RESUMO

Introducción: El diagnóstico precoz de la crisis vasoclusiva (CVO) que afecta a pacientes con drepanocitosis resulta un tema no resuelto en la actualidad. No se ha encontrado en la literatura evidencia de modelos que puedan establecer tempranamente índices de riesgo de la CVO para la toma de una conducta terapéutica oportuna en estos pacientes. Objetivo: Establecer índices de riesgo en pacientes con drepanocitosis, a partir de la formulación de un modelo predictivo del estado vasoclusivo. Métodos: A partir de un estudio analí tico transversal de casos y controles, realizado en el Centro Hematológico de Santiago de Cuba, se formuló a través de un análisis discriminante, un modelo predictivo del estado de CVO. Se usaron estadígrafos de dispersión (media y desviación estándar) para el establecimiento de índices de riesgo sustentados en él. Resultados: Se formuló un modelo predictivo del estado de CVO que incluyó biomarcadores del estado redox como predictores significativos en el paciente con drepanocitosis. El modelo sustentó los índices de riesgo, estratificados en 3 categorías (riesgo menor, moderado y mayor) que fueron asignados a los pacientes y posibilitó su adecuada clasificación. Conclusiones: El diseño de un modelo predictivo de CVO y el establecimiento de índices de riesgo en pacientes con drepanocitosis permitió una mejor evaluación. La nueva herramienta diagnóstica que se propone resultaría de gran utilidad en los servicios de Hematología, al facilitar una mejor valoración del estado del paciente con drepanocitosis y un tratamiento profiláctico oportuno que minimice las complicaciones asociadas a este estado.

Introduction: The early diagnosis of vasooclusive crisis affecting sickle cell patients is currently an unresolved issue. In the reviewed literature no models have been found able to establish early risk indices of vasooclusive crisis for taking a timely therapeutic behavior in these patients. Objective: To establish risk indices in sickle cell patients based on the formulation of a predictive model of vasoocclusive state. Methods: Based on a cross-sectional case-control analytic study conducted at the Hematological Center of Santiago de Cuba, a predictive model of VOC status was formulated through a discriminant analysis. Dispersion statistics (mean and standard deviation) were used to establish risk indices based on it. Results: A predictive model of the state of VOC that included biomarkers of the redox state as significant predictors of it in sickle cell patients was formulated. The model supported the risk indices, stratified into 3 categories (lower, moderate and higher risk) that were assigned to the patients and allowed an adequate classification of them. Conclusions: The design of a predictive model of VOC and the establishment of risk indices in sickle cell patients allowed a better evaluation of them. The new diagnostic tool proposed in the study would be very useful in the Hematology services, by facilitating a better assessment of the sickle cell patient's condition and a timely prophylactic treatment that minimizes the complications associated with this state.

Assuntos

RESUMO

Introducción: La fibrilación auricular es la arritmia recurrente más habitual en la práctica clínica. Su prevalencia se multiplica en la población actual y tiene diferentes causas fisiopatológicas que la convierten en una pandemia mundial. Objetivos: Diseñar un modelo predictivo de fracaso de la terapia eléctrica en pacientes con fibrilación auricular paroxística. Métodos: Se realizó un estudio de casos y controles, con 33 casos y 66 controles. Variables predictoras: edad, fracción de eyección ≤ 40 por ciento, volumen de aurícula izquierda ≥ 34 mL/m2. A partir de la regresión logística se obtuvo un modelo en el que fueron incluidos el valor predictivo positivo, valor predictivo negativo, la sensibilidad y especificidad. Resultados: Los factores de riesgo predictores fueron: edad ≥ 55 años (p= 0,013; odds ratio (OR)= 3,58; intervalo de confianza -IC- 95 por ciento: 1,33-9,67); la fracción de eyección del ventrículo izquierdo (FEVI) ≤ 40 por ciento se observó en 20 pacientes (22,7 por ciento) (p= 0,004; OR= 4,45; IC95 por ciento: 1,54-12,8); presión de aurícula izquierda elevada, volumen de aurícula izquierda elevado (p= 0,004; OR= 3,11; IC95 por ciento: 1,24-8,77), según el modelo de regresión logística. Se realizó la validación interna por división de datos; se confirmó que el modelo pronostica bien los que van a tener éxito en el resultado terapéutico. Conclusiones: El modelo predictivo elaborado está compuesto por los predictores edad > 55 años, FEVI; volumen de aurícula izquierda; presenta un buen ajuste y poder discriminante, sobre todo valor predictivo positivo(AU)

Introduction: Atrial fibrillation is the most common recurrent arrhythmia in clinical practice. Its prevalence is multiplying in the current population and has different pathophysiological causes that make it a global pandemic. Objectives: To design a predictive model for failure of electrical therapy in patients with paroxysmal atrial fibrillation. Methods: A case-control study was carried out with 33 cases, and 66 controls. Predictor variables: age, ejection fraction ≤ 40 percent, left atrial volume ≥ 34 mL/m2. From logistic regression, a model was obtained in which the positive predictive value, negative predictive value, sensitivity and specificity were included. Results: The predictive risk factors were: age ≥ 55 years (p= 0.013; odds ratio (OR)= 3.58; 95 percent confidence interval -CI-: 1.33-9.67); left ventricular ejection fraction (LVEF) ≤ 40 percent was observed in 20 patients (22.7 percent) (p= 0.004; OR= 4.45; 95 percent CI: 1.54-12.8); elevated left atrial pressure, elevated left atrial volume (p= 0.004; OR= 3.11; 95 percent CI: 1.24-8.77), according to the logistic regression model. Internal validation was carried out by data division; It was confirmed that the model predicts very well those who will be successful in the therapeutic result. Conclusions: The predictive model developed is composed of the predictors age > 55 years, LVEF; left atrial volume; It presents a good fit and discriminating power, especially positive predictive value(AU)

Assuntos

RESUMO

Introducción: En Cuba y en el resto del mundo, las enfermedades cardiovasculares son reconocidas como un problema de salud pública mayúsculo y creciente, que provoca una alta mortalidad. Objetivo: Diseñar un modelo predictivo para estimar el riesgo de enfermedad cardiovascular basado en técnicas de inteligencia artificial. Métodos: La fuente de datos fue una cohorte prospectiva que incluyó 1633 pacientes, seguidos durante 10 años, fue utilizada la herramienta de minería de datos Weka, se emplearon técnicas de selección de atributos para obtener un subconjunto más reducido de variables significativas, para generar los modelos fueron aplicados: el algoritmo de reglas JRip y el meta algoritmo Attribute Selected Classifier, usando como clasificadores el J48 y el Multilayer Perceptron. Se compararon los modelos obtenidos y se aplicaron las métricas más usadas para clases desbalanceadas. Resultados: El atributo más significativo fue el antecedente de hipertensión arterial, seguido por el colesterol de lipoproteínas de alta densidad y de baja densidad, la proteína c reactiva de alta sensibilidad y la tensión arterial sistólica, de estos atributos se derivaron todas las reglas de predicción, los algoritmos fueron efectivos para generar el modelo, el mejor desempeño fue con el Multilayer Perceptron, con una tasa de verdaderos positivos del 95,2 por ciento un área bajo la curva ROC de 0,987 en la validación cruzada. Conclusiones: Fue diseñado un modelo predictivo mediante técnicas de inteligencia artificial, lo que constituye un valioso recurso orientado a la prevención de las enfermedades cardiovasculares en la atención primaria de salud(AU)

Introduction: In Cuba and in the rest of the world, cardiovascular diseases are recognized as a major and growing public health problem, which causes high mortality. Objective: To design a predictive model to estimate the risk of cardiovascular disease based on artificial intelligence techniques. Methods: The data source was a prospective cohort including 1633 patients, followed for 10 years. The data mining tool Weka was used and attribute selection techniques were employed to obtain a smaller subset of significant variables. To generate the models, the rule algorithm JRip and the meta-algorithm Attribute Selected Classifier were applied, using J48 and Multilayer Perceptron as classifiers. The obtained models were compared and the most used metrics for unbalanced classes were applied. Results: The most significant attribute was history of arterial hypertension, followed by high and low density lipoprotein cholesterol, high sensitivity c-reactive protein and systolic blood pressure; all the prediction rules were derived from these attributes. The algorithms were effective to generate the model. The best performance was obtained using the Multilayer Perceptron, with a true positive rate of 95.2percent and an area under the ROC curve of 0.987 in the cross validation. Conclusions: A predictive model was designed using artificial intelligence techniques; it is a valuable resource oriented to the prevention of cardiovascular diseases in primary health care(AU)

Assuntos

RESUMO

Objetivo: Se propuso aplicar modelos basados en técnicas de aprendizaje automático como apoyo para el diagnóstico temprano de la diabetes mellitus, utilizando variables de datos ambientales, sociales, económicos y sanitarios, sin la dependencia de la toma de muestras clínicas. Metodología: Se utilizaron datos de 10 889 usuarios afiliados al régimen subsidiado de salud de la zona suroccidental en Colombia, diagnosticados con hipertensión y agrupados en usuarios sin (74,3 %) y con (25,7 %) diabetes mellitus. Se entrenaron modelos supervisados utilizando k vecinos más cercanos, árboles de decisión y bosques aleatorios, así como modelos basados en ensambles, aplicados a la base de datos antes y después de balancear el número de casos en cada grupo de diagnóstico. Se evalúo el rendimiento de los algoritmos mediante la división de la base de datos en datos de entreno y de prueba (70/30, respectivamente), y se utilizaron métricas de exactitud, sensibilidad, especificidad y área bajo la curva. Resultados: Los valores de sensibilidad aumentaron considerablemente al utilizar datos balanceados, pasando de valores máximos del 17,1 % (datos sin balancear) a valores de hasta 57,4 % (datos balanceados). El valor más alto de área bajo la curva (0,61) fue obtenido con los modelos de ensambles, al aplicar un balance en el número de datos por cada grupo y al codificar las variables categóricas. Las variables de mayor peso estuvieron asociadas con aspectos hereditarios (24,65 %) y con el grupo étnico (5.59 %), además de la dificultad visual, el bajo consumo de agua, una dieta baja en frutas y verduras, y el consumo de sal y azúcar. Conclusiones: Aunque los modelos predictivos, utilizando información socioeconómica y ambiental de las personas, surgen como una herramienta para el diagnóstico temprano de la diabetes mellitus, estos aún deben ser mejorados en su capacidad predictiva.

Objective: The objective was to apply models based on machine learning techniques to support the early diagnosis of diabetes mellitus, using environmental, social, economic and health data variables, without dependence on clinical sample collection. Methodology: Data from 10,889 users affiliated with the subsidized health system in the southwestern area of Colombia, diagnosed with hypertension and grouped into users without (74.3%) and with (25.7%) diabetes mellitus, were used. Supervised models were trained using k-nearest neighbors, decision trees, and random forests, as well as ensemble-based models, applied to the database before and after balancing the number of cases in each diagnostic group. The performance of the algorithms was evaluated by dividing the database into training and test data (70/30, respectively), and metrics of accuracy, sensitivity, specificity, and area under the curve were used. Results: Sensitivity values increased significantly when using balanced data, going from maximum values of 17.1% (unbalanced data) to values as high as 57.4% (balanced data). The highest value of area under the curve (0.61) was obtained with the ensemble models, by applying a balance in the amount of data for each group and by coding the categorical variables. The variables with the greatest weight were associated with hereditary aspects (24.65%) and with the ethnic group (5.59%), in addition to visual difficulty, low water consumption, a diet low in fruits and vegetables, and the consumption of salt and sugar. Conclusions: Although predictive models, using people's socioeconomic and environmental information, emerge as a tool for the early diagnosis of diabetes mellitus, their predictive capacity still needs to be improved.

Objetivo: Propôs-se aplicar modelos baseados em técnicas de aprendizagem automática como apoio para o diagnóstico precoce da diabetes mellitus, utilizando variáveis de dados ambientais, sociais, econômicos e sanitários, sem a dependência da coleta de amostras clínicas. Metodologia: Usaram-se dados de 10.889 usuários filiados ao regime subsidiado de saúde da zona sudoeste da Colômbia, diagnosticados com hipertensão e agrupados em usuários sem (74,3%) e com (25,7%) diabetes mellitus. Foram treinados modelos supervisionados utilizando k vizinhos mais próximos, árvores de decisão e florestas aleatórias, assim como modelos baseados em montagens, aplicados à base de dados antes de depois de equilibrar o número de casos em cada grupo de diagnóstico. Avaliou-se o desempenho dos algoritmos por meio da divisão da base de dados de treino e teste (70/30, respectivamente), e utilizaram-se métricas de exatidão, sensibilidade, especificidade e área sob a curva. Resultados: Os valores de sensibilidade aumentaram de maneira significativa ao utilizar dados equilibrados, passando de valores máximos de 17,1% (dados sem equilibrar) a valores de até 57,4% (dados equilibrados). O valor mais elevado de área sob a curva (0,61) foi obtido com os modelos de montagens, ao aplicar um balanço no número de dados por cada grupo e codificar as variáveis categóricas. As variáveis de maior peso estiveram associadas com fatores hereditários (24,65%) e com o grupo étnico (5,59%), além da dificuldade visual, o baixo consumo de água, um regime baixo em frutas e vegetais e o consumo de sal e açúcar. Conclusões: Embora os modelos preditivos, utilizando informação socioeconômica e ambiental das pessoas, surgem como uma ferramenta para o diagnóstico precoce da diabetes mellitus, ainda devem ser melhorados em sua capacidade preditiva.

RESUMO

Introducción: El pie diabético es una complicación de la diabetes mellitus y cada 20 segundos se realiza una amputación ocasionada por esta causa. La estratificación adecuada del paciente con pie diabético permite realizar acciones oportunas para evitar, en un porcentaje elevado de casos, las amputaciones. Objetivo: Validar un modelo predictivo para el riesgo de amputación en pacientes con pie diabético. Métodos: Estudio longitudinal prospectivo. La muestra estuvo conformada por 280 pacientes divididos en dos grupos. Las variables utilizadas para la confección del modelo fueron: edad, hematocrito, leucocitos, linfocitos, neutrófilos, albumina, índice neutrófilo/linfocito, plaquetas, creatinina, tamaño de la lesión y grado de la lesión. Se aplicó un modelo predictivo cuya puntuación permitió estratificar de forma individual a cada paciente. Resultados: Se realizó una validación interna con el 60 por ciento de la muestra, que mostró buena capacidad discriminatoria para el 96,0 por ciento con una sensibilidad de 57,69 por ciento, un valor predictivo positivo del 95,4 por ciento y un Alpha de Cronbach de 0,71. En la prueba final y depuración del modelo se trabajó con el 40 por ciento de la muestra y se realizó la validación externa mediante el estadígrafo Alpha de Cronbach = 0,85. El grupo de prueba tuvo una especificidad de 97,40 por ciento y un valor predictivo positivo del 96,65, lo que fue superior al grupo de entrenamiento. Conclusiones: El modelo predictivo mostró ser una herramienta útil para la estratificación del paciente con pie diabético y permitió aplicar una conducta adecuada en cada paciente(AU)

Introduction: The diabetic foot is a complication of diabetes mellitus and every 20 seconds an amputation by this cause is performed. The adequate stratification of the patient with diabetic foot allows timely actions to avoid, in a high percentage of cases, amputations. Objective: To validate a predictive model for amputation risk in patients with diabetic foot. Methods: Prospective longitudinal study. The sample consisted of 280 patients divided into two groups. The variables used to prepare the model were: age, hematocrit, leukocytes, lymphocytes, neutrophils, albumin, neutrophil/lymphocyte index, platelets, creatinine, lesion size and lesion grade. A predictive model was applied whose score allowed each patient to be individually stratified. Results: An internal validation was performed with 60 percent of the sample, which showed good discriminatory capacity for 96.0 percent with a sensitivity of 57.69 percent, a positive predictive value of 95.4 percent and a Cronbach's Alpha of 0.71. In the final test and debugging of the model, 40 percent of the sample was worked with and external validation was carried out using Cronbach's Alpha statistic = 0.85. The test group had a specificity of 97.40 percent and a positive predictive value of 96.65, which was higher than the training group. Conclusions: The predictive model proved to be a useful tool for the stratification of patients with diabetic foot and allowed to apply an appropriate behavior in each patient(AU)

Assuntos

RESUMO

Introducción: El diagnóstico temprano de la diabetes mellitus de tipo 2 permite al personal de salud implementar estrategias para evitar las complicaciones crónicas que pudieran derivarse. A tales efectos, en las últimas dos décadas se han desarrollado modelos predictivos que incluyen cada día más variables. Objetivo: Elaborar un modelo predictivo para el diagnóstico temprano de la diabetes mellitus de tipo 2 en una población holguinera. Métodos: Se realizó un estudio de cohorte que incluyó a todos los pacientes atendidos en las consultas de endocrinología del área de salud Pedro Díaz Coello y del Hospital Militar Fermín Valdés Domínguez de la provincia de Holguín, para lo cual se tomaron 2 cohortes: una de análisis y otra de validación. Para el procesamiento estadístico se efectuó el análisis univariado y el multivariado; en tanto se determinó la asociación entre variables dependientes e independientes. Resultados: En la serie predominaron el sexo femenino, los pacientes sin antecedentes de diabetes mellitus e hipertensión arterial, así como los que presentaban hipotiroidismo, enfermedad periodontal y normopeso, entre otros; asimismo, el modelo resultó significativo estadísticamente (X2=31,1 y p=0,000) y explicó 80,9 % de la variable de salida, validada por las variables de análisis. La sensibilidad fue de 96,9 % y la especificidad de 86,6 %; mientras que el área bajo la curva tuvo un rango de 0,725 a 0,833. Conclusiones: El modelo predictivo elaborado es una herramienta muy útil para el diagnóstico de pacientes con riesgo de presentar diabetes mellitus de tipo 2.

Introduction: The early diagnosis of the type II diabetes mellitus allows the health staff to implement strategies in order to avoid the chronic complications that could be derived. To such effects, in the last two decades predictive models have been developed that include more variables every day. Objective: To elaborate a predictive model for the early diagnosis of type II diabetes mellitus in a population from Holguín. Methods: A cohort study was carried out that included all the patients assisted in the endocrinology services of Pedro Díaz Coello health area and Fermín Valdés Domínguez Military Hospital in Holguín province, for which 2 cohorts were taken: one of analysis and another of validation. For the statistical processing the univaried and multivaried analysis were carried out; as long as the association between dependent and independent variables was determined. Results: In the series there was a prevalence of the female sex, patients without history of diabetes mellitus and hypertension, as well as those that presented hypothyroidism, periodontal disease and normal weight, among others; also, the pattern was statistically significant (X2=31.1 and p=0.000) and explained 80.9 % of the logout variable validated by the analysis variables. The sensibility was of 96.9 % and the specificity of 86.6 %; while the area under the curve had a range from 0.725 to 0.833. Conclusions: The predictive model elaborated is a very useful tool for the diagnosis of patients with risk of type II diabetes mellitus.

Assuntos

RESUMO

Resumen Introducción: la identificación de los pacientes con mayor riesgo de progresar a falla renal es fundamental para la planeación del tratamiento en la enfermedad renal crónica, pero no ha podido llevarse a cabo consistentemente. Los modelos de predicción podrían ser una herramienta útil, sin embargo, su usabilidad en la Enfermedad Renal Crónica es limitada hasta ahora y no se comprenden muy bien las barreras y limitaciones. Métodos: se desarrolló una revisión de alcance de la literatura disponible sobre modelos predictivos de falla renal o reglas de pronóstico en pacientes con Enfermedad Renal Crónica. Las búsquedas se realizaron sistemáticamente en Cochrane, Pubmed y Embase. Se realizó una revisión ciega e independiente por dos evaluadores para identificar estudios que informaran sobre el desarrollo, la validación o la evaluación del impacto de un modelo construido para predecir la progresión al estadio avanzado de la enfermedad renal crónica. Se realizó una evaluación crítica de la calidad de la evidencia proporcionada con el sistema GRADE (Grading of Recommendations Assessment, Development and Evaluation). Resultados: de 1279 artículos encontrados, fueron incluidos 19 estudios para la síntesis cualitativa final. La mayoría de los estudios eran primarios, con diseños observacionales retrospectivos y unos pocos correspondieron a revisiones sistemáticas. No se encontraron guías de práctica clínica. La síntesis cualitativa evidenció gran heterogeneidad en el desarrollo de los modelos, así como en el reporte de las medidas de desempeño global, la validez interna y la falta de validez externa en la mayoría de los estudios. La calificación de la evidencia arrojó una calidad global baja, con inconsistencia entre los estudios e importantes limitaciones metodológicas. Conclusiones: la mayoría de los modelos predictivos disponibles, no han sido adecuadamente validados y, por tanto, se consideran de uso limitado para evaluar el pronóstico individual del paciente con enfermedad renal crónica. Por lo tanto, se requieren esfuerzos adicionales para centrar el desarrollo e implementación de modelos predictivos en la validez externa y la usabilidad y disminuir la brecha entre la generación, la síntesis de evidencia y la toma de decisiones en el ámbito del cuidado del paciente.

Abstract Background: the identification of patients at higher risk of progressing to kidney failure is essential for treatment planning in chronic kidney disease, but it has not been possible to do this consistently. Predictive models could be a useful tool, however, their usability in chronic kidney disease is limited and the barriers and limitations are not well understood. Methods: a scoping review of the available literature on ESRD predictive models or prognostic rules in chronic kidney disease patients was developed. Searches were systematically executed on Cochrane, MEDLINE, and Embase. a blind and independent review was carried out by two evaluators to identify studies that reported on the development, validation, or impact assessment of a model constructed to predict the progression to an advanced stage of chronic kidney disease. A critical evaluation of the quality of the evidence provided with the GRADE system (Grading of Recommendations Assessment, Development and Evaluation) was made. Findings: of 1279 articles found, 19 studies were included for the final qualitative synthesis. Most of the studies were primary, with retrospective observational designs and a few corresponded to systematic reviews. No clinical practice guidelines were found. The qualitative synthesis showed high heterogeneity in the development of the models, as well as in the reporting of global performance measures, internal validity, and the lack of external validity in most of the studies. The evidence rating was of low overall quality, with inconsistency between studies and important methodological limitations. Conclusions: most of the available predictive models have not been adequately validated and, therefore, are of limited use to assess the individual prognosis of patients with chronic kidney disease. Therefore, additional efforts are required to focus the development and implementation of predictive models on external validity and usability and bridge the gap between generation, synthesis of evidence, and decision-making in the field of patient care.

RESUMO

Resumen Objetivo: Analizar la utilidad del modelo predictivo de bacteriemia (5MPB-Toledo) en los mayores de 65 años atendidos por infección en el servicio de urgencias (SU). Material y Método: Estudio observacional prospectivo y multicéntrico de los hemocultivos (HC) obtenidos en pacientes mayores de 65 años atendidos por infección en 66 SU españoles desde el 1 de diciembre de 2019 hasta el 30 de abril de 2020. Se analizó la capacidad predictiva del modelo con el área bajo la curva (ABC) de la característica operativa del receptor (COR) y se calculó el rendimiento diagnóstico de los puntos de corte (PC) del modelo elegido con los cálculos de la sensibilidad, la especificidad, el valor predictivo positivo y el valor predictivo negativo. Resultados: Se incluyeron 2.401 episodios de HC extraídos. De ellos, se consideró como bacteriemia verdadera a 579 (24,11%) y como HC negativo a 1.822 (75,89%). Entre los negativos, 138 (5,74%) se consideraron contaminados. Se categorizó a los pacientes en bajo (0-2 puntos), moderado (3-5 puntos) y alto (6-8 puntos) riesgo, con una probabilidad de bacteriemia de 1,2%, 18,1% y 80,7%, respectivamente. El ABC-COR del modelo tras remuestreo fue de 0,908 (IC 95%: 0,897-0,924). El rendimiento diagnóstico del modelo, considerando un PC ≥ 5 puntos, obtiene una sensibilidad de 94% (IC 95%:92-96), especificidad de 77% (IC 95%:76-79) y un valor predictivo negativo de 97% (IC 95%:96-98). Conclusión: El modelo 5MPB-Toledo es de utilidad para predecir bacteriemia en los mayores de 65 años atendidos en el SU por un episodio de infección.

Abstract Objective: To analyse a risk score to predict bacteremia (MPB5-Toledo) in the patients aged older 65 years seen in the emergency departments (ED) due to infections. Patients and Methods: Prospective and multicenter observational cohort study of the blood cultures (BC) ordered in 66 Spanish ED for patients aged older 65 years seen from December 1, 2019, to April 30, 2020. The predictive ability of the model was analyzed with the area under the Receiver Operating Characteristic curve (AUC-ROC). The prognostic performance for true bacteremia was calculated with the cut-off values chosen for getting the sensitivity, specificity, positive predictive value and negative predictive value. Results: A total of 2.401 blood samples wered cultured. True cases of bacteremia were confirmed in 579 (24.11%). The remaining 1.822 cultures (75.89%) wered negative. And, 138 (5.74%) were judged to be contaminated. Low risk for bacteremia was indicated by a score of 0 to 2 points, intermediate risk by 3 to 5 points, and high risk by 6 to 8 points. Bacteremia in these 3 risk groups was predicted for 1.2%, 18.1%, and 80.7%, respectively. The model´s area under the receiver ope rating characteristic curve was 0.908 (95% CI, 0.897-0.924). The prognostic performance with a model´s cut-off value of ≥ 5 points achieved 94% (95% CI: 92-96) sensitivity, 77% (95% CI: 76-79) specificity, and negative predictive value of 97% (95% CI: 96-98). Conclusion: The 5MPB-Toledo score is useful for predicting bacteremia in the patients aged older 65 years seen in the emergency departments due to infections.

RESUMO

Introducción: en el campo de la salud, cada decisión representa datos, y las técnicas de minería de datos han empezado a ser una metodología prometedora para el análisis de esta información, especialmente en el diseño de los modelos predictivos. Métodos: estudio observacional analítico de pacientes mayores de 15 años, con reporte de punción de aspiración con aguja fina con estudio Bethesda IV, sometidos a manejo quirúrgico en el Hospital de San José de Bogotá. Los datos recogidos de los pacientes se incluyeron en tres grupos: la información sociodemográfica y clínica, los hallazgos en la citología y los reportes de la ecografía. Se realizó el análisis mediante Naive-Bayes, árbol de decisión y redes neuronales. Se usó la herramienta Weka versión 3.8.2. Resultados: de los 427 pacientes, 195 tuvieron resultados de patología de carcinoma de tiroides (45,6 %). Se evidenciaron mejores resultados usando la validación cruzada (10 fold) comparado con partición (66 %), la técnica de Bayes tuvo mejores resultados de clasificación correcta (91,1 %), comparado con la técnica de árbol (87,8 %) y la red neuronal (88,2 %). Conclusiones: el uso de la técnica de Naive Bayes muestra una importante exactitud para determinar la predicción de riesgo de malignidad en los pacientes con estudio citológico Bethesda IV, lo cual permitiría orientar de forma adecuada el manejo quirúrgico de los pacientes

Introduction: In the health field, each decision represents data, and data mining techniques have begun to be a promising methodology for the analysis of this information, especially in the design of predictive models. Methods: Analytical observational study; patients older than 15 years with a report of Bethesda IV after a fine needle aspiration biopsy that undergoing surgical management at the Hospital de San José in Bogotá. The data collected from those patients were included in three groups: sociodemographic-clinical information, cytology findings, and ultrasound reports. Analysis was performed using three technics: Naive Bayes, decision trees, and neural networks. Weka tool version 3.8.2 was used. Results: 195 patients out of 427, had a thyroid carcinoma pathology (45.6%). Better results were evidenced using cross-validation (10 fold) compared with a partition (66%), the Bayes technique had better results of correct classification (91.1%), than the tree technique (87.8%) and neural network (88.2%). Conclusions: The use of the Naive Bayes technique shows an important accuracy to determine the prediction of risk of malignancy in patients with a Bethesda IV cytological study, which would allow an adequate guide to the surgical management of patients.

Assuntos

RESUMO

Objetivo: Este artigo apresenta uma Revisão de Escopo (RE) para identificar estratégias preditivas na detecção do agravamento do quadro clínico de pacientes com a COVID-19. Método: A RE foi conduzida com a busca de trabalhos indexados em seis fontes de busca usando uma string de busca, critérios de inclusão e exclusão. Resultados: Mediante a execução do protocolo da RE, 329 estudos foram retornados, dos quais 9 foram selecionados ao final da análise. Na avaliação dos estudos, foi possível identificar os algoritmos utilizados na construção dos modelos de predição, as linguagens e ferramentas, a origem dos dados, bem como as variáveis mais relevantes. Conclusão: A partir dos resultados alcançados, pode-se concluir que modelos preditivos estão sendo desenvolvidos com o objetivo de auxiliar os profissionais de saúde na detecção de fatores relacionados ao agravamento da doença, mas poucos estão sendo disponibilizados, o que dificulta a utilização em um contexto real.

Objective: This article presents a Scope Review (ScR) to identify predictive strategies for detecting the worsening of the clinical picture of patients with COVID-19. Method: ScR was performed by identifying indexed articles in six search sources through a search string, inclusion, and exclusion criteria. Results: When the protocol was executed, 329 studies returned, from which 9 were summarized at the end of the analysis. Through the evaluation of the studies, it was possible to identify the algorithms used in the construction of the predictive models, the programming languages and tools, the origin of the data, as well as the most relevant variables. Conclusion: Based on the results, we conclude that predictive models developed to help health professionals detect factors related to the worsening of the disease, but few are available, which makes it complicated to use in real work contexts.

Objetivo: Este artículo presenta una Revisión del Alcance (RA) para identificar estrategias predictivas para detectar el empeoramiento del cuadro clínico de los pacientes con COVID-19. Método: La RA se realizó en la búsqueda de trabajos indexados en seis fuentes de búsqueda mediante una cadena de búsqueda, criterios de inclusión y exclusión. Resultados: Tras la ejecución del protocolo ER, se devolvieron 329 estudios, de los cuales se seleccionaron 9 al final del análisis. A través de la evaluación de los estudios, fue posible identificar los algoritmos utilizados en la construcción de los modelos de predicción, los lenguajes y herramientas, el origen de los datos, así como las variables más relevantes. Conclusión: De los resultados obtenidos se puede concluir que se están desarrollando modelos predictivos con el objetivo de ayudar a los profesionales de la salud en la detección de factores relacionados con el agravamiento de la enfermedad, pero pocos se están poniendo a disposición, lo que dificulta su uso. en un contexto real.

Assuntos