Valor pronóstico del sistema de calificación APACHE II en el postoperatorio de cirugía cardíaca / Prognostic value of APACHE II score in postoperative of cardiac surgery

Resumen Antecedentes y objetivos: El sistema de calificación APACHE II permite predecir la mortalidad intrahospitalaria en terapia intensiva. Sin embargo, no está validado para cirugía cardíaca, ya que no posee buena capacidad diferenciadora. El objetivo es determinar el valor pronóstico de APACHE II en el postoperatorio de procedimientos cardíacos. Materiales y métodos: Se analizó en forma retrospectiva la base de cirugía cardíaca. Se incluyó a pacientes intervenidos entre 2017 y 2018, de los cuales se calculó la puntuación APACHE II. Se utilizó curva ROC para determinar el mejor valor de corte. El punto final primario fue mortalidad intrahospitalaria. Como puntos finales secundarios se evaluó la incidencia de bajo gasto cardíaco (BGC), accidente cerebrovascular (ACV), sangrado quirúrgico y necesidad de diálisis. Se realizó un modelo de regresión logístico multivariado para ajustar a las variables de interés. Resultados: Se analizó a 559 pacientes. La media del sistema de calificación APACHE II fue de 9.9 (DE 4). La prevalencia de mortalidad intrahospitalaria global fue de 6.1%. El mejor valor de corte de la calificación para predecir mortalidad fue de 12, con un área bajo la curva ROC de 0.92. Los pacientes con APACHE II ≥ 12 tuvieron significativamente mayor mortalidad, incidencia de BGC, ACV, sangrado quirúrgico y necesidad de diálisis. En un modelo multivariado, el sistema APACHE II se relacionó de modo independiente con mayor tasa de mortalidad intrahospitalaria (OR, 1.14; IC95%, 1.08-1.21; p < 0.0001). Conclusiones: El sistema de clasificación APACHE II demostró ser un predictor independiente de mortalidad intrahospitalaria en pacientes que cursan el postoperatorio de cirugía cardíaca.

Abstract Background and objectives: The APACHE II score allows predicting in-hospital mortality in patients admitted to intensive care units. However, it is not validated for patients undergoing cardiac surgery, since it does not have a good discriminatory capacity in this clinical scenario. The aim of this study is to determine prognostic value of APACHE II score in postoperative of cardiac surgery. Materials and methods: The study was performed using the cardiac surgery database. Patients undergoing surgery between 2017 and 2018, with APACHE II score calculated at the admission, were included. The ROC curve was used to determine a cut-off value The primary endpoint was in-hospital death. Secondary endpoints included low cardiac output (LCO), stroke, surgical bleeding, and dialysis requirement. A multivariable logistic regression model was developed to adjust to various variables of interest. Results: The study evaluated 559 patients undergoing cardiac surgery. The mean of APACHE II Score was 9.9 (SD 4). The prevalence of in-hospital death was 6.1%. The best prognostic cut-off value for the primary endpoint was 12, with a ROC curve of 0.92. Patients with an APACHE II score greater than or equal to 12 had significantly higher mortality, higher incidence of LCO, stroke, surgical bleeding and dialysis requirement. In a multivariate logistic regression model, the APACHE II score was independently associated with higher in-hospital death (OR, 1.14; 95CI%, 1.08-1.21; p < 0.0001). Conclusions: The APACHE II Score proved to be an independent predictor of in-hospital death in patients undergoing postoperative cardiac surgery, with a high capacity for discrimination.

Predicción de riesgo de sufrir un síndrome coronario agudo mediante un algoritmo de Machine Learning (ANGINA) / A Machine Learning Algorithm to Predict Risk for Acute Coronary Syndrome

RESUMEN Introducción: Las consultas por dolor torácico son frecuentes en los servicios de emergencias médicas (SEM). Aún no se ha identificado una estrategia diagnóstica que utilice tanto los datos objetivos como los subjetivos del dolor. Objetivos: Evaluar un clasificador de machine learning para predecir el riesgo de presentar un síndrome coronario agudo (SCA) sin elevación del segmento ST, en pacientes que consultan a un SEM con dolor torácico. Material y métodos: Se analizaron 161 pacientes que consultaron al SEM con dolor torácico. Se registró mediante un clasificador de machine learning las variables objetivas y subjetivas de caracterización del dolor. Resultados: La edad promedio fue de 57 mas/menos 12, 72,7% masculinos eran de sexo masculino y 17,4 % presentaban evento coronario previo. El 57,8% presentaba un síndrome coronario agudo con una incidencia de IAM de 29,8%, de los cuales requirieron revascularización por ATC el 35%, y CRM el 9,9% en el período de seguimiento a 30 días. Como modelo de clasificación se utilizó un Random Forest Classifier que presentó un área bajo la curva ROC de 0,8991, sensibilidad de 0,8552, especificidad de 0,8588 y una precisión de 0,8441. Las variables predictoras más influyentes fueron peso (p = 0,002), edad (p = 5,011e-07), intensidad del dolor (p = 3,0679e-05), tensión arterial sistólica (p = 0,6068) y características subjetivas del dolor (p = 1,590e-04). Conclusiones: Los clasificadores de machine learning son una herramienta útil a fin de predecir el riesgo de sufrir un síndrome coronario agudo a 30 días de seguimiento.

ABSTRACT Background: Consultations for chest pain are common in emergency medical services (EMS). A diagnostic strategy using both objective and subjective pain has not been identified yet. Objective: To evaluate a machine learning classifier as a tool for prediction of the risk of presenting a non-ST segment elevation acute coronary syndrome (ACS) in patients consulting an SEM with chest pain. Methods: 161 patients consulting SEM with chest pain were analyzed. Objective variables of the patient and subjective variables of pain characterization were recorded during the triage stage by means of a machine learning classifier. Results: The mean age was 57.43±12 years, 75% male and 16% had prior cardiovascular disease. 57.8% presented an ACS with an incidence of 29.8%, which 35% required PCI and 9.9% CRM in a 30-day follow-up period. A Random Forest Classifier was used as a classification model. The Random Forest Classifier presented an area under the ROC curve of 0.8991, sensitivity of 0.8552, specificity of 0.8588 and precision of 0.8441. The most strongest predictor variables were weight (p=0.002), age (p=5.011e-07), pain intensity (p=3.0679e-05), systolic blood pressure (p = 0.6068) and subjective pain characteristics (p=1.590e-04). Conclusions: Machine learning classifiers are a useful tool for predicting the risk of acute coronary syndrome at 30 days follow-up period.