ABSTRACT
Background: The prediction of the length of stay at the moment of hospital admission is of outmost importance. Many studies have used lineal models to predict this variable, but there are inherent limitations to these models. The use of non lineal models has been scarce. Aim: To develop a non lineal model to predict length of stay in intensive care units. Material and methods: Retrospective analysis of 294 patients admitted to two intensive care units in Santiago, Chile. The severity of the disease motivating the admission was nominally quantified. This and other physiological variables were included in the model. The length of stay was modeled using Artificial Neural Networks. Results: The model yielded an error of 8.7 percent (3.6 ñ 0.4 days, CI 95 percent) and a correlation coefficient of 0.9 (p <0.001) for the prediction of length of stay. Using net sensitivity analysis, the model determined that gastrointestinal diseases, infections and respiratory problems were the main causes of prolongation of intensive care unit stay. Conclusions: Intensive care units should have, in the future, computer systems that gather vital information to predict length of stay
Subject(s)
Humans , Male , Female , Intensive Care Units , Neural Networks, Computer , Survivors , Severity of Illness Index , Models, Theoretical , Forecasting/methods , Length of Stay/statistics & numerical dataABSTRACT
La determinación de los días de estada, al momento de la admisión, es un factor importante para la toma de decisiones tanto clínicas como administrativas. Actualmente, existen diferentes trabajos que enfrentan el problema de la determinación de estadía, basados en modelos estadísticos lineales, los cuales son limitados en sus capacidades representacionales. Aquí se utilizan datos retrospectivos de 288 pacientes admitidos en la unidad de cuidados intensivos de adultos de tres hospitales chilenos. Se caracteriza la severidad de la enfermedad de los pacientes al momento de la admisión, cuantificando nominalmente los diagnósticos e incluyendo otras variables de severidad. La estadía se modela usando redes neuronales multicapa (Backpropagation). Los resultados del ajuste arrojan errores menores que 3 por ciento para predicción de días de estada y mediante un análisis de sensibilidad de la red, es posible obtener información clínica relevante de los factores que influyen en la estadía
Subject(s)
Humans , Neural Networks, Computer , Length of Stay/statistics & numerical data , APACHE , Intensive Care Units/statistics & numerical data , Retrospective Studies , Risk Factors , Sensitivity and SpecificityABSTRACT
La administración intratraqueal de bleomicina (BLM) induce una fibrosis pulmonar en la rata detectable al cabo de 14 días. Tanto la ciclosporina-A como la Prednisona (administrada contemporáneamente con la bleomicina y luego diariamente hasta 14 ó 30 días después de BLM) disminuyen en cerca del 50 por ciento la fibrosis pulmonar inducida por bleomicina (Puntaje histopatológico). El Própósito de este estudio fue determinar si la ciclosporina y la prednisona administradas una vez que la fibrosís pulmonar estaba ya establecida eran capaces de inhíbirla. 1 U de BLM/100 g de peso corporal fue administrada intratraquealmente y las ratas se sacrificaron 14 y 30 días después. Se inyectó ciclosporina (0,15 mg/lOO g/día, ip) y/o prednisona (0,1 mg/1OO g/día, ip) desde el día 14 al 30 post-BLM. Prednisona o ciclosporina disminuyeron en cerca del 50 por ciento la fíbrosis pulmonar inducida por BLM. Sin embargo, la asociación prednisona + ciclosporina redujo la fíbrosis en sólo 40 por ciento. La disminución de la fibrosis pulmonar estuvo asociada a cambios en el líquido del lavado broncoalveolar: recuento celular, contenido de proteínas y fosfolípídos y actividad gama glutamil transpeptídasa. Se concluye que la prednisona y la ciclosporina son capaces de disminuir una fibrosís pulmonar ya establecida inducida por BLM en la rata