Prediciendo los resultados de pacientes con accidente cerebrovascular al alta

Cada año, alrededor de 15 millones de personas en todo el mundo sufren un accidente cerebrovascular. Esta condición grave causa alrededor de cinco millones de muertes y otros cinco millones de personas viven con discapacidades relacionadas con los accidentes cerebrovasculares. Los servicios de Rehabilitación son muy importantes para ayudar a los pacientes a recuperarse y hacerse independientes.

Antes de ser dados de alta del hospital, los pacientes con accidente cerebrovascular deberían pasar por una evaluación formal para revisar sus actividades diarias, habilidades de comunicación y capacidad para moverse. Los resultados de estas evaluaciones deben usarse para ayudar a planificar su cuidado y proceso de alta. Al decidir a dónde irá un paciente después de su estancia, los doctores consideran qué tan bien podrían recuperarse como un factor clave. Esto significa que predecir la condición de un paciente en el momento del alta, basado en su evaluación inicial, puede ayudar mucho a crear planes de rehabilitación personalizados.

#Herramientas de Predicción

Revisiones recientes han mostrado que se han creado varias herramientas para predecir diferentes resultados para pacientes con accidente cerebrovascular, incluyendo su independencia, capacidad para usar los brazos, caminar y tragar. Sin embargo, muchos estudios anteriores se han centrado en predecir solo un resultado a la vez. En un entorno clínico, es esencial predecir la condición general del paciente, que debería incluir múltiples resultados al momento del alta en vez de solo uno. Por ejemplo, un paciente podría ser capaz de caminar independientemente pero aún necesitar ayuda con la comunicación o habilidades de pensamiento. Desafortunadamente, estudios anteriores no han proporcionado un modelo integral para predecir estas características generales de los pacientes. Por lo tanto, hay necesidad de un nuevo modelo de predicción que pueda evaluar la situación general de los pacientes con accidente cerebrovascular al dejar el hospital.

#Usando Análisis de Clases Latentes

Para abordar estos problemas, usamos un método llamado análisis de clases latentes (LCA). Este método ayuda a clasificar a los pacientes en diferentes grupos basada en características que no son fáciles de medir directamente. LCA es útil cuando las diferencias entre los pacientes están influenciadas por varios factores subyacentes. Con este análisis, podemos identificar clases de características generales de los pacientes, como a dónde irán después del alta, qué tan bien pueden moverse y cuánto tiempo permanecieron en el hospital. Luego, podemos crear un modelo para predecir a qué clase pertenece un paciente basado en su evaluación inicial.

#Antecedentes del Estudio

Nuestro estudio analizó datos de la Asociación Japonesa de Base de Datos de Rehabilitación. Obtuvimos información de pacientes admitidos a hospitales entre enero de 2005 y marzo de 2016. Dado que todos los datos fueron anonimizados, no tuvimos que pedir consentimiento individual. La investigación fue aprobada por el comité de ética de la Universidad de Servicios Humanos de Kanagawa.

Recopilamos información sobre pacientes que habían sufrido accidentes cerebrovasculares, incluyendo su edad, tipo de accidente cerebrovascular, qué tan grave era su condición y el tipo y duración de la rehabilitación que recibieron durante su estancia. Se recopilaron datos de un total de 33,657 pacientes en 2016, involucrando 80 hospitales. Específicamente, nos enfocamos en datos de 10,270 pacientes con accidente cerebrovascular que fueron admitidos en hospitales de cuidados agudos.

#Criterios de Inclusión y Exclusión

Para ser incluidos en este estudio, los pacientes debían cumplir con ciertos criterios:

1. Debían haber tenido un accidente cerebrovascular agudo y haber sido admitidos en uno de los hospitales de la base de datos entre 2005 y 2015.
2. Tenían que tener al menos 18 años.
3. Necesitaban haber recibido alguna forma de rehabilitación durante su estancia en el hospital.

Se excluyeron a los pacientes con las siguientes condiciones:

1. Aquellos sin datos de edad al ingreso.
2. Aquellos sin información sobre su destino de alta.
3. Aquellos menores de 18 años.
4. Pacientes que no recibieron rehabilitación durante su estancia.
5. Individuos que fueron admitidos más de siete días después de que ocurrió su accidente cerebrovascular.
6. Pacientes que recibieron más de nueve unidades (o 180 minutos) de rehabilitación cada día.
7. Individuos que permanecieron en el hospital por menos de un día o más de 179 días.
8. Pacientes que faltaban datos en evaluaciones específicas al ingreso o alta.
9. Pacientes que faltaban datos en todos los ítems de FIM tanto al ingreso como al alta.

#Variables de Resultado al Alta

Después de revisar estudios pasados, seleccionamos variables de resultado específicas para evaluar al alta usando LCA. Estas incluyeron:

• Habilidades funcionales (actividades diarias)
• Funciones Cognitivas (pensamiento y comprensión)
• Función de extremidades superiores (capacidad para usar los brazos)
• Duración de la estancia en el hospital
• Destino de alta (a dónde va el paciente después de dejar el hospital)

Se utilizó la Medida de Independencia Funcional (FIM) para evaluar las habilidades funcionales al alta, que incluye 18 ítems que muestran cuánta ayuda necesita una persona para realizar actividades diarias.

Las funciones cognitivas también se evaluaron usando la subescala cognitiva del FIM, enfocándose en la comprensión, expresión e interacción social. Estos factores son cruciales, ya que las dificultades en entender o comunicarse pueden afectar significativamente la recuperación de un paciente.

La función de extremidades superiores se midió usando puntajes de la Escala de Accidentes Cerebrovasculares del Instituto Nacional de Salud (NIHSS), que evalúa la gravedad de la condición del paciente. La duración de la estancia varió según la gravedad del accidente cerebrovascular y las necesidades del paciente. Los destinos de alta se definieron como hogar, otros hospitales, instalaciones de rehabilitación, muerte u otros resultados.

#Variables Predictoras

El estudio también consideró ciertas variables predictoras que podrían influir en los resultados de los pacientes al alta. Estas incluyeron:

• Edad
• Habilidades funcionales
• Habilidades de comprensión
• Función de extremidades superiores
• Tipo de accidente cerebrovascular
• Cantidad de rehabilitación recibida durante la hospitalización

Estudios anteriores sugirieron que unas mejores habilidades funcionales iniciales y una menor edad aumentaban las posibilidades de ser dado de alta a casa. Consideramos varios factores de investigaciones pasadas para hacer nuestro modelo de predicción lo más preciso posible.

#Análisis Estadísticos

Para desarrollar el modelo de predicción usando LCA, seguimos un método de dos pasos. En el primer paso, realizamos LCA con nuestras variables de resultado seleccionadas para identificar las condiciones del paciente al alta. Se eligió el mejor modelo basado en criterios específicos para asegurarnos de que fuera el más efectivo.

En el segundo paso, predijimos la pertenencia a la clase del paciente al alta usando los predictores seleccionados en el primer paso. También abordamos cualquier dato faltante durante el análisis.

#Características de los Pacientes

Después de aplicar nuestros criterios, incluimos a 6,881 pacientes en el estudio. La edad promedio de los pacientes al ingreso era de 73.7 años, y la duración promedio de la estancia fue de 29.5 días. En general, hubo mejoras en los puntajes funcionales desde el ingreso hasta el alta.

#Clases Latentes de Características de los Pacientes al Alta

Usando LCA, clasificamos a los 6,881 pacientes en diferentes clases según sus resultados al alta. Examinamos modelos con 1 a 12 clases para encontrar el mejor ajuste. El estudio encontró que el modelo de nueve clases era el más interpretable y clínicamente relevante.

Cada clase reflejaba diferentes condiciones de los pacientes al alta, con la Clase 1 representando aquellos con las condiciones más leves y la Clase 2 indicando las condiciones más severas.

#Predictores de Membresía a la Clase

Todos los predictores fueron significativos en predecir resultados al alta. Las mayores probabilidades de pertenecer a clases específicas estaban relacionadas con los puntajes de función de extremidades superiores medidos al ingreso. La cantidad de rehabilitación diaria tuvo efectos variados dependiendo de la condición del paciente.

#Aplicación del Modelo

Nuestro modelo de predicción identificó con éxito características generales de los pacientes en accidentes cerebrovasculares agudos al alta. Puede guiar a los proveedores de salud en ofrecer las intervenciones más adecuadas para cada individuo.

Por ejemplo, si un paciente tiene 85 años con una discapacidad severa en un lado de su cuerpo y recibe cierta cantidad de rehabilitación, el modelo puede predecir que este paciente probablemente necesitará asistencia con actividades diarias y comunicación al ser dado de alta.

#Conclusión

En conclusión, nuestro estudio desarrolló un modelo para predecir las condiciones generales de los pacientes al alta, enfocándose en la intensidad de rehabilitación apropiada en pacientes con accidente cerebrovascular. Sin embargo, se necesita una validación adicional de este modelo de predicción antes de que pueda ser utilizado en entornos clínicos. Investigaciones futuras podrían mejorar la comprensión de cómo diferentes factores influyen en los resultados de rehabilitación basados en las características individuales de los pacientes.