Riesgo quirúrgico tras resección pulmonar anatómica en cirugía torácica. Modelo predictivo a partir de una base de datos nacional multicéntrica / Surgical Risk Following Anatomic Lung Resection in Thoracic Surgery: A Prediction Model Derived from a Spanish Multicenter Database
Artículo
en Español
| IBECS (España) | ID: ibc-206572
Introducción:
El objetivo es obtener un modelo predictor de riesgo quirúrgico en pacientes sometidos a resecciones pulmonares anatómicas a partir del registro del Grupo Español de Cirugía Torácica Videoasistida.
Métodos:
Se recogen datos de 3.533 pacientes sometidos a resección pulmonar anatómica por cualquier diagnóstico entre el 20 de diciembre de 2016 y el 20 de marzo de 2018.Definimos una variable resultado combinada mortalidad o complicación Clavien Dindo IV a 90 días tras intervención quirúrgica. Se realizó análisis univariable y multivariable por regresión logística. La validación interna del modelo se llevó a cabo por técnicas de remuestreo.
Resultados:
La incidencia de la variable resultado fue del 4,29% (IC 95% 3,6-4,9). Las variables que permanecen en el modelo logístico final fueron edad, sexo, resección pulmonar oncológica previa, disnea (mMRC), neumonectomía derecha y DLCOppo. Los parámetros de rendimiento del modelo, ajustados por remuestreo, fueron C-statistic 0,712 (IC 95% 0,648-0,750), Brier score 0,042 y Booststrap shrinkage 0,854.
Conclusiones:
El modelo predictivo de riesgo obtenido a partir de la base de datos Grupo Español de Cirugía Torácica Videoasistida es un modelo sencillo, válido y fiable, y constituye una herramienta muy útil a la hora de establecer el riesgo de un paciente que se va a someter a una resección pulmonar anatómica. (AU)
Data were collected from 3,533 patients undergoing anatomic lung resection for any diagnosis between December 20, 2016 and March 20, 2018.We defined a combined outcome variable death or Clavien Dindo grade IV complication at 90 day.s after surgery. Univariate and multivariate analyses were performed by logistic regression. Internal validation of the model was performed using resampling techniques.
Results:
The incidence of the outcome variable was 4.29% (95% CI 3.6-4.9). The variables remaining in the final logistic model were age, sex, previous lung cancer resection, dyspnea (mMRC), right pneumonectomy, and ppo DLCO. The performance parameters of the model adjusted by resampling were C-statistic 0.712 (95% CI 0.648-0.750), Brier score 0.042 and bootstrap shrinkage 0.854.
Conclusions:
The risk prediction model obtained from the GEVATS database is a simple, valid, and reliable model that is a useful tool for establishing the risk of a patient undergoing anatomic lung resection. (AU)