Statistical and Prognostic Modeling of Clinical Outcomes with Complex Physiologic Data

Abstract

Los análisis de laboratorio son el recurso principal para diagnosticar las enfermedades de los pacientes. Sin embargo, los médicos suelen tomar decisiones basadas en un único resultado de laboratorio, teniendo una perspectiva limitada del papel de los parámetros medidos comúnmente para mejorar los diagnósticos. Proporcionando un perfil dinámico del paciente, el diagnóstico podría ser más preciso y oportuno, permitiendo a los médicos anticipar cambios en la trayectoria de recuperación. El monitoreo del sistema circulatorio es fundamental para los pacientes en unidades de cuidados intensivos (UCI). Un componente de este sistema es el recuento de plaquetas, que se utiliza para evaluar la coagulación sanguínea. Para caracterizar el valor de los cambios dinámicos en el recuento de plaquetas, se aplicaron métodos analíticos a datos de pacientes críticamente enfermos en un grupo homogéneo de pacientes con cirugía cardíaca en UCI y en un grupo heterogéneo de pacientes en UCI con diferentes afecciones y varias admisiones. El objetivo era determinar un conjunto mínimo de marcadores fisiológicos que podrían ayudar a los médicos a evaluar el riesgo de complicaciones. Los resultados evidenciaron un comportamiento diferente de éstos en sobrevivientes y no sobrevivientes durante los primeros 8 a 10 días, luego de la admisión a UCI.

The objective of this study was to develop a methodology to anticipate adverse events using metrics that capture dynamic changes of platelet counts in a homogeneous population, then redefine the methodology for a more heterogeneous and complex dataset. The methodology was extended to analyze other important physiological parameters of the circulatory system (i.e., calcium, albumin, anion gap, and total carbon dioxide). Finally, the methodology was applied to simultaneously analyze some parameters enhancing the predictive power of various models. This methodology assesses dynamic changes of clinical parameters for a heterogeneous population of ICU patients, defining rates of change determined by multiple point regression and by the simpler fixed time parameter value ratios at specific time intervals. Both metrics provide prognostic information, differentiating survivors from non-survivors and have demonstrated being more predictive than complex metrics and risk assessment scores with greater dimensionality. The goal was to determine a minimal set of biomarkers that would better assist care providers in assessing the risk of complications, allowing them alterations in the management of patients. These metrics should be simple and their implementation would be feasible in any environment and under uncertain conditions of the specific diagnosis and the onset of an acute event that causes a patient’s admission to the ICU.