidados postagudos.
• La Medida de Actividad para Cuidados Postagudos (AM-PAC) es una herramienta de evaluación funcional con capacidades predictivas potenciales.

Objetivo del estudio:

• Comparar el rendimiento predictivo del modelo AM-PAC frente a la calculadora de riesgos establecida del American College of Surgeons National Surgical Quality Improvement Program (NSQIP).
• Evaluar la utilidad del modelo AM-PAC para identificar a los pacientes que probablemente serán dados de alta a cuidados postagudos.
• Evaluar el área bajo la curva característica operativa del receptor (AUC) para ambos modelos.

Principales métodos:

• Análisis retrospectivo de datos de pacientes.
• Cálculo del área bajo la curva característica operativa del receptor (AUC) para los modelos AM-PAC y NSQIP.
• Comparación estadística de la precisión predictiva entre los dos modelos.

Principales resultados:

• El modelo AM-PAC demostró un AUC comparable a la calculadora de riesgos NSQIP para predecir el alta a cuidados postagudos.
• Ambos modelos exhibieron un rendimiento similar, lo que sugiere que la herramienta AM-PAC es una opción viable para predecir las necesidades de cuidados postagudos.
• Los valores detallados de AUC indican la capacidad discriminatoria de cada modelo.

Conclusiones:

• El modelo AM-PAC ofrece una precisión predictiva comparable a la calculadora de riesgos NSQIP para el alta a cuidados postagudos.
• Los proveedores de atención médica pueden considerar la herramienta AM-PAC como una medida eficaz para predecir la disposición del paciente.
• Investigaciones futuras pueden explorar la integración de datos de estado funcional para mejorar la precisión predictiva.