Modelo de alerta temprana para pólipos de vesícula biliar en una población de enfermeras: un estudio de cohorte...

Área de la Ciencia:

• Salud Ocupacional
• Gastroenterología
• Epidemiología

Sus antecedentes:

• Los pólipos de vesícula biliar (PVB) son una preocupación creciente para la salud de las enfermeras.
• La identificación temprana de PVB es crucial para una gestión y intervención de riesgos eficaces.
• Las enfermeras enfrentan desafíos de salud ocupacional únicos que pueden influir en el riesgo de PVB.

Objetivo del estudio:

• Identificar los factores de riesgo clave para los pólipos de vesícula biliar (PVB) en una población de enfermeras.
• Desarrollar y validar un modelo de alerta temprana para PVB adaptado a enfermeras.
• Mejorar la detección temprana y el manejo de PVB en este grupo ocupacional específico.

Principales métodos:

• Un estudio de cohorte retrospectivo que involucró a 3181 enfermeras de un hospital de atención terciaria.
• Se utilizó un análisis de regresión logística para desarrollar un modelo de predicción basado en datos demográficos, de estilo de vida y bioquímicos.
• El rendimiento del modelo se evaluó utilizando sensibilidad, especificidad, curvas ROC y gráficos de calibración.

Principales resultados:

• La prevalencia de pólipos de vesícula biliar (PVB) aumentó significativamente del 1,45 % al 12,7 % entre 2013 y 2022.
• Los predictores significativos de PVB incluyeron la edad, el género, el tiempo de caminata, la ingesta de alimentos fritos y la bilirrubina total.
• El modelo desarrollado demostró una precisión moderada (AUC 0,64-0,65) con un 60 % de sensibilidad y un 64-65 % de especificidad.

Conclusiones:

• El modelo de alerta temprana para pólipos de vesícula biliar (PVB) en enfermeras exhibe una capacidad discriminatoria justa y una calibración confiable.
• El modelo tiene potencial para la aplicación clínica en la facilitación de la intervención temprana y la mejora de la vigilancia de la salud ocupacional.
• Se recomienda una validación adicional en diversas poblaciones para mejorar la generalización y precisión del modelo.