Modelo predictivo del fracaso de la terapia eléctrica en la fibrilación auricular paroxística

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 %, 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 %: 1,33-9,67); la fracción de eyección del ventrículo izquierdo (FEVI) ≤ 40 % se observó en 20 pacientes (22,7 %) (p= 0,004; OR= 4,45; IC95 %: 1,54-12,8); presión de aurícula izquierda elevada, volumen de aurícula izquierda elevado (p= 0,004; OR= 3,11; IC95 %: 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.

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%, 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% confidence interval -CI-: 1.33-9.67); left ventricular ejection fraction (LVEF) ≤ 40% was observed in 20 patients (22.7%) (p= 0.004; OR= 4.45; 95% CI: 1.54-12.8); elevated left atrial pressure, elevated left atrial volume (p= 0.004; OR= 3.11; 95% 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.

Modelo predictivo de enfermedad cardiovascular basado en inteligencia artificial en la atención primaria de salud / A Predictive Model for Cardiovascular Disease based on Artificial Intelligence in Primary Health Care

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)

Aprendizaje automático aplicado a la predicción de diabetes mellitus, utilizando información socioeconómica y ambiental de usuarios del sistema de salud

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.

Modelo predictivo de riesgo para el diagnóstico temprano de la diabetes mellitus de tipo 2 / Predictive model of risk for the early diagnosis of type II diabetes mellitus i: en

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.

Aplicabilidad de modelos predictivos de falla renal en enfermedad renal crónica: una revisión de alcance / Usability of predictive models of kidney failure in chronic kidney disease: a scoping review

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.

Predicting the response to methylprednisolone pulses in patients with SARS-COV-2 infection.

INTRODUCTION: Treating systemic inflammation caused by SARS-COV 2 (COVID-19) has become a challenge for the clinician. Corticosteroids have been the turning point in the treatment of this disease. Preliminary data from Recovery clinical trial raises hope by showing that treatment with dexamethasone at doses of 6mg/day shows a reduction on morbidity in patients requiring added oxygen therapy. However, both the start day or what kind of corticosteroid, are still questions to be clarified. Since the pandemic beginning, we have observed large differences in the type of corticosteroid, dose and initiation of treatment. Our objective is to assess the predictive capacity of the characteristics of patients treated with methylprednisolone pulses to predict hospital discharge. MATERIALS AND METHODS: We presented a one-center observational study of a retrospective cohort. We included all patients admitted between 03/06/2020 and 05/15/2020 because of COVID-19. We have a total number of 1469 patients, of whom 322 received pulses of methylprednisolone. Previous analytical, radiographic, previous disease data were analyzed on these patients. The univariant analysis was performed using Chi-squared and the T test of Student according to the qualitative or quantitative nature of the variables respectively. For multivariate analysis, we have used binary logistic regression and ROC curves. RESULTS: The analysis resulted statistically significant in dyspnea, high blood pressure, dyslipidemia, stroke, ischemic heart disease, cognitive impairment, solid tumor, C-reactive protein (CRP), lymphopenia and d-dimer within 5 days of admission. Radiological progression and FIO2 input are factors that are associated with a worst prognosis in COVID-19 that receive pulses of methylprednisolone. Multivariate analysis shows that age, dyspnea and C-reactive protein are markers of hospital discharge with an area below the curve of 0.816. CONCLUSIONS: In patients with methylprednisolone pulses, the capacity of the predictive model for hospital discharge including variables collected at 5 days was (area under the curve) 0.816.

Utilidad del modelo 5MPB-Toledo para predecir bacteriemia en el paciente anciano / Usefulness of the 5MPB-Toledo model to predict bacteremia in the elderly patient

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.

Surgical Risk Following Anatomic Lung Resection in Thoracic Surgery: A Prediction Model Derived from a Spanish Multicenter Database. / Riesgo quirúrgico tras resección pulmonar anatómica en cirugía torácica. Modelo predictivo a partir de una base de datos nacional multicéntrica.

INTRODUCTION: The aim of this study was to develop a surgical risk prediction model in patients undergoing anatomic lung resections from the registry of the Spanish Video-Assisted Thoracic Surgery Group (GEVATS). METHODS: 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 days 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.

Minería de datos para la evaluación del riesgo de malignidad en pacientes con nódulos tiroideos con estudio citológico Bethesda IV / Risk of malignancy evaluation through data mining technic in patients with thyroid nodules with cytology study Bethesda IV

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.

Estratégias Preditivas na Detecção do Agravamento do Quadro Clínico de Pacientes com COVID-19: Uma Revisão de Escopo / Predictive Strategies in Detecting the Worsening of the Clinical Condition of Patients with COVID-19: A Scoping Review / Estrategias predictivas para detectar el empeoramiento de la condición clínica de los pacientes con COVID-19: Una Revisión de Alcance

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.

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).

Hacia un modelo predictivo de carácter preventivo del riesgo de infección por COVID-19 / Towards a predictive model for prevention nature of the risk of COVID-19 infection

Resumen Introducción: La escasez de aplicaciones centradas en la persona y con vistas al desarrollo de la conciencia del riesgo que representa la pandemia de COVID-19 estimula la exploración y creación de herramientas de carácter preventivo accesibles a la población. Objetivo: Elaboración de un modelo predictivo que permita evaluar el riesgo de letalidad ante infección por el virus SARS-CoV-2. Métodos: Exploración de datos públicos de 16 000 pacientes positivos a COVID-19, para generar un modelo discriminante eficiente, valorado con una función score y que se expresa mediante un cuestionario autocalificado de interés preventivo. Resultados: Se obtuvo una función lineal útil con capacidad discriminante de 0.845; la validación interna con bootstrap y la externa, con 25 % de los pacientes de prueba, mostraron diferencias marginales. Conclusión: El modelo predictivo, basado en 15 preguntas accesibles puede convertirse en una herramienta de prevención estructurada.

Abstract Introduction: The scarcity of person-centered applications aimed at developing awareness on the risk posed by the COVID-19 pandemic, stimulates the exploration and creation of preventive tools that are accessible to the population. Objective: To develop a predictive model that allows evaluating the risk of mortality in the event of SARS-CoV-2 virus infection. Methods: Exploration of public data from 16,000 COVID-19-positive patients to generate an efficient discriminant model, evaluated with a score function and expressed by a self-rated preventive interest questionnaire. Results: A useful linear function was obtained with a discriminant capacity of 0.845; internal validation with bootstrap and external validation, with 25 % of tested patients showing marginal differences. Conclusion: The predictive model with statistical support, based on 15 accessible questions, can become a structured prevention tool.

Desarrollo y validación interna de un modelo de predicción clínica del riesgo de infección bacteriana nosocomial en pacientes con lupus eritematoso sistémico / Development and internal validation of a clinical prediction model of the risk of nosocomial bacterial infection in patients with systemic lupus erythematosus

RESUMEN Introducción: Los pacientes con lupus eritematoso sistémico (LES) tienen un riesgo aumen tado de padecer infecciones tanto adquiridas en la comunidad como asociadas con el cuidado de la salud. Las infecciones bacterianas son las más frecuentes y graves durante la hospitalización de estos pacientes. Objetivo: Desarrollar y validar internamente un modelo de predicción clínica de pronóstico del riesgo de infección bacteriana adquirida en el hospital en pacientes con LES, usando datos clínicos y de laboratorio obtenidos durante las primeras horas de hospitalización. Métodos: Se analizó una cohorte retrospectiva de pacientes con LES mayores de 16 arios, hos pitalizados por motivos diferentes a infección bacteriana en 2 hospitales de alta complejidad de Medellín entre 2011 y 2016. Se compararon las características de los pacientes que des arrollaron el desenlace de infección bacteriana entre el día 3 y el día 15 de hospitalización con aquellos que no lo presentaron. Las variables significativas en el análisis bivariado fueron consideradas para la construcción del modelo por medio de regresión logística multivariada. Resultados: Se incluyeron 765 episodios, de los cuales 98 (12,8%) presentaron el desenlace de interés. Se consideraron 35 predictores candidatos. Las variables incorporadas en el modelo final fueron: edad, recuento de neutrófilos, puntaje de actividad lúpica SLEDAI, uso de sonda vesical, uso de catéter venoso central en las primeras 72 h, dosis de glucocorticoides en el mes previo y el uso de un antimalárico en los 3 meses previos. La capacidad de discrimi nación del modelo fue aceptable a buena (AUC-ROC 0,74; IC 95% 0,69-0,80). La prueba de bondad de ajuste de Hosmer-Lemeshow (p = 0,637) evidenció una adecuada calibración. Conclusión: Desarrollamos un modelo de predicción clínica de pronóstico del riesgo de infec ción bacteriana nosocomial en pacientes con LES. El modelo desarrollado está compuesto por variables clínicas y de laboratorio simples disponibles en el momento del ingreso al hospital. Se requieren estudios de validación externa y de impacto clínico antes de su implementación rutinaria.

ABSTRACT Introduction: Patients with systemic lupus erythematosus (SLE) have an increased risk of developing community-acquired infections, as well as those associated with health care. Bacterial infections are the most common and serious while these patients are in hospital. Objective: To develop, and internally validate, a clinical prediction model for the prognosis of the risk of hospital-acquired bacterial infection in SLE patients using clinical and laboratory data obtained during the first hours of hospital admission. Methods: An analysis was performed on retrospective cohort of patients with SLE older than 16 years and admitted for reasons other than bacterial infection in 2 highly complex hospitals in Medellín between 2011 and 2016. The characteristics of the patients who developed a bacterial infection were compared between day 3 and day 15 of hospital admission with those who did not develop one. The significant variables in the bivariate analysis were used for the construction of the model using multivariate logistic regression. Results: A total of 765 episodes were included, of which 98 (12.8%) presented the outcome of interest. Thirty-five candidate predictors were considered. The variables incorporated in the final model were: age, neutrophil count, SLEDAI lupus activity score, use of a bladder catheter, use of a central venous catheter in the first 72 h, glucocorticoid doses in the previous month, and use of an antimalarial drug in the 3 previous months. The discrimination capacity of the model was acceptable to good (AUC-ROC 0.74; 95% CI 0.69-0.80). The Hosmer-Lemeshow goodness of fit test (P = .637) suggested adequate calibration. Conclusion: A clinical prediction model of prognostic risk of nosocomial bacterial infection in patients with SLE has been developed. This model is made up of simple clinical and laboratory variables available at the time of hospital admission. External validation and clinical impact studies are required before routine implementation.

Aplicación de un modelo cubano predictivo de mortalidad en pacientes graves por covid-19 en Lombardía, Italia / Application of a Cuban mortality-predictive model in seriously-ill patients with Covid-19 in Lombardy, Italy

RESUMEN Introducción: la neumonía por covid-19 es la enfermedad infecciosa que ha revolucionado al mundo en los últimos meses. El diagnóstico pasa por varios momentos: el cuadro clínico, la analítica sanguínea y las imágenes. La estratificación del riesgo de muerte es muy importante para optimizar los recursos. Objetivos: validar un modelo matemático cubano predictivo de mortalidad en pacientes ingresados por covid-19. Materiales y métodos: estudio de cohorte con 191 pacientes, que ingresaron graves en el Hospital Mayor de Crema, en la provincia de Cremona, región de Lombardía (Italia), en el período de abril a mayo de 2020. El universo estuvo constituido por 191 pacientes, y no se tomó muestra alguna. Las variables fueron: edad, estado del paciente, niveles de creatinina plasmática, frecuencia respiratoria, frecuencia cardiaca, presión arterial, niveles de oxígeno y de dióxido de carbono en sangre, valor del sodio y de hemoglobina. Resultados: mortalidad del 22 % en pacientes graves y críticos, con media de la edad (grupo 1: 59 años) (grupo 2: 73 años); t-Student = 0,00. Test de Hosmer-Lemenshow (0,766) con elevado ajuste. Sensibilidad = 93 %. Área bajo la curva = 0,957. Porcentaje de aciertos en la regresión logística de 86,4 % y en la red neuronal de 91,2 %. Media del modelo por grupos (grupo 1: 4 458) (grupo 2: 2 911) t-Student = 0,00. Conclusiones: el modelo demostró ser muy útil en el flujograma de pacientes atendidos con la covid-19. Permitió detectar tempranamente (a los cinco días del ingreso) los pacientes con alto riesgo de muerte y discriminar aquellos que no tendrían este riesgo, de manera que pudieran ser tratados en unidades de cuidados mínimos (AU).

ABSTRACT Introduction: COVID-19 pneumonia is an infectious disease that has revolutionized the world in the last months. The diagnosis goes thought several moments: clinical features, blood analytic and images. Death risk stratification is very important to optimize resources. Objective: to validate the Cuban mathematic predictive model of mortality in patients admitted due to COVID-19. Materials and methods: cohort study with 191 seriously-ill patients who were admitted to Maggiore di Crema Hospital, Cremona, Lombardy region, Italy, in the period April-May 2020. The universe were 191 patients and no sample was chosen. The variables were: age; patient's status; plasma creatinine levels; respiratory rate; heart rate; arterial pressure; blood oxygen and carbon dioxide levels; values of sodium and hemoglobin. Results: 22 % of mortality in seriously-ill and critical patients, with average age in Group 1: 59 years, in Group 2: 73 years; t-Student = 0.00. Hosmer-Lemenshow test (0.766) with high adjustment. Sensitivity= 93 %. Area below the curve=0.957. Success percentage in logistic regression of 86.4 % and 91.2 % in the neuronal net. Model media per groups: Group 1= 4 458; Group 2= 2 911, t-Student = 0.00. Conclusions: the model showed to be very useful in the flow chart of patients attended with COVID-19. It allowed to early detect the patients at high death risk five days from admission and discriminating those who were not at risk, in a way that they could be treated in minimal care units (AU).

Modelo predictivo para la recidiva en pacientes con cáncer de tiroides / Predictive model for recurrence in patients with thyroid cancer

Introducción: El cáncer de tiroides es el tumor maligno más común originado en órganos endocrinos (más del 92 por ciento) y comprende un grupo de tumores que son diferentes clínicamente y epidemiológicamente. En los últimos años se ha incrementado el uso de los modelos predictivos en la práctica médica para determinar la mejor conducta en pacientes con tumores de la glándula tiroides. Objetivo: Desarrollar un modelo probabilístico de predicción de la recidiva en pacientes con cáncer de tiroides. Métodos: Se realizó un estudio prospectivo longitudinal, en el Hospital Militar Central Dr. Carlos J. Finlay, desde enero de 2015 hasta febrero del 2020. Se incluyeron 63 pacientes que ingresaron al estudio por muestreo aleatorio simple con remplazo, se confeccionó un modelo predictivo utilizando una regresión logística binaria en el programa R. Resultados: El grupo de edad más afectado estuvo entre los 40 y 59 años, predominó el sexo femenino y el carcinoma papilar, la vascularización y la irregularidad fueron los elementos ultrasonográficos más detectados. El estadístico de Wald fue significativo con una distribución normal en todas las variables analizadas lo cual indica que sus coeficientes son diferentes de 0 y deben ser incluidos en el modelo La variable con mayor influencia en el índice de recidiva resultó ser la diferenciación celular Conclusiones: Los factores con mayor influencia en la recidiva en la serie estudiada resultaron el grado de diferenciación, la presencia de vascularización e irregularidad en la ecografía y el tamaño tumoral con cifras similares a las reportadas nacional e internacionalmente(AU)

Introduction: Thyroid cancer is the most common malignant tumor originating in endocrine organs (more than 92%) and comprises a group of tumors that are clinically and epidemiologically different. In recent years, the use of predictive models has increased in medical practice to determine the best behavior in patients with tumors of the thyroid gland. Objective: To develop a probabilistic model for predicting recurrence in patients with thyroid cancer. Methods: A longitudinal prospective study was carried out at the Dr. Carlos J Finlay Central Military Hospital, from January 2015 to February 2020. 63 patients who entered the study by simple random sampling with replacement were included; a predictive model was made using a binary logistic regression in program R. Results: The most affected age group was between 40 and 59 years old, female sex predominated and papillary carcinoma, vascularization and irregularity were the most detected ultrasound elements. The Wald statistic was significant with a normal distribution in all variables analyzed, which indicates that their coefficients are different from 0 and should be included in the model. The variable with the greatest influence on the recurrence rate turned out to be cell differentiation. Conclusions: The final binary logistic regression model had an adequate goodness of fit and discrimination was very good, with an acceptable receiving operator area under the curve (AU)

Validación externa del modelo predictivo de mortalidad en ancianos con neumonía adquirida en la comunidad / External validation of the predictive model of mortality in elder people with community-acquired pneumonia

RESUMEN Introducción: la neumonía adquirida en la comunidad es la enfermedad infecciosa que conlleva una mayor mortalidad en los países desarrollados. El diagnóstico pasa por varios momentos, el cuadro clínico, la analítica y las imágenes. Objetivos: realizar la validación externa de un modelo matemático predictivo de mortalidad en pacientes ingresados por neumonía grave adquirida en la comunidad. Material y métodos: estudio longitudinal prospectivo (cohorte) con un grupo, con todos los pacientes que ingresaron en la Unidad de Cuidados intensivos emergentes con el diagnóstico de neumonía adquirida en la comunidad en el Hospital Militar Dr. Carlos J. Finlay, de febrero de 2018 hasta marzo del 2019. El universo estuvo constituido por 160 pacientes y no se tomó muestra alguna. Resultados: índice de Kappa K=1. Test Hosmer Lemenshow 0,650 con elevado ajuste. Resultados del modelo con sensibilidad= 79%. Especificidad: 91% con (VPP): 80 y (VPN)= 91. RR: 9,1. Área bajo la Curva = 0997. Porcentaje de aciertos en la regresión logística de 88,4 %. Conclusiones: el modelo propuesto constituyo una herramienta útil en la detección temprana de pacientes con riesgo de muerte a corto plazo. Permitió unificar en una sola variable el resultado de otras que aparentemente no tienen relación entre ellas; con lo que se hace más fácil la interpretación de los resultados, toda vez que este refleja, el conjunto y no la individualidad (AU).

SUMMARY Introduction: community-acquired pneumonia is the infectious disease leading to higher mortality in developed countries. The diagnosis goes through several moments, clinical symptoms, analytics, and images. Objective: to perform the external validation of a predictive mathematical model of mortality in patients admitted by serious community-acquired pneumonia. Methods: longitudinal prospective (cohort) study with a group formed with all patients who were admitted to the Emergent Intensive Care Unit in the Military Hospital ¨Dr. Carlos Juan Finlay¨ with the diagnosis of community-acquired pneumonia, from February 2018 to March 2019. The universe was formed by 160 patients and no sample was chosen. Results: Kappa index K= 1. Hosmer Lemenshow test= 0.650 with a high adjustment. Result of the model with sensibility= 79 %. Specificity= 91 % with (APV) = 80 and (NPV) = 91. RR= 9.1. Area under the curve= 0997. Percentage of correctness in logistic regression of 88.4 %. Conclusions: The proposed model was a useful tool in the early detection of patients at near-term death risk. It allowed to unite in an only variant the result of others that apparently are not related one to another, making it easier the interpretation of the results, since it reflects the whole and not the individuality (AU).

Prognostic thirteen-long non-coding RNAs (IncRNAs) could improve the survival prediction of gastric cancer.

OBJECTIVE: Accumulating evidence has demonstrated that long non-coding RNAs (lncRNAs) play important regulatory roles in the tumorigenesis and progression of gastric cancer (GC). The aim of this study was to construct the prognostic predictive model of lncRNAs signature and improve the survival prediction of GC. PATIENTS AND METHODS: The expression profiling of lncRNAs in large GC cohorts was performed from The Cancer Genome Atlas (TCGA) databases using the lncRNAs-mining approach, including training data set (N=160) and testing data set (N=159). A 13-lncRNAs signature significantly associated with overall survival (OS) in the training data set was selected. The prognostic value of this 13-lncRNAs signature was then confirmed in the test validation set and the entire validation set, respectively. RESULTS: Based on lncRNA expression profiling of 319 patients with stomach adenocarcinoma (STAD), prognostic 13-lncRNAs signature was found to be significantly associated with the prognosis of GC. Compared to patients with low-risk scores, patients with high-risk scores had a significantly shorter survival time. Moreover, functional enrichment analysis indicated that this 13-lncRNAs signature was potentially involved in multiple biological processes, such as DNA replication and cell cycle signaling pathway. CONCLUSIONS: The prognostic model of the 13-lncRNAs signature established by our study could improve the survival prediction of GC to a greater extent.

Modelo predictivo de la no unión de tibia / Tibia non union predictive model

OBJETIVOS: Estimar un modelo predictivo para la no-unión en pacientes que presentan fractura de tibia. MATERIALES Y MÉTODOS: Estudio de cohorte retrospectivo, en pacientes con fractura de tibia operadas entre 2012 y 2018, con un mínimo de 12 meses de seguimiento, excluyendo amputaciones traumáticas. Realizamos un modelo de regresión logística con 13 variables descritas en la literatura. Se descartaron las variables estadísticamente no significativas y las que no causaban efecto de confusión. Se evaluó la bondad de ajuste mediante el test de Hosmer-Lemeshow y la discriminación del modelo con la curva ROC. RESULTADOS: Se incluyeron 411 fracturas de tibia, las variables estadísticamente significativas fueron: exposición ósea OR » 2,57(IC:1,15­5,75, p » 0,022), diabetes OR » 3,29 (IC:1,37­7,91, p » 0,008) y uso de tutor externo OR » 1,77(IC:0,81­3,85), el que tuvo efecto de confusión. La bondad de ajuste demostró que los datos se ajustan adecuadamente al modelo (p » 0,35). La curva ROC demuestra un 70,91% de poder discriminatorio. Al evaluar aisladamente las fracturas expuestas, no hubo asociación estadísticamente significativa con ninguna variable. DISCUSIÓN: Al evaluar el modelo, obtuvimos una asociación estadísticamente significativa entre: no unión, exposición ósea, diabetes y uso de tutor externo, información concordante con la literatura. Al estudiar el subgrupo de fracturas expuestas, las demás variables son estadísticamente no significativas. Eso refleja que la exposición ósea es la variable que confiere mayor riesgo. El seguimiento adecuado de esos pacientes es fundamental dado este alto riesgo de evolucionar con no-unión. CONCLUSIÓN: En nuestra serie, la exposición ósea es el factor de riesgo más importante para presentar no unión de tibia.

OBJECTIVES: Estimate a predictive model for non-union in patients presenting with a tibial fracture. MATERIALS AND METHODS: Retrospective cohort study in patients with tibia fractures operated between 2012 and 2018, with a minimum follow-up of 12 months, excluding traumatic amputations. We performed a multivariate logistic regression model with 13 variables described in the literature. The variables that were statistically non-significant and those variables that do not cause confusion, were discarded. Goodness of fit was evaluated using the Hosmer-Lemeshow test and the discrimination of the model with the ROC curve. RESULTS: 411 tibial fractures were included, the statistically significant variables were: bone exposure OR » 2.57(CI:1.15­5.75, p » 0.022), diabetes OR » 3.29(CI:1.37­7.91, p » 0.008) and use of external fixation OR » 1.77(CI:0.81­3.85), being included in the model because of its confounding effect. Goodness of fit demonstrates that the data fit the model adequately(p » 0.35). The ROC curve demonstrates 70.91% discriminatory power. When evaluating the exposed fractures in isolation, there was no statistically significant association with any variable. DISCUSSION: When evaluating the model, we obtained a statistically significant association between non-union, bone exposure, diabetes and use of external fixation, being consistent with the literature. When studying the subset of exposed fractures, the other variables are statistically non-significant. This reflects that bone exposure is the variable that confers the greatest risk. Proper follow-up of these patients is essential given this high risk of evolving with non-union. CONCLUSION: In our series, bone exposure is the most important risk factor for presenting tibial non-union.

Mortality prediction model for patients with bladder urothelial tumor after radical cystectomy. / Modelo predictivo de mortalidad en pacientes con tumor urotelial de vejiga tras cistectomía radical.

OBJECTIVE: Based on preoperative clinical and postoperative pathological variables, we aim to build a prediction model of cancer specific mortality (CSM) at 1, 3, and 5 years for patients with bladder transitional cell carcinoma treated with RC. MATERIAL AND METHODS: Retrospective analysis of 517 patients with diagnosis of cell carcinoma treated by RC (1986-2009). Demographic, clinical, surgical and pathological variables were collected, as well as complications and evolution after RC. Comparative analysis included Chi square test and ANOVA technique. Survival analysis was performed using Kaplan-Meier method and log-rank test. Univariate and multivariate analyses were performed using logistic regression to identify the independent predictors of CSM. The individual probability of CSM was calculated at 1, 3 and 5 years according to the general equation (logistic function). Calibration was obtained by the Hosmer-Lemeshow method and discrimination with the elaboration of a ROC curve (area under the curve). RESULTS: BC was the cause of death in 225 patients (45%). One, three and five-year CSM were 17%, 39.2% and 46.3%, respectively. The pT and pN stages were identified as independent prognostic variables of CSM at 1, 3 and 5 years. Three prediction models were built. The predictive capacity was 70.8% (CI 95% 65-77%, p=.000) for the 1st year, 73.9% (CI95% 69.2-78.6%, p=.000) for the third and 73.2% (CI% 68.5-77.9%, p=.000) for the 5th. CONCLUSIONS: The prediction model allows the estimation of CSM risk at 1, 3 and 5 years, with a reliability of 70.8, 73.9 and 73.2%, respectively.

When to perform renal biopsy in patients with type2 diabetes mellitus? Predictive model of non-diabetic renal disease. / ¿Cuándo realizar biopsia renal en pacientes con diabetes mellitus tipo2? Modelo predictivo de enfermedad renal no diabética.

INTRODUCTION: Diabetic nephropathy (DN) is one of the most frequent complications in patients with diabetes mellitus (DM) and its diagnosis is usually established on clinical grounds. However, kidney involvement in some diabetic patients can be due to other causes, and renal biopsy might be needed to exclude them. The aim of our study was to establish the clinical and analytical data that predict DN and no-diabetic renal disease (NDRD), and to develop a predictive model (score) to confirm or dismiss DN. MATERIAL AND METHODS: We conducted a transversal, observational and retrospective study, including renal biopsies performed in type2 DM patients, between 2000 and 2018. RESULTS: Two hundred seven DM patients were included in our study. The mean age was 64.5±10.6 years and 74% were male. DN was found in 126 (61%) of the biopsies and NDRD in 81 (39%). Diabetic retinopathy was presented in 58% of DN patients, but only in 6% of NDRD patients (P<.001). Patients with NDRD were diagnosed of primary glomerulopathies (52%), nephroangiosclerosis (16%), inmunoallergic interstitial nephritis (15%) and vasculitis (8.5%). In the multivariate analysis, retinopathy (OR26.7; 95%CI: 6.8-104.5), chronic ischaemia of lower limbs (OR4,37; 95%CI: 1.33-14.3), insulin therapy (OR3.05; 95%CI: 1.13-8.25), time course of DM ≥10years (OR2.71; 95%CI: 1.1-6.62) and nephrotic range proteinuria (OR2.91; 95%CI: 1.2-7.1) were independent predictors for DN. Microhaematuria defined as ≥10 red blood cells per high-power field (OR0.032; 95%CI: 0.01-0.11) and overweight (OR0.21; 95%CI: 0.08-0.5) were independent predictors of NDRD. According to the predictive model based on the multivariate analysis, all patients with a score >3 had DN and 94% of cases with a score ≤1 had NDRD (score ranked from -6 to 8points). CONCLUSIONS: NDRD is common in DM patients (39%), being primary glomerulonephritis the most frequent ethology. The absence of retinopathy and the presence of microhematuria are highly suggestive of NDRD. The use of our predictive model could facilitate the indication of performing a renal biopsy in DM patients.