Correlación de índice PO2/FiO2 con parámetros inflamatorios y de coagulación en pacientes críticos con covid-19. Lombardía, 2020 / PO2/FiO2 index correlation with inflammatory and coagulation parameters in critically-ill patients with COVID-19 in Lombardy, 2020

RESUMEN Introducción: el conocimiento de la fisiopatología de la enfermedad ha revolucionado el enfoque tradicional en el tratamiento de las enfermedades causadas por virus respiratorios. Actualmente, se utilizan marcadores de la respuesta inflamatoria para diagnosticar, estratificar y predecir en muchos casos el comportamiento futuro del enfermo de covid-19. Objetivo: caracterizar la naturaleza de la relación entre el índice PO2/FiO2 y los parámetros inflamatorios y de coagulación en pacientes graves por la covid-19, en la región de Lombardía, Italia. Materiales y métodos: se realizó un estudio analítico, longitudinal, retrospectivo con 191 pacientes graves y críticos, que ingresaron con diagnóstico de covid-19 del 1 de abril al 20 mayo de 2020, en el Hospital Mayor de Crema, en la región de Lombardía, Italia. Resultados: las correlaciones evidenciadas fueron las siguientes: proteína C reactiva (-0,417) p = 0; procalcitonina (-0,152) p = 0,018; dímero D (-0,112) p = 0,061; fibrinógeno (-0,272) p = 0,000; creatinina plasmática (-0,320) p = 0,000; conteo de linfocitos (0,028) p = 0,000; troponina (-0,028) p = 0,142, y lactato (-0,191) p = 0,288. Conclusiones: los marcadores inflamatorios en la patogenia de la enfermedad juegan un rol capital, y el enfoque hacia este renglón del tratamiento médico antiinflamatorio de cualquier tipo es mandatorio. Se debe realizar un correcto monitoreo de la coagulación, usar heparinas de bajo peso molecular, así como mantener un adecuado soporte hemodinámico capaz de evitar las disoxias celulares que progresen al fallo multiorgánico (AU).

ABSTRACT Introduction: the knowledge of disease physiopathology has revolutionized the traditional approach in the treatment of diseases caused by respiratory viruses. Currently, the markers of inflammatory answer are used to diagnose, stratify and predict in many cases the future behavior of COVID-19 patients. Objective: to characterize the nature of the relationship between PO2/FiO2 (PAFI, Spanish acronym of PA= presión arterial [arterial pressure], FI=fracción inspirada [inspired fraction]) and coagulation and inflammatory parameters in seriously-ill patients with COVID-19, in the region of Lombardy, Italy. Materials and methods: a retrospective, longitudinal, analytic study was carried out in 191 severe and critical patients who were admitted in Hospadale Maggiori di Crema, in the region of Lombardy, Italy, with the diagnosis of COVID-19, in the period April 1st-May 20, 2020. Results: the evidenced correlations were the following: reactive C protein (-0.417) p=0; procalcitonin (PCT) (-0.152) p=0.018. D dimer (-0.112) p=0.061; Fibrinogen (-0.272) p=0.000; Plasma creatinine (-0.320) p=0.000; lymphocytes count (0,028) p=0,000; troponin (-0.028) p=0.142; and lactate (-0.191) p=0.288. Conclusions: inflammatory markers play a capital role in the disease pathogenesis, and approaching this item of the medical anti-inflammatory treatment is mandatory. It is useful to keep a correct coagulation screening, using low molecular weight heparins, and also keeping an adequate hemodynamic support able to avoid cell dysoxia progressing to multiorgan failure (AU).

Modelo temporal del comportamiento de pacientes críticos con covid-19 durante su estadía en cuidados intensivos. Lombardía, Italia / Temporal model of the behavior of critically ill patients with COVID-19 during their staying in intensive care. Lombardy, Italy

RESUMEN Introducción: una serie temporal es el producto de la observación de una variable en el tiempo. Es una herramienta matemática que se aplica con frecuencia en la salud. No se han elaborado modelos temporales que predigan el comportamiento de los pacientes durante su ingreso en la Unidad de Cuidados Intensivos. Objetivos: crear una serie temporal que permita predecir el comportamiento, durante su ingreso en la Unidad de Cuidados Intensivos, de pacientes graves producto de la covid-19 en la región de Lombardía, Italia. Materiales y métodos: analítico, longitudinal prospectivo con un grupo de pacientes críticos que ingresaron del 1 de abril al 1 de mayo de 2020, con diagnóstico de covid-19, en el Hospital Mayor de Crema, en la región de Lombardía, Italia. El universo estuvo constituido por 28 pacientes y se trabajó con el total de ellos. Resultados: composición por sexo: 48 % masculino. Media de edad: 83 años. Serie temporal: Modelo 1 que ajusta (Hold) PO2/FiO2 p = 0,251; Modelo 2 (ARIMA) SatO2/FiO2 p = 0,674 (en los dos primeros modelos el resultado se incrementó con los días, siguiendo un comportamiento predecible); Modelo 3 (ARIMA) p = 0,406 (en este caso, el resultado esperado decreció a medida que transcurrió el tiempo). Las funciones obtenidas permiten calcular el valor esperado según el día desde el ingreso. Conclusiones: predecir la evolución del paciente en la Unidad de Cuidados Intensivos permitió detectar tempranamente aquellos con una curva inesperada y dirigir hacia a ellos las terapéuticas más agresivas (AU).

ABSTRACT Introduction: a time series is the product of the observation of a variable in time. It is a mathematical tool frequently applied in health. No temporal models have been developed to predict patients' behavior during their staying in the Intensive Care Unit. Objectives: to create a time series allowing to predict the behavior of seriously-ill patients due to COVID-19, during their staying in the Intensive Care Unit in the region of Lombardy, Italy. Materials and methods: analytic, longitudinal prospective study with a group of critical patients who were admitted from April 1st to May 1st, with COVID-19 diagnosis, to Ospedale Maggiore di Crema, in the Lombardy region, Italy. The universe was formed by 28 patients and all of them were worked on. Results: 48% of patients were male. Average age: 83 years; Time series: Model 1 holding PO2/FiO2 p = 0.251; Model 2 (ARIMA) SatO2/FiO2 p = 0.674 (in the two first models the result increased with the days, following a predictable behavior=; Model 3 (ARIMA) p = 0.406 (in this case the expected result decreased as time passed). The obtained functions allow to calculate the expected value according to the day from the admission. Conclusions: predicting patient's evolution in the Intensive Care Unit allowed early detecting those with unexpected curves and targeting more aggressive therapies toward them (AU).