Objetivos: Los triggers son signos centinela que nos ayudan a detectar la presencia de eventos adversos (EA) en la historia clínica, permitiendo la selección de historias y su análisis más en detalle. El objetivo es definir para cirugía torácica aquellos con mejor valor predictivo.

Métodos: Estudio retrospectivo, observacional sobre una muestra de pacientes intervenidos de resección pulmonar en el servicio, durante los meses de octubre de 2018 a septiembre de 2019. Selección aleatorizada de una muestra de 193 pacientes (precisión 4%, probabilidad esperada 30%, nivel de confianza 95% y tamaño de población de 250 pacientes). Se realiza una revisión sistematizada de la historia clínica electrónica para la determinación y análisis de EA. Teniendo en cuenta la propuesta de triggers del Institute for Healthcare Improvement (IHI), se consideran los siguientes: o Generales: estancia hospitalaria > 8 días, estancia en reanimación > 48 h, reingreso hospitalario en los primeros 30 días, reingreso en reanimación. o Cuidados: sujeción mecánica, diálisis, reanimación cardiopulmonar, ventilación mecánica > 24 h, reintubación, transfusión de hemoderivados, tratamientos invasivos (quirúrgicos, radiológicos y endoscópicos), sobresedación, uso de vitamina K, uso de difenilhidantoína, cese brusco de tratamiento, soportes nutricionales especiales (enteral o parenteral). Pruebas complementarias y otras valoraciones: cultivo positivo, pruebas diagnósticas no habituales (radiológicas, endoscópicas), interconsultas de hospitalización no programadas. Se realiza un análisis descriptivo con descriptores básicos, e inferencial para la selección de triggers individuales y generación de un conjunto óptimo seleccionando aquellos con mejor Índice de Youden, y ajuste de un modelo de regresión logística.

Resultados: Una vez analizados los triggers de cada módulo por separado, se juntaron todos en un mismo modelo y se seleccionaron los de índice de Youden más elevado. Estancia > 8 días, (IY = 0,53). N = 65 (33,68%), No EA = 11 (16,02%), Si EA = 54 (83,08%), p < 0,001. Interconsultas de hospitalización no planificadas (IY = 0,336). N = 34 (17,62%), No EA = 3 (8,82%), Sí EA = 31 (91,18%) p < 0,001. Tratamiento al alta con antibióticos (IY = 0,297). N = 36 (18,65%), No EA = 6 (16,7%), Si EA = 30 (83,33%) p < 0,001. Pruebas radiológicas no habituales (IY = 0,235), y se obtuvo un trigger combinado con estos cuatro seleccionados. N = 20 (10,36%), No EA = 0 (0,00%), Sí EA 20 (100%) p < 001. La capacidad predictiva de este trigger combinado seleccionado fue S: 86%, E: 86%, VPP: 83%, VPN: 89%, con AUC: 0,860 (0,810-0,910). Un individuo que presentaba alguno de los triggers de este modelo tiene 37,7 veces más probabilidades de desarrollar EA que un paciente que no lo tenía. OR = 37,7, IC95% (17,3,89,4) p < 0,001.

Conclusiones: El uso de triggers es una herramienta de gran utilidad que permiten optimizar el proceso de revisión de historias clínicas para la detección de EA. Se ha logrado diseñar un modelo de triggers, con una reducción suficiente, que aporta buen valor predictivo de presencia de EA.