MODELOS DE PREDICCIÓN PARA EL DIAGNÓSTICO Y EL PRONÓSTICO DE COVID-19

Maastricht, Países Bajos Se analiza la confiabilidad de distintos modelos para predecir la necesidad de internación por neumonía u otras complicaciones en la población general, modelos diagnósticos para la detección de la infección por el nuevo coronavirus y modelos para predecir el riesgo de mortalidad, la progresión a enfermedad grave y la duración de la internación. Los resultados indican que las estimaciones no son suficientemente confiables para su implementación en la práctica diaria. La aplicación de modelos predictivos poco confiables podría generar más daño que beneficio.

BMJ 369(1328):1-11

Autores:
Wynants L

Institución/es participante/s en la investigación:
Maastricht University

Título original:
Prediction Models for Diagnosis and Prognosis of Covid-19 Infection: Systematic Review and Critical Appraisal

Título en castellano:
Modelos de Predicción para el Diagnóstico y el Pronóstico de COVID-19: Revisión Sistemática y Valoración Crítica

Extensión del  Resumen-SIIC en castellano:
2.04 páginas impresas en papel A4

ReSIIC editado en:  Infectología  Salud Pública  Administración Hospitalaria  Atención Primaria  Bioquímica  Cardiología  Cuidados Intensivos  Diagnóstico por Imágenes  Diagnóstico por Laboratorio  Educación Médica  Epidemiología  Geriatría  Medicina Interna  Neumonología

Introducción
La enfermedad por el nuevo coronavirus 2019 (COVID-19) representa una importante amenaza para la salud pública del mundo. Desde la descripción de los primeros casos, en diciembre de 2019 en la Provincia de Hubei, China, el número de pacientes con COVID-19 confirmada superó los 775 000 en más de 160 países y probablemente la cantidad de sujetos infectados sea mucho más alta. Hasta 30 de marzo de 2020, más de 36 000 pacientes murieron por COVID-19. A pesar de las iniciativas de las autoridades sanitarias para limitar la epidemia y retrasar la diseminación del virus, numerosos países enfrentan una situación de emergencia sanitaria. Los brotes infecciosos se asocian con aumentos sustanciales de la demanda de atención hospitalaria, reducción de la disponibilidad de equipamiento médico y riesgo alto de infección entre los profesionales de la salud. Con la finalidad de atenuar las consecuencias negativas y de brindar la mejor atención posible a los enfermos se deben crear modelos que permitan predecir, de manera eficiente, el diagnóstico y el pronóstico de la enfermedad. De hecho, la estimación de riesgo de infección o de evolución clínica adversa, entre los pacientes infectados, permitiría una mejor asignación de los recursos para la salud, por lo general muy limitados en estas situaciones críticas. El objetivo del presente estudio fue revisar sistemáticamente y realizar un análisis crítico de los modelos disponibles de predicción para COVID-19, para lo cual se aplicó el modelo propuesto por el Cochrane Prognosis Methods Group.

Métodos
La información, publicada después del 3 de enero de 2020 y hasta 24 de marzo de 2020, se identificó a partir de búsquedas en Ovid, bioRxiv, y arXiv. Se consideraron todos los trabajos, de manera independiente del lenguaje o el año de publicación, en los cuales se crearon o validaron modelos de variables múltiples o modelos de puntuación, sobre la base de datos individuales de los pacientes, para la predicción de cualquier variable clínica vinculada con COVID-19, por ejemplo, el riesgo de neumonía en la población general.

Resultados
Se identificaron 27 estudios con 31 modelos de predicción. Tres modelos fueron creados para la predicción de la necesidad de internación por neumonía u otras complicaciones en la población general, 18 para la predicción diagnóstica de COVID-19, y 10, para la predicción pronóstica (riesgo de mortalidad, riesgo de progresión a enfermedad grave y duración de la internación). Sólo en un estudio se incluyeron pacientes no chinos. Los factores que mejor predijeron la presencia de COVID-19 en pacientes con diagnóstico presuntivo de la enfermedad fueron la edad, la temperatura corporal, los signos y los síntomas. Los mejores parámetros predictivos de pronóstico desfavorables fueron la edad, el sexo, los hallazgos en la tomografía computarizada, los niveles séricos de proteína C-reactiva y láctico deshidrogenasa, y el recuento de linfocitos. Los valores estimados del índice C estuvieron entre 0.73 y 0.81 en los modelos de predicción en la población general, de 0.81 a más de 0.99 en los modelos diagnósticos (13 de los 18 modelos identificados) y de 0.85 a 0.98 en los modelos pronósticos (en 6 de los 10 modelos). Todos los trabajos presentaron riesgo alto de sesgo, esencialmente como consecuencia de la selección no representativa de los controles, y la exclusión de sujetos que no presentaron eventos de interés al final del seguimiento. La calidad de los estudios difirió sustancialmente entre los estudios.

Conclusión
El incremento pronunciado de COVID-19 ha generado situaciones de emergencia sanitaria en todo el mundo; en este contexto se requieren con urgencia modelos eficientes para la detección precoz, la confirmación diagnóstica en los pacientes con posible COVID-19 y la predicción del pronóstico, en los enfermos con infección confirmada. Las pruebas destinadas a la detección de material nucleico viral y la tomografía computarizada de tórax son los métodos diagnósticos estándar, pero con limitaciones prácticas sustanciales. Los primeros estudios sugirieron que los pacientes de edad avanzada, los enfermos con comorbilidades (enfermedad pulmonar obstructiva crónica, enfermedad cardiovascular e hipertensión arterial, entre otras) y los enfermos que presentan disnea son más susceptibles a tener morbilidad grave y a fallecer por COVID-19. En el presente estudio se identificaron 3 modelos aptos para predecir la necesidad de internación por neumonía u otras complicaciones en la población general, 18 modelos diagnósticos para la detección de la infección por el nuevo coronavirus (13 de ellos sobre la base de los resultados observados en la tomografía computarizada) y 10 modelos para predecir el riesgo de mortalidad, la progresión a enfermedad grave y la duración de la internación. Sin embargo, todos los modelos tuvieron limitaciones importantes en la publicación y riesgo alto de sesgo, de modo que las estimaciones podrían no ser confiables en la práctica diaria. Se requieren con urgencia datos individuales de enfermos, bien documentados, para iniciar esfuerzos de colaboración destinados a crear modelos más precisos; los modelos identificados hasta ahora podrían ser la base en este sentido. Se destaca la importancia de la adhesión a normas de transparencia (transparent reporting of a multivariable prediction model for individual prognosis or diagnosis [TRIPOD]) para que los modelos sean confiables, ya que las predicciones no confiables pueden ser más dañinas que beneficiosas, en el momento de tomar decisiones clínicas.