Introducció: Actualment els clínics dels serveis d’urgències no disposem d’un model de diagnòstic de dolor de la fosa ilíaca dreta (FID).
Objectiu: Construcció d’un model senzill basat amb arbres de classificació (CHAID) i model de xarxa neuronal artificial (XNA) que combini els models clàssics, marcadors d’inflamació, característiques del pacient i clínica del dolor en FID a Urgències.
Metodologia: Estudi prospectiu observacional on s’inclogueren pacients majors de 14 anys que van acudir al servei d’urgències de l’hospital Universitari Arnau de Vilanova de Lleida per dolor a la FID, de més de 6h d’evolució. Durant el temps d’estudi a tots se’ls hi van recollir les principals característiques demogràfiques, es van determinar els nivells de leucocits , proteica C reactiva (PCR) i les variables referents a la clínica i exploració física que formen els models clàssics de diagnòstic de d’apendicitis aguda (AA). Construcció d’un model multivariable multinominal amb metodologia CART (Clasification and Regression Trees, selecció automàtica amb jerarquia de variables, punts de tall de variables continues i sistema de validació creuada). Valoració mitjançant anàlisis ROC ( AUC (CI 95%)).
Resultats: Es van recollir 252 casos, 53% eren homes. Edat mitjana 33.3-16 anys. Diagnòstics finals en 4 grups:1 - Dolor simple en FID (dFID) 45%, 2 - Apendicitis aguda (AA) 37%, 3 - Dolor abdominal sense procés infamatori (DACPI) 12%, 4 - Dolor abdominal amb procés inflamatori (DACPI) 6%. Rendiment dels models senzills: Alvarado score (ALS) amb 0.82(0.76-0.87) i PCR amb 0.83(0.77-0.88), Fenyö-Linberg score (FLS) amb 0.88(0.84-0.92). Model XNA determina 4 grups de diagnòstics amb probabilitat: dFID de 0,92(0,88-0,96), AA de 0.95(0.91-0.98), DASPI de 0.92(0.84-0.99) i DACPI de 0,84(0,70-0,99). El CHAID selecciona les variables ALS, PCR, gènere, hores d’evolució de la clínica i dolor amb la tos. El CHAID determina 10 grups de pacients (regles de decisió): 3 amb probabilitat de DFID (71,1-84,4-87%), 5 amb probabilitat e AA (52-52,6-72,7-72,7-94,1%) i 1 amb probabilitat de DASPI 60% i 1 sense probabilitat individual superior al 50%. L’AC aconsegueix un rendiment per a DFID de 0.89(0.85-0.93), per a AA de 0.93(0.90-0.96),, per a DASPI de 0.86 (0.81-0.92) i per a DACPI de 0.82(0.73-0.90).
Conclusions: Per separat, el rendiment diagnòstic dels scores clàssics o de la PCR és insuficient per estratificar la probabilitat diagnosticada en pacients amb dolor en FID. La metodologia basada en CHAID ofereix una eina senzilla per establir a urgències grups de pacients amb diferent ris diagnòstic. El model XNA aconsegueix classificar als pacients però te una interpretació nul·la de la red obtinguda. El CHAID troba grups amb una altra probabilitat de AA i de dFID. Els pacients amb dubtes de diagnòstic es beneficiaran de més probes diagnòstiques i/o període en observació. / Introducción: Actualmente los clínicos de los servicios de urgencias no
disponemos de un modelo de diagnóstico de dolor en fosa ilíaca derecha
(FID).
Objetivo: Elaboración de un modelo de diagnóstico sencillo basado en
árboles de clasificación (CHAID) y en un modelo de red neuronal artificial
(RNA) que combine los modelos clásicos, los marcadores de inflamación
sistémica y las características del paciente que presenta clínica de dolor
en FID en Urgencias.
Metodología: Estudio prospectivo observacional en el que se incluyeron
pacientes mayores de 14 años que acudieron a servicio de urgencias del
Hospital Universitario Arnau de Vilanova de Lleida por dolor en FID de
más de 6 h. de evolución. Durante el tiempo de duración del estudio se
recogieron una serie de parámetros a todos los pacientes entre los cuáles
destacan sus características demográficas, nivel de leucocitos y proteína
C reactiva (PCR) en suero junto a variables clínicas y de exploración física
que determinan los modelos clásicos de diagnóstico de apendicitis aguda
(AA). Se construyó un modelo multivariable multinomial con metodología
CART (Clasification and Regression Trees, selección automática con
jerarquía de variables , puntos de corte de variables continuas y sistema
de validación cruzada). Valoración mediante análisis ROC -AUC(CI 95%)-.
Resultados: Se obtuvo una N= 252 casos. La distribución por sexo fue
53% hombres y 47% mujeres. Edad media 33.3±16 años. Los
diagnósticos finales obtenidos se clasificaron en 4 grupos con la siguiente
distribución: 1- Dolor simple en FID (dFID) 45%, 2- Apendicitis aguda
(AA) 37%, 3- Dolor abdominal sin proceso inflamatorio (DASPI) 12%, 4-
Dolor abdominal con proceso inflamatorio (DACPI) 6%. Rendimiento de
los modelos sencillos: Alvarado score (ALS) con 0.82(0.76-0.87) y PCR con 0.83(0.77-0.88), Fenyö-Linberg score (FLS) con 0,88(0,84- 0,92).
Modelo RNA grupos diagnósticos con la siguiente probabilidad: dFID de
0,92(0,88-0,96), AA de 0,95(0,91-0,98), DASPI de 0,92(0,84-0,99) y
DACPI de 0,84(0,70-0,99. El CHAID selecciona las variable ALS, PCR,
género, horas de evolución de la clínica y dolor con la tos, determinando
10 grupos de pacientes (reglas de decisión): 3 con probabilidad de dFID
(71,1-84,4-87%), 5 con probabilidad de AA (52-52,6-72,7-72,7-94,1 %) y
1 con probabilidad de DASPI 60% y 1 sin probabilidad individual superior
al 50 %. El AC consigue un rendimiento para dFID de 0.89(0.85-0.93),
para AA de 0.93(0.90-0.96), para DASPI de 0.86(0.81-0.92) y para
DACPI de 0.82(0.73-0.90).
Conclusiones: Por separado, el rendimiento diagnóstico de los scores
clásicos o de la PCR es insuficiente para estratificar la probabilidad
diagnóstica en pacientes con dolor en FID. La metodología basada en
CHAID ofrece una herramienta sencilla para establecer en Urgencias
grupos de pacientes con distinto riesgo diagnóstico. El modelo RNA
consigue clasificar a los pacientes pero tiene nula interpretación de la red
obtenida. El CHAID encuentra grupos con alta probabilidad de AA y de
dFID. Los pacientes con dudas diagnósticas se beneficiarán de más
pruebas diagnósticas y/o período de observación. / Introduction: Nowadays, the professionals of emergency departments do
not have the diagnostic algorithm for right iliac fossa pain (RIF).
Objectives: Construction of simple diagnostic algorithm for RIF pain
based on Classification Tree and Artificial Neural Network (ANN)
methods, which combines classical models for diagnosis acute
appendicitis, inflammatory markers, patient characteristics and clinic
RIF pain in Emergency Department.
Methods: The prospective observational study, which includes patients,
older then 14 years, with RIF pain who were admitted in Emergency
Department of University Hospital Arnau de Villanova of Lleida. The
signs, symptoms, laboratory values and pathology reports of each patient
were collected and evaluated. The construction of multinomial
multivariable model was done using CART methodology (Classification
and Regression Trees, autonomic selection of hierarchy of variables, cutoff
points of continuous variables and cross-validation) and Artificial
Neural Network (ANN) method. Valuation was done using ROC analysis
(AUC (95% CI)).
Results: Out of total 252 patients, 53% were males. The age ranged
33.3±16 years. Final diagnosis we divided in 4 groups: 1- (NsP) Nonspecific
RIF pain (45 %), 2 – (AA) Acute appendicitis (37%), 3 - (NID)
other abdominal disease without inflammation (12%), 4 - (IBD)
Inflammatory bowel disease (6.0 %). Efficiency of simple models:
Alvarado score (ALS) 0,82(0,76- 0,87) and C-reactive protein (CRP)
0,83(0,77-0,88), Fenyö-Linberg score (FLS) 0,88(0,84-0,92). The CT
selects the variables of ASS, CRP, sex and duration of the clinical
symptoms determining 7 groups of patients (application of decision
rules): 3 groups of probability of AA (59,3-62,5-90,5%), 2 with probability
of NsP (68,9-82,6 %) and 2 without probability superior then 50%. The CT
shows the efficiency for AA of 0,89 (0,85-0,93), NsP 0,84 (0,79-0,89),
IBD of 0,84 (0,78-0,90) and for NID 0,66 (0,57-0,75). Conclusions: The classic score and CRP have insufficient diagnostic
efficiency to stratify the diagnostic probability to patients with right iliac
fossa pain. The methodology based on CHAID offer us the simple way to
establish the groups of patients with different diagnostic in Emergency
Department. The ANN method obtains to classify the patients but it has
no interpretation. The decision tree technique finds high probability of
the groups with AA and NsP. The patients with questionable diagnostic
will benefit of another diagnostic proofs o longer observation period.
| Identifer | oai:union.ndltd.org:TDX_UDL/oai:www.tdx.cat:10803/286225 |
| Date | 17 September 2014 |
| Creators | Gudelis, Mindaugas |
| Contributors | Trujillano Cabello, Javier, Lacasta García, José Daniel, Montero Matamala, Antonio, Universitat de Lleida. Departament de Cirurgia |
| Publisher | Universitat de Lleida |
| Source Sets | Universitat de Lleida |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/publishedVersion |
| Format | 154 p., application/pdf |
| Source | TDX (Tesis Doctorals en Xarxa) |
| Rights | ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs., info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds