La integración de los cambios dinámicos SOFA y la edad para predecir la mortalidad a los 28 días en pacientes de UCI:...

Área de la Ciencia:

• Medicina de cuidados críticos Medicina de cuidados críticos.
• Modelado Pronóstico de Modelado Pronóstico
• Informática de la salud Informática de la salud.

Sus antecedentes:

• La puntuación de la Evaluación Secuencial de la Insuficiencia Orgánica (SOFA, por sus siglas en inglés) es una herramienta de pronóstico estándar para pacientes en estado crítico.
• El valor pronóstico de los cambios dinámicos de la puntuación SOFA (ΔSOFA) y su integración en modelos de predicción requiere una investigación adicional.

Objetivo del estudio:

• Para evaluar el valor pronóstico de los cambios dinámicos de SOFA (ΔSOFA 3-1) combinados con las puntuaciones basales de SOFA (SOFA 1) y la edad.
• Desarrollar y validar modelos predictivos (nomograma y XGBoost) para los resultados de los pacientes utilizando estos parámetros.

Principales métodos:

• Análisis retrospectivo de 665 pacientes de UCI, recopilando puntuaciones iniciales y diarias de SOFA (días 1-3) y datos demográficos.
• Desarrollo de un nomograma que integra SOFA 1, ΔSOFA 3-1, y la edad, y un modelo XGBoost utilizando los mismos predictores.
• Evaluación de la capacidad discriminativa y calibración del modelo, con validación externa utilizando la base de datos MIMIC-IV.

Principales resultados:

• La mortalidad aumentó con las puntuaciones más altas de SOFA 1 y ΔSOFA 3-1.
• El nomograma demostró una alta capacidad discriminativa (índice C ~ 0.85), y el modelo XGBoost logró un AUC de 0.833 internamente y 0.863 en una cohorte de prueba independiente.
• ΔSOFA 3-1 fue identificado como el predictor más influyente en todos los modelos y conjuntos de datos.

Conclusiones:

• Los cambios dinámicos de SOFA (ΔSOFA 3-1), particularmente en pacientes con puntuaciones basales moderadas de SOFA 1 (4-11), mejoran significativamente la precisión del pronóstico cuando se combina con la edad.
• El nomograma ofrece una herramienta práctica para la estratificación de riesgos, mientras que el modelo XGBoost destaca el potencial del aprendizaje automático.
• La validación externa indicó la necesidad de estudios multicéntricos para mejorar la generalizabilidad del modelo.