RESUMO
Introducción: La predicción de mortalidad en pacientes con enfermedad renal crónica, mediante escalas o índices pronósticos presenta limitaciones reales. Objetivo: Diseñar una escala predictiva de mortalidad en pacientes con enfermedad renal crónica. Métodos: Se realizó un estudio observacional, analítico, longitudinal prospectivo en 169 pacientes con enfermedad renal crónica desde el 1 de enero de 2022 al 31 de diciembre de 2022. La investigación se desarrolló en 2 etapas: durante los primeros 6 meses del año se analizaron las variables de estudio para el diseño de la escala predictiva. En los próximos 6 meses, los pacientes fueron seguidos para identificar la ocurrencia o no de la variable dependiente mortalidad. Se determinó la capacidad discriminatoria de la escala predictiva y se evaluaron curvas de supervivencia. Resultados: Las variables que conformaron la escala predictiva fueron edad > 65 años, enfermedad cardiovascular, albúmina 390 mmol/L. El poder discriminatorio para predecir mortalidad fue bueno, índice C: 0,856 (IC 95 %: 0,783-0,929; p< 0,001). Los pacientes con valores menores a 4 puntos presentaron media de supervivencia de 149,438 ± 7,296 días. En cambio, los que tenían valores superiores presentaron media de supervivencia de 93,128 ± 8,545 días. Conclusiones: La escala predictiva contribuyó a la estratificación del riesgo de mortalidad de los pacientes. Las variables incluidas son de fácil determinación e interpretación por lo que es un modelo útil en la toma de decisiones médicas en el ámbito clínico actual.
Introduction: The prediction of mortality in patients with chronic kidney disease using scales or prognostic indices has real limitations. Objective: Design a mortality predictive scale in patients with chronic kidney disease. Methods: A prospective observational, analytical, longitudinal study was carried out in 169 patients with chronic kidney disease from January 1, 2022 to December 31, 2022. The research was developed in 2 stages: during the first 6 months of the year, the variables were analyzed for the design of the predictive scale. In the next 6 months, patients were followed to identify the occurrence or not of the dependent variable mortality. The discriminatory capacity of the predictive scale was determined and survival curves were evaluated. Results: The variables that made up the predictive tool were age > 65 years, cardiovascular disease, albumin 390 mmol/L. The discriminatory power to predict mortality was good, C index: 0.856 (95% CI: 0.783-0.929; p< 0.001). Patients with values less than 4 points had a mean survival of 149.438 ± 7.296 days. In contrast, those with higher values presented a mean survival of 93.128 ± 8.545 days. Conclusions: The scale contributed to the stratification of the mortality risk of the patients. The variables included are easy to determine and interpret, making it a useful model for medical decision making in the current clinical setting.
RESUMO
Introducción: La enfermedad renal crónica es una de las principales causas de mortalidad en todo el mundo. La estratificación del riesgo a través del análisis de factores pronósticos podría generar un cambio de paradigma. Objetivo: Analizar los factores pronósticos de mortalidad en los pacientes con enfermedad renal crónica en hemodiálisis. Métodos: Se realizó un estudio no experimental, longitudinal de cohorte retrospectivo en los pacientes con enfermedad renal crónica en hemodiálisis en el Hospital General Docente: Dr. Ernesto Guevara de la Serna durante el período del 1 de enero de 2017 al 31 de diciembre de 2021. En general, se analizaron los factores pronósticos de mortalidad mediante el análisis multivariado de regresión logística binaria y se determinó el porcentaje correcto de clasificación del modelo de regresión. Resultados: Se analizaron como variables pronosticas de mortalidad la enfermedad cardiovascular [B = 3,831; p = 0,000; Exp (B) = 46,118], Albúmina 17 mmol/L [B = 1,326; p = 0,027; Exp (B) = 3,767], glucemia < 4 mmol/L [B = 1,600; p = 0,015; Exp (B) = 4,955] y ganancia de peso interdialítica excesiva [B = 2,243; p = 0,001; Exp (B) = 9,420]. El porcentaje global de clasificación del modelo de regresión logística binaria fue de 89,5 por ciento. Conclusiones: Se analizó el modelo predictivo de regresión logística que presentó una buena precisión con los factores de pronósticos asociados a la mortalidad en los pacientes en hemodiálisis(AU)
Introduction: Chronic kidney disease is one of the main causes of mortality worldwide. Risk stratification through the analysis of prognostic factors could generate a paradigm shift. Objective: To analyze the prognostic factors of mortality in patients with chronic kidney disease on hemodialysis. Methods: A non-experimental, longitudinal retrospective cohort study was carried out on patients with chronic kidney disease on hemodialysis at Dr. Ernesto Guevara de la Serna General Teaching Hospital from January 2017 to December 31, 2021. The prognostic factors of mortality were analyzed using multivariate binary logistic regression analysis and the correct percentage of classification of the regression model was determined. Results: Prognostic variables of mortality were analyzed, such as cardiovascular disease [B = 3.831; p = 0.000; Exp (B) = 46.118], albumin 17 mmol/L [B = 1.326; p = 0.027; Exp (B) = 3.767], blood glucose < 4 mmol/L [B = 1.600; p = 0.015; Exp (B) = 4.955] and excessive interdialytic weight gain [B = 2.243; p = 0.001; Exp(B) = 9.420]. The overall classification percentage of the binary logistic regression model was 89.5percent. Conclusions: The logistic regression predictive model was analyzed, which showed good precision with the prognostic factors associated with mortality in hemodialysis patients(AU)
Assuntos
Humanos , Masculino , Feminino , Prognóstico , Diálise Renal/métodos , Insuficiência Renal Crônica/mortalidade , Estudos Retrospectivos , Estudos LongitudinaisRESUMO
The treatment of large data streams in the presence of concept drifts is one of the main challenges in the field of data mining, particularly when the algorithms have to deal with concepts that disappear and then reappear. This paper presents a new algorithm, called Fast Adapting Ensemble (FAE), which adapts very quickly to both abrupt and gradual concept drifts, and has been specifically designed to deal with recurring concepts. FAE processes the learning examples in blocks of the same size, but it does not have to wait for the batch to be complete in order to adapt its base classification mechanism. FAE incorporates a drift detector to improve the handling of abrupt concept drifts and stores a set of inactive classifiers that represent old concepts, which are activated very quickly when these concepts reappear. We compare our new algorithm with various well-known learning algorithms, taking into account, common benchmark datasets. The experiments show promising results from the proposed algorithm (regarding accuracy and runtime), handling different types of concept drifts.