se ha leído el artículo
array:22 [ "pii" => "S012272622300068X" "issn" => "01227262" "doi" => "10.1016/j.acci.2023.07.008" "estado" => "S300" "fechaPublicacion" => "2024-01-01" "aid" => "422" "copyright" => "Asociación Colombiana de Medicina Crítica y Cuidado lntensivo" "copyrightAnyo" => "2023" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Acta Colomb Cuid Intensivo. 2024;24:1-9" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "itemSiguiente" => array:18 [ "pii" => "S0122726223000769" "issn" => "01227262" "doi" => "10.1016/j.acci.2023.09.002" "estado" => "S300" "fechaPublicacion" => "2024-01-01" "aid" => "431" "copyright" => "Asociación Colombiana de Medicina Crítica y Cuidado lntensivo" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Acta Colomb Cuid Intensivo. 2024;24:10-8" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:13 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Original</span>" "titulo" => "Programa de detección y control de la infección y colonización de enterobacterias productoras de carbapenemasas en una Unidad de Cuidados Intensivos Pediátricos en Colombia" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "10" "paginaFinal" => "18" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Program for detection and control of infection and colonization of carbapenemase-producing Enterobacteriaceae in a Pediatric Intensive Care Unit in Colombia" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 2584 "Ancho" => 2861 "Tamanyo" => 225446 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Flujograma del Programa de detección y control de Infección y colonización por EPC.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Carolina Bonilla González, Nathalie Gualdron Barreto, Pedro Alexander Barrera López, Camila Uribe, Ricardo Elías Núñez Rocha, Aura Lucia Leal Castro, Gonzalo Andrés Montaño Rozo" "autores" => array:7 [ 0 => array:2 [ "nombre" => "Carolina" "apellidos" => "Bonilla González" ] 1 => array:2 [ "nombre" => "Nathalie" "apellidos" => "Gualdron Barreto" ] 2 => array:2 [ "nombre" => "Pedro Alexander" "apellidos" => "Barrera López" ] 3 => array:2 [ "nombre" => "Camila" "apellidos" => "Uribe" ] 4 => array:2 [ "nombre" => "Ricardo Elías" "apellidos" => "Núñez Rocha" ] 5 => array:2 [ "nombre" => "Aura Lucia" "apellidos" => "Leal Castro" ] 6 => array:2 [ "nombre" => "Gonzalo Andrés" "apellidos" => "Montaño Rozo" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0122726223000769?idApp=UINPBA00004N" "url" => "/01227262/0000002400000001/v1_202403140646/S0122726223000769/v1_202403140646/es/main.assets" ] "es" => array:20 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">ORIGINAL</span>" "titulo" => "Validación externa y actualización de un modelo predictivo de lesión renal aguda en pacientes adultos hospitalizados en cuidados intensivos" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "1" "paginaFinal" => "9" ] ] "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "Sandra Piedad Rincón-Castellanos, Jorge Luis Barrios-Meza, Diego Fernando Rojas-Gualdrón" "autores" => array:3 [ 0 => array:4 [ "nombre" => "Sandra Piedad" "apellidos" => "Rincón-Castellanos" "email" => array:1 [ 0 => "piedadcastellanos@gmail.com" ] "referencia" => array:3 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] 2 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">*</span>" "identificador" => "cor0005" ] ] ] 1 => array:3 [ "nombre" => "Jorge Luis" "apellidos" => "Barrios-Meza" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] ] ] 2 => array:3 [ "nombre" => "Diego Fernando" "apellidos" => "Rojas-Gualdrón" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] ] ] ] "afiliaciones" => array:2 [ 0 => array:3 [ "entidad" => "Medicina Interna, Clínica Somer, Rionegro, Antioquia, Colombia" "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:3 [ "entidad" => "Facultad de Medicina, Universidad CES, Medellín, Antioquia, Colombia" "etiqueta" => "b" "identificador" => "aff0010" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "External validation and update of a predictive model of acute kidney injury in adult patients hospitalized in intensive care" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1093 "Ancho" => 2085 "Tamanyo" => 145701 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Curvas de calibración de los modelos m0 a m6.</p>" ] ] ] "textoCompleto" => "<span class="elsevierStyleSections"><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0065">Introducción</span><p id="par0005" class="elsevierStylePara elsevierViewall">La lesión renal aguda (LRA) es un deterioro abrupto de la función renal que se presenta con frecuencia en pacientes críticamente enfermos. Las estimaciones de incidencia de LRA varían entre reportes de las diferentes series y puede llegar hasta 40-50% de los pacientes admitidos a la unidad de cuidados intensivos (UCI). En pacientes críticamente enfermos, la LRA incrementa el riesgo de muerte, enfermedad cardiovascular, enfermedad renal crónica, el tiempo de estancia hospitalaria y puede llegar a producir un marcado deterioro de la calidad de vida en los sobrevivientes<a class="elsevierStyleCrossRefs" href="#bib0145"><span class="elsevierStyleSup">1,2</span></a>.</p><p id="par0010" class="elsevierStylePara elsevierViewall">Dadas sus potenciales secuelas, la identificación precisa y oportuna de pacientes en UCI de alto riesgo de LRA podría habilitar oportunidades para intervenciones diagnósticas, preventivas o incluso terapéuticas<a class="elsevierStyleCrossRefs" href="#bib0155"><span class="elsevierStyleSup">3–5</span></a>. En el estudio de Kate et al., de 2016, se estimó que entre 20 y 30% de los casos de LRA pueden ser evitados mediante predicción para la identificación temprana de pacientes de alto riesgo<a class="elsevierStyleCrossRef" href="#bib0170"><span class="elsevierStyleSup">6</span></a>.</p><p id="par0015" class="elsevierStylePara elsevierViewall">Para el diagnóstico de LRA la gran mayoría de los hospitales utilizan la creatinina sérica y la medición del gasto urinario por horario la cual es una estrategia avalada, económica y siempre disponible. Sin embargo, su desempeño predictivo no es suficiente, dado que estas variables tienden a alterarse tardíamente respecto al inicio de la enfermedad<a class="elsevierStyleCrossRef" href="#bib0175"><span class="elsevierStyleSup">7</span></a>. Esta particularidad conlleva a la necesidad de considerar modelos de estimación de riesgo que mejoren el desempeño comparativamente con factores aislados.</p><p id="par0020" class="elsevierStylePara elsevierViewall">Durante la última década se han desarrollado diferentes modelos de predicción que permiten estimar el riesgo de LRA en el paciente crítico, la gran mayoría no cuentan con estudios de validación externa. En una revisión sistemática realizada por Huang et al. en 2020, se identificó que dos cuentan con validación externa<a class="elsevierStyleCrossRef" href="#bib0180"><span class="elsevierStyleSup">8</span></a>. El modelo desarrollado por Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a> y el modelo de Flechet et al.<a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">10</span></a>. Los desempeños predictivos son similares, no obstante, el modelo de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a> está constituido por un menor número de variables que con alta frecuencia se recogen de forma rutinaria en la práctica clínica. Ninguna de las validaciones externas de modelos predictivos de LRA en UCI ha sido realizadas en Latinoamérica.</p><p id="par0025" class="elsevierStylePara elsevierViewall">Con el propósito de aportar evidencia para la toma de decisiones clínicas, este estudio tuvo como objetivo analizar el desempeño predictivo del modelo de riesgo de LRA de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a> en adultos hospitalizados en la UCI de la Clínica Somer (Colombia), entre los años 2017 y 2021.</p></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">Materiales y métodos</span><p id="par0030" class="elsevierStylePara elsevierViewall">Estudio aprobado por los comités de ética de la investigación en seres humanos de la Universidad CES (Acta 250 02/12/2020) y el comité de ética de la investigación de la Clínica Somer (Acta 33 22/02/2021). Se garantizó la confidencialidad y anonimato, así como el cumplimiento de la política de protección de datos de acuerdo con la normatividad nacional vigente. Este reporte sigue las recomendaciones de la declaración TRIPOD para publicaciones transparentes de modelos de predicción multivariables para pronóstico o diagnóstico<a class="elsevierStyleCrossRef" href="#bib0195"><span class="elsevierStyleSup">11</span></a>.</p><p id="par0035" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Fuente de los datos.</span> Estudio de validación externa con diseño de seguimiento retrospectivo a una cohorte basada en registros médicos. Se incluyeron registros de pacientes atendidos entre junio del 2017 y mayo del 2021. El tiempo máximo de seguimiento fue de siete días.</p><p id="par0040" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Participantes.</span> Se incluyeron, de forma consecutiva, los registros de todos los pacientes mayores de 18 años críticamente enfermos que fueron ingresados a la Unidad de Cuidados Intensivos de la Clínica Somer (Rionegro, Antioquia). Los criterios de exclusión fueron: pacientes con enfermedad renal crónica en terapia de reemplazo renal, pacientes con enfermedad renal terminal definida como una depuración de creatinina estimada menor a 15 mL/min, creatinina sérica basal mayor o igual a 4 mg/dL, ausencia de valores de creatinina al ingreso o el primer día de hospitalización en la UCI y pacientes que ya hayan presentado la LRA al momento de ingreso a la UCI.</p><p id="par0045" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Desenlace.</span> La variable de resultado primaria fue el desarrollo de LRA, definida como un aumento absoluto en el nivel de creatinina sérica por encima de 0,3 mg/dL en las primeras 48 horas o un incremento de 50% por encima del valor de referencia en los primeros siete días después del ingreso a la UCI. La creatinina de referencia se tomó de los registros de los siete a 365 días antes del ingreso, y en los casos donde no estaba disponible se utilizó la creatinina de ingreso.</p><p id="par0050" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Predictores.</span> Como predictores se consideraron las 10 variables incluidas en el modelo de predicción desarrollado por Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a>. Este considera cinco factores de riesgo crónicos: 1) enfermedad renal crónica, 2) enfermedad hepática crónica, 3) insuficiencia cardiaca congestiva, 4) hipertensión arterial, 5) enfermedad ateroesclerótica, y cinco factores de riesgo agudos: 6) pH ≤ 7, 30, 7) exposición a nefrotoxinas, 8) infección severa/sepsis, 9) ventilación mecánica, y 10) anemia. Las definiciones operacionales de estas variables fueron tomadas de acuerdo con las planteadas en el modelo original.</p><p id="par0055" class="elsevierStylePara elsevierViewall">Los datos de historia clínica se tomaron de los registros realizados por el médico especialista en cuidados intensivos. Para el caso de los predictores de laboratorio clínico, los datos fueron tomados directamente de los registros de laboratorio de la institución. Adicionalmente a las variables del modelo original, se registraron variables demográficas, clínicas, de laboratorio, y terapéuticas al momento de ingreso a la UCI y en las primeras 24 horas, con el propósito de considerarlas como candidatas para la actualización del modelo<a class="elsevierStyleCrossRef" href="#bib0200"><span class="elsevierStyleSup">12</span></a>. Algunas de ellas usadas en otros modelos de predicción con adecuada fuerza de asociación y relacionadas con buen desempeño en la predicción<a class="elsevierStyleCrossRefs" href="#bib0205"><span class="elsevierStyleSup">13,14</span></a>.</p><p id="par0060" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Tamaño de la muestra.</span> Con el supuesto de una incidencia de LRA de máximo 50% y un estadístico C de 0,81 (resultados de la validación externa reportada por Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a>), se definió por protocolo un tamaño de muestra mínimo de 1.000 participantes para estimar los valores de calibración y discriminación de un modelo predictivo de 10 variables, con una potencia de 80% y un margen de error de 5%<a class="elsevierStyleCrossRef" href="#bib0175"><span class="elsevierStyleSup">7</span></a>.</p><p id="par0065" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Datos perdidos.</span> Por protocolo se consideró realizar el análisis de desempeño predictivo sobre la muestra de participantes con datos completos en las 10 variables del modelo predictivo original.</p><p id="par0070" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Métodos de análisis estadístico.</span> El análisis descriptivo de la muestra de validación externa local se realizó mediante frecuencias y porcentajes para las variables categóricas y mediante mediana y rango intercuartil (RIC) para las variables cuantitativas. Adicionalmente, se estimó la incidencia de LRA en la primera semana en UCI y se estimaron las fuerzas de asociación ajustadas del modelo multivariable de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a> mediante <span class="elsevierStyleItalic">odds ratio</span> (OR), junto con intervalos de confianza de 95% (IC 95%) y valores p. Los resultados obtenidos en la muestra local fueron comparados con los reportados por el estudio original.</p><p id="par0075" class="elsevierStylePara elsevierViewall">Con relación a los análisis de validación se realizaron para el modelo original (m0), el modelo calibrado (m1 y m2) y el modelo actualizado (m3 a m6) siguiendo recomendaciones de análisis de validación externa<a class="elsevierStyleCrossRefs" href="#bib0215"><span class="elsevierStyleSup">15,16</span></a>. Los modelos fueron definidos de la siguiente forma:</p><p id="par0080" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Modelo original (m0).</span> Se aplicó a la muestra local la ecuación desarrollada por Malhotra en la probabilidad de LRA es igual a e<span class="elsevierStyleSup">a</span>/ (1 + e<span class="elsevierStyleSup"><span class="elsevierStyleItalic">a</span></span>), donde:</p><p id="par0085" class="elsevierStylePara elsevierViewall">a = (0,059 + [0,860 × enfermedad renal crónica] + [0,778 × enfermedad hepática crónica] + [0,720 × insuficiencia cardiaca congestiva] + [0,563 × hipertensión] + [0,490 × enfermedad coronaria] + [0,977 × pH ≤ 7,30] + [0,929 × exposición a nefrotóxicos] + [0,743 × sepsis] + [0,447 × ventilación mecánica] + [0,390 × anemia])<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a>.</p><p id="par0090" class="elsevierStylePara elsevierViewall">A estas variables dicotómicas se les asignaron valores de 1 para presencia y 0 para ausencia del factor de riesgo.</p><p id="par0095" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Modelos de calibración.</span> Se consideraron dos alternativas de calibración: (m1) agregando a la ecuación original un ajuste de intercepto β0, y (m2) añadiendo el ajuste de intercepto y un coeficiente de regresión global β1 para el modelo original. Estos fueron estimados mediante regresión logística con el modelo β0 + β1 score original.</p><p id="par0100" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Modelos de actualización.</span> Se consideraron cuatro alternativas de actualización: (m3) en el cual se parte de m2 y se modifican los coeficientes de regresión de las variables con OR diferente en la muestra local, (m4): donde se parte de m2 y se agregan nuevas variables predictoras, (m5): se reestiman todos los coeficientes de regresión de las 10 variables originales del modelo, y (m6) en el cual se parte de m5 y se añadieron nuevas variables predictoras. La reestimación de coeficientes de regresión (m3 y m5) se realizó mediante regresión logística. La selección de nuevas variables para adicionar a las 10 originales (m4 y m6) se realizó mediante el método de <span class="elsevierStyleItalic">least absolute shrinkage and selection operator</span> (Lasso).</p><p id="par0105" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Medidas de ajuste, discriminación y desempeño.</span> Para evaluar el desempeño de los diferentes modelos se realizaron pruebas de ajuste y capacidad discriminativa. Se estimaron la prueba de bondad de ajuste de Hosmer Lemeshow con valor p esperado mayor a 0,05 y razones de casos observados-esperados con valor esperado de 1. Estas dos pruebas se realizaron tomando 10 grupos percentiles. La capacidad discriminativa se valoró mediante el estadístico C con IC 95%. Adicionalmente, se presentan las curvas de calibración graficando la probabilidad esperada contra la probabilidad observada.</p><p id="par0110" class="elsevierStylePara elsevierViewall">Finalmente, para los mejores modelos de calibración y actualización se estimaron las medidas de sensibilidad (Sens), especificidad (Esp), índice de Youden (Sens+Esp-1) y el número necesario para diagnosticar (1/Youden), los valores predictivos positivo (VPP) y negativo (VPN), el índice de resumen predictivo (IRP = VPP+VPN-1) y el número necesario para predecir (1/IRP). Por último, se presentan las curvas de decisión comparando los beneficios netos de los diferentes modelos m0 a m6. El beneficio neto se estimó como (VP/n)-([FP/n]*[p/[1-p]]), donde VP son los verdaderos positivos, FP los falsos positivos, n el tamaño total de la muestra y p el umbral de probabilidad<a class="elsevierStyleCrossRef" href="#bib0225"><span class="elsevierStyleSup">17</span></a>.</p><p id="par0115" class="elsevierStylePara elsevierViewall">Los análisis estadísticos fueron ejecutados en el software STATA versión 17.0 (College Station, TX).</p></span><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">Resultados</span><p id="par0120" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Participantes.</span> Se identificaron en los registros médicos de la institución 1.495 pacientes que cumplieron los criterios de inclusión; entre estos 245 salieron por criterios de exclusión y de los 1.250 pacientes restantes solo 1.235 tenían los datos completos de las 10 variables. Finalmente, la muestra incluida y analizada en este estudio fue de 1.235 pacientes.</p><p id="par0125" class="elsevierStylePara elsevierViewall">La mediana de edad fue de 60 años (RIQ 45-60), y además 60% era de sexo masculino. La mortalidad global fue de 18%; pero los pacientes que desarrollaron LRA tuvieron una mortalidad más alta (36,1%) en comparación con los que no presentaron LRA (10,5%), las demás características clínicas y demográficas se resumen en la <a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a>. En la muestra total, 380 pacientes presentaron LRA para una incidencia acumulada durante la primera semana de UCI de 30,8%.</p><elsevierMultimedia ident="tbl0005"></elsevierMultimedia><p id="par0130" class="elsevierStylePara elsevierViewall">Se realizó un análisis <span class="elsevierStyleItalic">post hoc</span> para la incidencia (30,8%) y estadístico C (0,68) obtenidos, estableciendo que se superaron los requisitos mínimos de muestra total, reestimada en 1.012 participantes, y eventos por predictor, reestimado en 31,2.</p><p id="par0135" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Asociación entre los factores de riesgo incluidos en el modelo original y LRA durante la primera semana en UCI.</span> En la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a> se puede observar que las fuerzas de asociación obtenidas en la muestra local tendieron a ser menores comparativamente con las reportadas en la muestra de desarrollo de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a>, especialmente pH < 7,3 (OR 1,6 vs. OR 2,7) y exposición a nefrotoxinas (OR 1,6 vs. OR 2,5); las excepciones en las que se observaron fuerzas de asociación mayores fueron enfermedad hepática crónica (OR 3,1 vs. OR 2,2), y enfermedad renal crónica (OR 2,5 vs. OR 2,4).</p><elsevierMultimedia ident="tbl0010"></elsevierMultimedia><p id="par0140" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Ajuste y discriminación del modelo original.</span> Al predecir el riesgo de LRA durante la primera semana en UCI en la muestra local empleando el modelo original (m0) se identificó como problema principal el ajuste. El valor p de la prueba de bondad de HL fue menor a 0,05 y la razón O/E evidencia que el modelo original sobreestima el riesgo con 0,33 casos observados por cada caso estimado como promedio de los 10 niveles de riesgo definidos. La incidencia acumulada estimada por m0 es de 88,8%. La capacidad discriminativa de m0 fue de 0,68 (IC 95% 0,65-0,72) (<a class="elsevierStyleCrossRef" href="#tbl0015">tabla 3</a>).</p><elsevierMultimedia ident="tbl0015"></elsevierMultimedia><p id="par0145" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Ajuste y discriminación de los modelos de calibración</span>. En la muestra local se estimó una constante de calibración b<span class="elsevierStyleInf">0</span> = -2,58 y un coeficiente global de regresión b<span class="elsevierStyleInf">1</span> = 0,71. Esto implica que en la muestra local el riesgo de LRA en el perfil clínico de menor riesgo (los pacientes sin ninguno de los 10 factores de riesgo) es considerablemente menor al de la muestra de desarrollo. Para ajustar esto se estimó m1 lo cual mejoró la razón de casos O/E a 0,66, pero no fue suficiente para reducir la sobreestimación de riesgo ni para cumplir el criterio de ajuste de HL. La estimación de incidencia acumulada de m1 fue de 45,6%.</p><p id="par0150" class="elsevierStylePara elsevierViewall">De acuerdo con el desempeño del modelo de calibración m2, considerando de forma simultánea la constante y el coeficiente global de regresión, se obtuvo una razón O/E de 0,97 y un valor p de la prueba de HL mayor a 0,05 (<a class="elsevierStyleCrossRef" href="#tbl0015">tabla 3</a>). La estimación de incidencia acumulada de m2 fue de 31,1%. Si bien la calibración con m2 resolvió los problemas de ajuste, esta no puede mejorar la discriminación dado que aplica una transformación lineal de m0 que no afecta la clasificación de los pacientes según su riesgo (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>a).</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia><p id="par0155" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Ajuste y discriminación de los modelos de actualización.</span> Ninguno de los cuatro modelos de actualización (m3-m6) explorados logró mejorar de forma relevante la capacidad discriminativa de m2 (<a class="elsevierStyleCrossRef" href="#tbl0015">tabla 3</a>, <a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>b). Pese a que reestimaron los coeficientes y se consideraron cuatro nuevas variables en m6, la modificación más fuerte entre las alternativas, el estadístico C solo aumentó 0,04 con un valor de 0,72 (IC 95% 0,69-0,75) (<a class="elsevierStyleCrossRef" href="#fig0010">fig. 2</a>).</p><elsevierMultimedia ident="fig0010"></elsevierMultimedia><p id="par0160" class="elsevierStylePara elsevierViewall">Los mapas de predicción obtenidos tanto para los modelos original y de calibración como para los modelos de actualización permiten evidenciar gráficamente como las diferentes alternativas logran mejoras significativas en el ajuste, acercando las estimaciones para cada grupo de riesgo a la línea de ajuste perfecto (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>). No obstante, los modelos de actualización explorados no logran una mayor distancia en las estimaciones medias de riesgo de los 11 grupos (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>b).</p><p id="par0165" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">Curvas de decisión y medidas de desempeño.</span> En la <a class="elsevierStyleCrossRef" href="#fig0015">figura 3</a> se presentan las curvas de beneficio neto para los diferentes modelos m0 a m6. En este se observa como m2 tiene beneficio neto positivo para umbrales de probabilidad hasta 60%. Por su parte, m6 logra mantener el beneficio neto positivo hasta umbrales de probabilidad de 75%. La <a class="elsevierStyleCrossRef" href="#tbl0020">tabla 4</a> presenta las medidas de desempeño para m2 y m6 en los umbrales de probabilidad exploratorios. Pese al mejor desempeño del modelo actualizado m6, el modelo de calibración m2 es más simple dado que m6 requirió la adición de 10 predictores y la reestimación de los coeficientes de las 10 variables originales.</p><elsevierMultimedia ident="fig0015"></elsevierMultimedia><elsevierMultimedia ident="tbl0020"></elsevierMultimedia></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0080">Discusión</span><p id="par0170" class="elsevierStylePara elsevierViewall">Los modelos de predicción pronóstico son cada vez más utilizados en las tomas de decisiones, porque aportan estimaciones precisas de la probabilidad de presentar una condición de salud específica, realizando una adecuada clasificación del riesgo que permite orientar las intervenciones diagnósticas y terapéuticas en función de lograr mejores resultados en el paciente y disminución de los costos en salud<a class="elsevierStyleCrossRef" href="#bib0215"><span class="elsevierStyleSup">15</span></a>.</p><p id="par0175" class="elsevierStylePara elsevierViewall">La LRA en pacientes críticamente enfermos conduce a un mal pronóstico, alta morbilidad, alta mortalidad y uso excesivo de los recursos médicos<a class="elsevierStyleCrossRef" href="#bib0230"><span class="elsevierStyleSup">18</span></a>. No existe un tratamiento específico, las intervenciones son de apoyo y soporte de la función renal a través de una estrategia dialítica; por lo tanto, las medidas preventivas se convierten en una estrategia relevante. Prevenir el desarrollo de LRA es una medida para lograr buenos resultados en pacientes hospitalizados en unidades de cuidados intensivos<a class="elsevierStyleCrossRefs" href="#bib0235"><span class="elsevierStyleSup">19,20</span></a>. Implementar un modelo para predecir con buen desempeño el riesgo de LRA en pacientes nuevos se convierte en una herramienta útil<a class="elsevierStyleCrossRef" href="#bib0245"><span class="elsevierStyleSup">21</span></a>.</p><p id="par0180" class="elsevierStylePara elsevierViewall">En esta evaluación de desempeño, externa e independiente del modelo de predicción de LRA en pacientes críticamente enfermos de Malhotra et al., se encontró una modesta calibración y un AUROC menor a 0,70. Este resultado puede explicarse por la presencia de diferencias relevantes en la epidemiología entre la muestra de desarrollo y la muestra de validación. En este estudio se identificaron diferencias sustanciales en el riesgo de LRA, en la distribución de los predictores y sus fuerzas de asociación<a class="elsevierStyleCrossRef" href="#bib0250"><span class="elsevierStyleSup">22</span></a>.</p><p id="par0185" class="elsevierStylePara elsevierViewall">La cohorte de validación externa se consideró en principio plausiblemente similar a la cohorte de desarrollo; sin embargo, se encontró un riesgo basal de LRA menor, sumado a la diferencia importante de la distribución de los predictores, especialmente ventilación mecánica y pH < 7,3, lo que sugiere que los pacientes de la cohorte local fueron críticamente más enfermos. Esto se ha visto en simulaciones y en estudios de validación externa donde se ha demostrado, que la inclusión de casos más graves lleva a calibración errónea sistemática de las predicciones, en donde se ha visto que se pueden encontrar hasta el doble de casos de lo previsto y además se ha visto con un estadístico C más bajo<a class="elsevierStyleCrossRefs" href="#bib0255"><span class="elsevierStyleSup">23,24</span></a>.</p><p id="par0190" class="elsevierStylePara elsevierViewall">Las diferencias en las fuerzas de asociación de los predictores llevaron a diferencias en los coeficientes de regresión, impactando en el desempeño del modelo. Esto se da como resultado de las verdaderas diferencias entre las poblaciones. Es conocido que las diferentes estrategias de aproximación diagnóstica, tratamiento, severidad de la enfermedad y la calidad del cuidado son diferentes entre las diversas zonas geográficas, lo anterior es resultado de distintos estilos de práctica clínica, recursos disponibles y normas regulatorias locales, haciendo que las predicciones de los modelos en países con mayores ingresos sean diferentes a las de los países de bajos y medianos ingresos<a class="elsevierStyleCrossRefs" href="#bib0265"><span class="elsevierStyleSup">25–27</span></a>.</p><p id="par0195" class="elsevierStylePara elsevierViewall">Adicionalmente los coeficientes de regresión del modelo de Malhotra et al. pudieron haber sido sobreestimados, debido al riesgo de sobreajuste en el modelo de desarrollo, teniendo en cuenta el tamaño de la muestra con relación al número de predictores candidatos incluidos. Por otra parte, en el modelo se dicotomizaron todas las variables continuas y en estudios de validación se ha demostrado que esto provoca pérdida de información que reduce el poder estadístico para identificar una relación entre una medición continua y los verdaderos resultados del paciente<a class="elsevierStyleCrossRef" href="#bib0220"><span class="elsevierStyleSup">16</span></a>.</p><p id="par0200" class="elsevierStylePara elsevierViewall">El bajo rendimiento inicial obtenido en la muestra de validación externa llevó a actualizar el modelo con el objetivo de optimizar la pérdida de precisión predictiva y mejorar la transportabilidad. Después de realizar la actualización, encontramos que el modelo que logró optimizar la calibración fue el modelo 2, y con respecto a la discriminación solo el modelo 6 logró un AUROC de 0.7224 (IC 95% 0,69219-0,75271), alcanzando un incremento de 0,04 decimales con respecto a los modelos previos, pero requiriendo la adición de 10 predictores a los establecidos por el modelo de Malhotra. Convirtiéndolo en un modelo de 20 variables, dispendioso y poco útil en la práctica clínica, teniendo en cuenta el pequeño incremento en el delta del AUROC.</p><p id="par0205" class="elsevierStylePara elsevierViewall">En la literatura se ha considerado que incluso si el rendimiento es menos bueno, el modelo aún puede ser clínicamente útil, por lo tanto, la evaluación de la utilidad de un modelo requiere del juicio clínico y depende del contexto. Las estadísticas solas no pueden determinar la validez clínica. En consecuencia, las técnicas de análisis de decisiones son de particular valor cuando el propósito de un modelo, marcador o prueba es ayudar a los médicos a tomar mejores decisiones clínicas. Este aspecto fue abordado de forma exploratoria con cálculos de beneficio neto y curvas de decisión, sin embargo, este aspecto debe evaluarse con estudios de intervención<a class="elsevierStyleCrossRef" href="#bib0280"><span class="elsevierStyleSup">28</span></a>.</p><p id="par0210" class="elsevierStylePara elsevierViewall">Las fortalezas de este estudio están relacionadas con un adecuado tamaño de muestra, una suficiente cantidad de eventos por variable (38 eventos por cada predictor incluido en el modelo de Malhotra et al.). Por otra parte, se siguieron los mismos pasos y las mismas definiciones del modelo original. Sin bien fue un abordaje retrospectivo se implementaron diferentes estrategias para detectar y controlar los sesgos potenciales siguiendo la estrategia PROBAST. Los datos para la validación provienen del mundo real, a diferencia de poblaciones de ensayos clínicos que suelen ser menos adecuadas.</p></span><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0085">Conclusión</span><p id="par0215" class="elsevierStylePara elsevierViewall">Este estudio destaca la importancia de considerar los modelos de predicción como tecnologías médicas que deben seguir un proceso riguroso, que incluye el desarrollo, la validación interna y externa, la evaluación del impacto en los resultados de salud, así como su actualización de acuerdo con los cambios en la práctica médica. La validación externa juega un papel fundamental para cerrar la brecha entre el desarrollo y la implementación de los modelos de predicción<a class="elsevierStyleCrossRefs" href="#bib0220"><span class="elsevierStyleSup">16,23</span></a>.</p><p id="par0220" class="elsevierStylePara elsevierViewall">Basado en el análisis realizado en este estudio, la validación del modelo de riesgo de LRA de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a> no alcanzó el desempeño predictivo esperado en la cohorte de validación externa. Las diferencias en la incidencia de LRA, el riesgo basal de los pacientes, las fuerzas de asociación de los predictores y la sobreestimación del riesgo con el modelo original fueron factores que influyeron en este resultado. Aunque se logró corregir la calibración del modelo mediante una actualización, la mejora en la discriminación fue discreta y clínicamente insignificante, lo que no justificó la utilización del modelo actualizado. Es necesario considerar nuevos predictores de alta capacidad discriminativa para optimizar la predicción de la LRA en el paciente hospitalizado en UCI.</p><p id="par0225" class="elsevierStylePara elsevierViewall">En conclusión, este estudio proporciona evidencia de que el modelo de riesgo de LRA de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a> logra un desempeño predictivo modesto en la cohorte de validación externa, y puede tener alguna utilidad en la práctica cínica siempre y cuando la población en la que se aplique tenga una incidencia similar al estudio original, al igual que un riesgo basal parecido. Se requieren investigaciones adicionales y la inclusión de nuevos predictores para mejorar la capacidad de predicción de la LRA en pacientes críticamente enfermos ingresados a UCI. Además, se subraya la importancia de seguir los pasos rigurosos de desarrollo, validación y actualización de los modelos de predicción antes de su implementación clínica.</p></span><span id="sec0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0090">Financiación</span><p id="par0230" class="elsevierStylePara elsevierViewall">El presente artículo fue financiado con recursos propios de los autores.</p></span><span id="sec0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0095">Conflicto de intereses</span><p id="par0235" class="elsevierStylePara elsevierViewall">Ninguno.</p></span></span>" "textoCompletoSecciones" => array:1 [ "secciones" => array:13 [ 0 => array:3 [ "identificador" => "xres2107293" "titulo" => "Resumen" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0005" "titulo" => "Objetivo" ] 1 => array:2 [ "identificador" => "abst0010" "titulo" => "Métodos" ] 2 => array:2 [ "identificador" => "abst0015" "titulo" => "Resultados" ] 3 => array:2 [ "identificador" => "abst0020" "titulo" => "Conclusión" ] ] ] 1 => array:2 [ "identificador" => "xpalclavsec1795361" "titulo" => "Palabras clave" ] 2 => array:3 [ "identificador" => "xres2107292" "titulo" => "Abstract" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0025" "titulo" => "Aim" ] 1 => array:2 [ "identificador" => "abst0030" "titulo" => "Methods" ] 2 => array:2 [ "identificador" => "abst0035" "titulo" => "Results" ] 3 => array:2 [ "identificador" => "abst0040" "titulo" => "Conclusion" ] ] ] 3 => array:2 [ "identificador" => "xpalclavsec1795360" "titulo" => "Keywords" ] 4 => array:2 [ "identificador" => "sec0005" "titulo" => "Introducción" ] 5 => array:2 [ "identificador" => "sec0010" "titulo" => "Materiales y métodos" ] 6 => array:2 [ "identificador" => "sec0015" "titulo" => "Resultados" ] 7 => array:2 [ "identificador" => "sec0020" "titulo" => "Discusión" ] 8 => array:2 [ "identificador" => "sec0025" "titulo" => "Conclusión" ] 9 => array:2 [ "identificador" => "sec0030" "titulo" => "Financiación" ] 10 => array:2 [ "identificador" => "sec0035" "titulo" => "Conflicto de intereses" ] 11 => array:2 [ "identificador" => "xack734104" "titulo" => "Agradecimientos" ] 12 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2023-03-27" "fechaAceptado" => "2023-07-20" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec1795361" "palabras" => array:6 [ 0 => "Lesión renal aguda" 1 => "Cuidado crítico" 2 => "Análisis de decisión" 3 => "Estudio de validación" 4 => "Calibración" 5 => "Discriminación" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec1795360" "palabras" => array:6 [ 0 => "Acute kidney injury" 1 => "Critical care" 2 => "Decision analysis" 3 => "Validation study" 4 => "Calibration" 5 => "Discrimination" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:3 [ "titulo" => "Resumen" "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0010">Objetivo</span><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">Analizar el desempeño predictivo del modelo de riesgo de lesión renal aguda (LRA) de Malhotra et al., en adultos hospitalizados en la unidad de cuidados intensivos (UCI) de la Clínica Somer (Colombia), 2017 y 2021.</p></span> <span id="abst0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0015">Métodos</span><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Estudio retrospectivo de seguimiento a una cohorte basado en registros médicos. Se incluyeron mayores de 18 años críticamente enfermos ingresados a UCI. Se excluyeron pacientes con enfermedad renal crónica terminal o en terapia de reemplazo renal, LRA al ingreso. Como variable de resultado se definió LRA en la primera semana en UCI, y como variables predictoras las del modelo de Malhotra y variables clínicas adicionales. El desempeño predictivo se analizó para los modelos original (m0), calibrado (m1-m2) y actualizado (m3-m6) mediante estadístico C, prueba de Hosmer-Lemeshow (HL) y mapas de calibración.</p></span> <span id="abst0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0020">Resultados</span><p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">Se incluyeron 1.235 pacientes, edad mediana de 60 años (RIQ 45-60), 39,9% mujeres. La incidencia de LRA fue de 30,6%. El modelo original (m0) mostró problemas de ajuste (valor p HL < 0,05) sobreestimando el riesgo de LRA y obtuvo un estadístico C de 0,68 (IC 95% 0,65 – 0,71). La calibración mediante intercepto y factor global (m2) resolvió el problema de ajuste. La actualización con 10 variables adicionales (m6) solo aumentó el estadístico C a 0,72 (IC 95% 0,69 – 0,75).</p></span> <span id="abst0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Conclusión</span><p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">El desempeño del modelo original en la cohorte de validación externa no es perfecto debido a diferencias en epidemiología de la LRA en UCI. La actualización del modelo mejora el ajuste más no la discriminación, pero tiene algún grado de utilidad en la práctica clínica.</p></span>" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0005" "titulo" => "Objetivo" ] 1 => array:2 [ "identificador" => "abst0010" "titulo" => "Métodos" ] 2 => array:2 [ "identificador" => "abst0015" "titulo" => "Resultados" ] 3 => array:2 [ "identificador" => "abst0020" "titulo" => "Conclusión" ] ] ] "en" => array:3 [ "titulo" => "Abstract" "resumen" => "<span id="abst0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0035">Aim</span><p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">To analyze the predictive performance of the risk model for acute kidney injury (AKI) by Malhotra et al., in adults hospitalized in the intensive care unit (ICU) of Clínica Somer (Colombia), 2017 and 2021.</p></span> <span id="abst0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0040">Methods</span><p id="spar0030" class="elsevierStyleSimplePara elsevierViewall">Retrospective follow-up study of a cohort based on medical records. Critically ill patients over 18 years of age admitted to the ICU were included. Patients with end-stage chronic kidney disease or on renal replacement therapy, AKI at admission were excluded. AKI in the first week in the ICU was defined as the outcome variable, and those of the Malhotra model and additional clinical variables as predictor variables. The predictive performance was analyzed for the original (m<span class="elsevierStyleInf">0</span>), calibrated (m<span class="elsevierStyleInf">1</span>–m<span class="elsevierStyleInf">2</span>) and updated (m<span class="elsevierStyleInf">3</span>–m<span class="elsevierStyleInf">6</span>) models using the C statistic, the Hosmer–Lemeshow (HL) test, and calibration maps.</p></span> <span id="abst0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0045">Results</span><p id="spar0035" class="elsevierStyleSimplePara elsevierViewall">A total of 1235 patients were included, median age 60 years (IQR 45–60), 39.9% women. The incidence of AKI was 30.6%. The original model (m0) showed fit problems (p-HL value <0.05) overestimating the risk of AKI and obtained a C statistic of 0.68 (95% CI: 0.65–0.71). Calibration using intercept and global factor (m<span class="elsevierStyleInf">2</span>) solved the adjustment problem. The update with ten additional variables (m<span class="elsevierStyleInf">6</span>) only increased the C statistic to 0.72 (95% CI: 0.69–0.75).</p></span> <span id="abst0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0050">Conclusion</span><p id="spar0040" class="elsevierStyleSimplePara elsevierViewall">The performance of the original model in the external validation cohort is not perfect due to differences in the epidemiology of AKI in the ICU. The model updated improves the fit but not the discrimination, yet it still holds some degree of utility in clinical practice.</p></span>" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0025" "titulo" => "Aim" ] 1 => array:2 [ "identificador" => "abst0030" "titulo" => "Methods" ] 2 => array:2 [ "identificador" => "abst0035" "titulo" => "Results" ] 3 => array:2 [ "identificador" => "abst0040" "titulo" => "Conclusion" ] ] ] ] "multimedia" => array:7 [ 0 => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1093 "Ancho" => 2085 "Tamanyo" => 145701 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Curvas de calibración de los modelos m0 a m6.</p>" ] ] 1 => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 1770 "Ancho" => 1698 "Tamanyo" => 153393 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0050" class="elsevierStyleSimplePara elsevierViewall">AUROC de los modelos m0 a m6.</p>" ] ] 2 => array:7 [ "identificador" => "fig0015" "etiqueta" => "Figura 3" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr3.jpeg" "Alto" => 1818 "Ancho" => 1675 "Tamanyo" => 150453 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">Curvas de decisión de los modelos m0 a m6.</p>" ] ] 3 => array:8 [ "identificador" => "tbl0005" "etiqueta" => "Tabla 1" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at1" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:2 [ "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black"> \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Muestra local \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Muestra de desarrollo<a class="elsevierStyleCrossRef" href="#tblfn0005">*</a> \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " colspan="3" align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleItalic">Variables de modelo de Malhotra 2017</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Enfermedad renal crónica, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">150 (12,2) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">43 (8) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Enfermedad hepática crónica, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">46 (3,7) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">61 (11) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Insuficiencia cardiaca congestiva, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">109 (8,8) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">77 (13) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Hipertensión arterial, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">681 (55,1) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">207 (36) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Enfermedad ateroesclerótica, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">514 (41,6) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>pH menor de 7,3, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">333 (27) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">79 (14) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Exposición a nefrotoxinas, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1.074 (87) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">114 (20) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Sepsis, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">266 (21,5) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">93 (16) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Ventilación mecánica, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">899 (72,8) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">238 (42) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Anemia, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">202 (16,4) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " colspan="3" align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleVsp" style="height:0.5px"></span></td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " colspan="3" align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleItalic">Variables candidatas a la actualización de modelo</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Diabetes, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">213 (17,3) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">143 (25) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Quirúrgico, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">840 (68) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">296 (52) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Admisión planeada, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">489 (39,6) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Hipotensión arterial al ingreso UCI, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">301 (24,4) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">154(27) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>VIH \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">11 (0,9) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Accidente cerebrovascular \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">95 (7,7) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Trauma craneoencefálico \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">157 (12,7) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Cáncer activo \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">127 (10,3) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Consumo de sustancias psicoactivas \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">51 (4,1) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Rabdomiólisis \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">20 (1,6) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " colspan="3" align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleVsp" style="height:0.5px"></span></td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " colspan="3" align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleItalic">Características sociodemográficas</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Edad, mediana (RIQ) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">60 (45 70) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">54 (18) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Edad, mayor a 70 años \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">340 (27,53) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">120 (21) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Sexo (mujer), n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">493 (39,9) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">206 (36) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Pareja, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">688 (55,8) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Rural, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">334 (27,2) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NR \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Creatinina basal, mediana (RIQ) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,8 (0,6 0,9) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,9 (0,7-1,1) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " colspan="3" align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleVsp" style="height:0.5px"></span></td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " colspan="3" align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleItalic">Resultados</span></td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Lesión renal aguda en UCI, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">380 (30,8) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">127 (22) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Terapia de reemplazo renal, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">26 (2,1) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">30 (5) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Mortalidad en UCI, n (%) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">222 (18) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">41 (7) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>Días estancia en la UCI, mediana (RIQ) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">4 (2-8) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">6 (3-13) \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3485764.png" ] ] ] "notaPie" => array:1 [ 0 => array:3 [ "identificador" => "tblfn0005" "etiqueta" => "*" "nota" => "<p class="elsevierStyleNotepara" id="npar0005">Tomado de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a></p> <p class="elsevierStyleNotepara" id="npar0010">NR: No reporta.</p>" ] ] ] "descripcion" => array:1 [ "es" => "<p id="spar0060" class="elsevierStyleSimplePara elsevierViewall">Características clínicas, sociodemográficas y resultados de los pacientes de la muestra local de validación externa (n = 1.235) y de la muestra de desarrollo del estudio original (n = 573)</p>" ] ] 4 => array:8 [ "identificador" => "tbl0010" "etiqueta" => "Tabla 2" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at2" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:2 [ "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col"> \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " colspan="2" align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black"><span class="elsevierStyleItalic">odds ratio</span> (IC 95%)</th></tr><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black"> \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Muestra local \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Muestra de desarrollo<a class="elsevierStyleCrossRef" href="#tblfn0010">*</a> \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Enfermedad renal crónica \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,5 (1,7-3,6) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,4 (1,2-4,8) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Enfermedad hepática crónica \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">3,1 (1,6-5,9) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,2 (1,1-4,2) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Insuficiencia cardiaca congestiva \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,4 (0,9-2,3) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,1 (1,1-4) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Hipertensión arterial \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,6 (1,2-2,1) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,8 (1,1-2,8) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Enfermedad ateroesclerótica \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,4 (1-1,9) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,6 (0,9-2,9) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">pH menor de 7,3 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,6 (1,2-2,1) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,7 (1,4-4,9) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Exposición a nefrotoxinas \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,6 (1,1-2,4) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,5 (1,5-4,3) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Sepsis \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,5 (1,1-2) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,1 (1,2-3,8) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Ventilación mecánica \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,6 (1,2-2,2) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,6 (1-2,5) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Anemia \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,2 (0,9-1,7) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,5 (0,9-2,5) \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3485765.png" ] ] ] "notaPie" => array:1 [ 0 => array:3 [ "identificador" => "tblfn0010" "etiqueta" => "*" "nota" => "<p class="elsevierStyleNotepara" id="npar0015">Tomado de Malhotra et al.<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">9</span></a></p>" ] ] ] "descripcion" => array:1 [ "es" => "<p id="spar0070" class="elsevierStyleSimplePara elsevierViewall">Modelo multivariado de riesgo de lesión renal aguda de Malhotra estimado en la muestra local de validación externa (n = 1.235) y en la muestra de desarrollo del estudio original (n = 573)</p>" ] ] 5 => array:8 [ "identificador" => "tbl0015" "etiqueta" => "Tabla 3" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at3" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:2 [ "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black"> \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Resumen de modificaciones \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Resumen de resultados \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Razón O/E \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Valor p, test HL \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Estadístico C (IC 95%) \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M0 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Sin modificaciones \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Problemas de ajuste y aceptable discriminación. Sobreestima el riesgo \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,33 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">< 0,001 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,68<a class="elsevierStyleCrossRef" href="#tblfn0015">*</a>(0,65-0,72) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M1 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Se incluye intercepto local: -2,58 + M0 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Reduce parcialmente la sobreestimación de riesgo, pero no logra ajuste por HL \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,66 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">< 0,001 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M2 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Se añade a M1 un coeficiente de regresión del score:-2,58+0,71(M0) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Logra resolver los problemas de ajuste, pero no mejora la discriminación \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,97 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,071 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M3 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M2, modificando el coeficiente de anemia \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Subestima el riesgo y no mejora la discriminación \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,30 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,102 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,68(0,65- 0,72) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M4 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M2 + (0,414) cáncer activo + (0,206) lesión cerebral + (0,194) mayor de 70 años + (0,137) hombre + (0,112) accidente cerebrovascular \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Leve mejoría de ajuste, la mejora en la discriminación es de 0,01 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,99 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,110 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,69(0,66- 0,73) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M5 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Se cambian todos los coeficientes de regresión por ln(OR) de la muestra local<a class="elsevierStyleCrossRef" href="#tblfn0020">**</a> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Leve mejoría de ajuste, la mejora en la discriminación es de 0,01 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,98 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,085 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,69(0,66 -0,72) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M6 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">M5 más las variables adicionadas en M4. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Leve mejoría de ajuste, la mejora en la discriminación es de 0,04 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,98 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,102 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,72(0,69-0,75) \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3485763.png" ] ] ] "notaPie" => array:2 [ 0 => array:3 [ "identificador" => "tblfn0015" "etiqueta" => "*" "nota" => "<p class="elsevierStyleNotepara" id="npar0020">Los modelos de calibración pueden mejorar el ajuste, pero no la discriminación, por eso obtienen el mismo estadístico C que m0.</p>" ] 1 => array:3 [ "identificador" => "tblfn0020" "etiqueta" => "**" "nota" => "<p class="elsevierStyleNotepara" id="npar0025">Los OR obtenidos en la muestra local se presentan en la tabla 2.</p> <p class="elsevierStyleNotepara" id="npar0030">O/E: razón de casos observados-esperados; HL: prueba de bondad de ajuste de Hosmer y Lemeshow.</p>" ] ] ] "descripcion" => array:1 [ "es" => "<p id="spar0075" class="elsevierStyleSimplePara elsevierViewall">Resumen de modificaciones y medidas de desempeño (ajuste y discriminación) estimadas para los modelos: original (m0), de calibración (m1, m2) y de actualización (m3-m6)</p>" ] ] 6 => array:8 [ "identificador" => "tbl0020" "etiqueta" => "Tabla 4" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at4" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col"> \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo 2 \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo 6 \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo 2 \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Modelo 6 \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black"> \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " colspan="2" align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Umbral 30%</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " colspan="2" align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Umbral 55%</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Sensibilidad \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,69 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,68 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,16 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,21 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Especificidad \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,57 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,66 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,96 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,94 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Youden \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,26 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,34 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,12 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,15 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NND \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">3,91 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,96 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">8,64 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">6,73 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">VPP \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,41 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,47 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,63 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,60 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">VPN \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,80 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,82 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,72 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,73 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">PSI \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,22 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,29 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,34 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,33 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">NNP \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">4,59 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">3,44 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,91 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">3,04 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Positividad \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">51,20% \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">44,50% \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">7,80% \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,40% \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3485766.png" ] ] ] ] "descripcion" => array:1 [ "es" => "<p id="spar0085" class="elsevierStyleSimplePara elsevierViewall">Medidas de desempeño para el modelo calibrado (m2) y el modelo actualizado (m6) en los umbrales de probabilidad de 30 y 55%</p>" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:28 [ 0 => array:3 [ "identificador" => "bib0145" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Acute kidney injury" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "R. Bellomo" 1 => "J.A. Kellum" 2 => "C. Ronco" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Lancet Lond Engl." "fecha" => "2012" "volumen" => "380" "paginaInicial" => "756" "paginaFinal" => "766" ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bib0150" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Incidence, risk factors and 90-day mortality of patients with acute kidney injury in Finnish intensive care units: the FINNAKI study" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "S. Nisula" 1 => "K.M. Kaukonen" 2 => "S.T. Vaara" 3 => "A.M. Korhonen" 4 => "M. Poukkanen" 5 => "S. Karlsson" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s00134-012-2796-5" "Revista" => array:6 [ "tituloSerie" => "Intensive Care Med." "fecha" => "2013" "volumen" => "39" "paginaInicial" => "420" "paginaFinal" => "428" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23291734" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0155" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical review: Biomarkers of acute kidney injury: where are we now?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "M. Ostermann" 1 => "B.J. Philips" 2 => "L.G. Forni" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Crit Care Lond Engl." "fecha" => "2012" "volumen" => "16" "paginaInicial" => "233" ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0160" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The effect of acute renal failure on mortality. A cohort analysis" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "E.M. Levy" 1 => "C.M. Viscoli" 2 => "R.I. Horwitz" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "JAMA." "fecha" => "1996" "volumen" => "275" "paginaInicial" => "1489" "paginaFinal" => "1494" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/8622223" "web" => "Medline" ] ] ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib0165" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Acute kidney injury, mortality, length of stay, and costs in hospitalized patients" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "G.M. Chertow" 1 => "E. Burdick" 2 => "M. Honour" 3 => "J.V. Bonventre" 4 => "D.W. Bates" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1681/ASN.2004090740" "Revista" => array:6 [ "tituloSerie" => "J Am Soc Nephrol JASN" "fecha" => "2005" "volumen" => "16" "paginaInicial" => "3365" "paginaFinal" => "3370" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/16177006" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0170" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Prediction and detection models for acute kidney injury in hospitalized older adults" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "R.J. Kate" 1 => "R.M. Perez" 2 => "D. Mazumdar" 3 => "K.S. Pasupathy" 4 => "V. Nilakantan" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/s12911-016-0277-4" "Revista" => array:5 [ "tituloSerie" => "BMC Med Inform Decis Mak." "fecha" => "2016" "volumen" => "16" "paginaInicial" => "39" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27025458" "web" => "Medline" ] ] ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib0175" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Steyerberg EW. Clinical prediction models: A practical approach to development, validation, and updating. Springer Science & Business Media; 2008. 508 p. [consultado 11 Dic 2022]. Disponible en: <a target="_blank" href="http://link.springer.com/10.1007/978-3-030-16399-0">http://link.springer.com/10.1007/978-3-030-16399-0</a>" ] ] ] 7 => array:3 [ "identificador" => "bib0180" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical prediction models for acute kidney injury" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "C.Y. Huang" 1 => "F.G. Grandas" 2 => "M. Flechet" 3 => "G. Meyfroidt" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.5935/0103-507x.20200018" "Revista" => array:6 [ "tituloSerie" => "Rev Bras Ter Intensiva." "fecha" => "2020" "volumen" => "32" "paginaInicial" => "123" "paginaFinal" => "132" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32401985" "web" => "Medline" ] ] ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bib0185" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A risk prediction score for acute kidney injury in the intensive care unit" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "R. Malhotra" 1 => "K.B. Kashani" 2 => "E. Macedo" 3 => "J. Kim" 4 => "J. Bouchard" 5 => "S. Wynn" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Nephrol Dial Transplant." "fecha" => "2017" "volumen" => "32" "paginaInicial" => "814" "paginaFinal" => "822" ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib0190" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "AKIpredictor, an online prognostic calculator for acute kidney injury in adult critically ill patients: development, validation and comparison to serum neutrophil gelatinase-associated lipocalin" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "M. Flechet" 1 => "F. Güiza" 2 => "M. Schetz" 3 => "P. Wouters" 4 => "I. Vanhorebeek" 5 => "I. Derese" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s00134-017-4678-3" "Revista" => array:6 [ "tituloSerie" => "Intensive Care Med." "fecha" => "2017" "volumen" => "43" "paginaInicial" => "764" "paginaFinal" => "773" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28130688" "web" => "Medline" ] ] ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bib0195" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): Explanation and Elaboration" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "K.G.M. Moons" 1 => "D.G. Altman" 2 => "J.B. Reitsma" 3 => "J.P.A. Ioannidis" 4 => "P. Macaskill" 5 => "E.W. Steyerberg" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.7326/M14-0698" "Revista" => array:6 [ "tituloSerie" => "Ann Intern Med." "fecha" => "2015" "volumen" => "162" "paginaInicial" => "W1" "paginaFinal" => "W73" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/25560730" "web" => "Medline" ] ] ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bib0200" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Acute Kidney Injury Network: report of an initiative to improve outcomes in acute kidney injury" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "R.L. Mehta" 1 => "J.A. Kellum" 2 => "S.V. Shah" 3 => "B.A. Molitoris" 4 => "C. Ronco" 5 => "D.G. Warnock" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/cc5713" "Revista" => array:5 [ "tituloSerie" => "Crit Care." "fecha" => "2007" "volumen" => "11" "paginaInicial" => "R31" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/17331245" "web" => "Medline" ] ] ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bib0205" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Acute kidney injury prediction following elective cardiac surgery: AKICS Score" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "H. Palomba" 1 => "I. de Castro" 2 => "A.L.C. Neto" 3 => "S. Lage" 4 => "L. Yu" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/sj.ki.5002419" "Revista" => array:6 [ "tituloSerie" => "Kidney Int." "fecha" => "2007" "volumen" => "72" "paginaInicial" => "624" "paginaFinal" => "631" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/17622275" "web" => "Medline" ] ] ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bib0210" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A simple risk score for prediction of contrast-induced nephropathy after percutaneous coronary intervention: development and initial validation" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "R. Mehran" 1 => "E.D. Aymong" 2 => "E. Nikolsky" 3 => "Z. Lasic" 4 => "I. Iakovou" 5 => "M. Fahy" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jacc.2004.06.068" "Revista" => array:6 [ "tituloSerie" => "J Am Coll Cardiol." "fecha" => "2004" "volumen" => "44" "paginaInicial" => "1393" "paginaFinal" => "1399" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/15464318" "web" => "Medline" ] ] ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bib0215" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Risk prediction models: II. External validation, model updating, and impact assessment" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "K.G.M. Moons" 1 => "A.P. Kengne" 2 => "D.E. Grobbee" 3 => "P. Royston" 4 => "Y. Vergouwe" 5 => "D.G. Altman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Heart Br Card Soc." "fecha" => "2012" "volumen" => "98" "paginaInicial" => "691" "paginaFinal" => "698" ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bib0220" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Prognosis Research in Healthcare: Concepts, Methods, and Impact [Internet]" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "R.D. Riley" 1 => "D. van der Windt" 2 => "P. Croft" 3 => "K.G.M. Moons" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Libro" => array:3 [ "fecha" => "2019" "paginaInicial" => "372" "editorial" => "Oxford University Press" ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bib0225" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Net benefit approaches to the evaluation of prediction models, molecular markers, and diagnostic tests" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "A.J. Vickers" 1 => "B. Van Calster" 2 => "E.W. Steyerberg" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1136/bmj.i6" "Revista" => array:5 [ "tituloSerie" => "BMJ." "fecha" => "2016" "volumen" => "352" "paginaInicial" => "i6" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/26810254" "web" => "Medline" ] ] ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bib0230" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Intensity of renal support in critically ill patients with acute kidney injury" "autores" => array:1 [ 0 => array:3 [ "colaboracion" => "VA/NIH Acute Renal Failure Trial Network" "etal" => true "autores" => array:6 [ 0 => "P.M. Palevsky" 1 => "J.H. Zhang" 2 => "T.Z. O’Connor" 3 => "G.M. Chertow" 4 => "S.T. Crowley" 5 => "D. Choudhury" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1056/NEJMoa0802639" "Revista" => array:6 [ "tituloSerie" => "N Engl J Med." "fecha" => "2008" "volumen" => "359" "paginaInicial" => "7" "paginaFinal" => "20" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/18492867" "web" => "Medline" ] ] ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bib0235" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Discovery and validation of cell cycle arrest biomarkers in human acute kidney injury" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "K. Kashani" 1 => "A. Al-Khafaji" 2 => "T. Ardiles" 3 => "A. Artigas" 4 => "S.M. Bagshaw" 5 => "M. Bell" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Crit Care Lond Engl." "fecha" => "2013" "volumen" => "17" "paginaInicial" => "R25" ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bib0240" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Neutrophil gelatinase-associated lipocalin: a novel biomarker for the early diagnosis of acute kidney injury in the emergency department" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Di Grande" 1 => "C. Giuffrida" 2 => "G. Carpinteri" 3 => "G. Narbone" 4 => "G. Pirrone" 5 => "A. Di Mauro" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Eur Rev Med Pharmacol Sci." "fecha" => "2009" "volumen" => "13" "paginaInicial" => "197" "paginaFinal" => "200" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/19673171" "web" => "Medline" ] ] ] ] ] ] ] ] 20 => array:3 [ "identificador" => "bib0245" "etiqueta" => "21" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Prevention of acute kidney injury and protection of renal function in the intensive care unit: update 2017" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "M. Joannidis" 1 => "W. Druml" 2 => "L.G. Forni" 3 => "A.B.J. Groeneveld" 4 => "P.M. Honore" 5 => "E. Hoste" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Intensive Care Med." "fecha" => "2017" "volumen" => "43" "paginaInicial" => "730" "paginaFinal" => "749" ] ] ] ] ] ] 21 => array:3 [ "identificador" => "bib0250" "etiqueta" => "22" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Validation, updating and impact of clinical prediction rules: A review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "D.B. Toll" 1 => "K.J.M. Janssen" 2 => "Y. Vergouwe" 3 => "K.G.M. Moons" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jclinepi.2008.04.008" "Revista" => array:6 [ "tituloSerie" => "J Clin Epidemiol." "fecha" => "2008" "volumen" => "61" "paginaInicial" => "1085" "paginaFinal" => "1094" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/19208371" "web" => "Medline" ] ] ] ] ] ] ] ] 22 => array:3 [ "identificador" => "bib0255" "etiqueta" => "23" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical prediction models: A practical approach to development, validation, and updating" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "E.W. Steyerberg" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Libro" => array:3 [ "edicion" => "2nd ed." "fecha" => "2019" "editorial" => "Springer International Publishing" ] ] ] ] ] ] 23 => array:3 [ "identificador" => "bib0260" "etiqueta" => "24" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Validation of a prediction model and its predictors for the histology of residual masses in nonseminomatous testicular cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "Y. Vergouwe" 1 => "E.W. Steyerberg" 2 => "R.S. Foster" 3 => "J.D. Habbema" 4 => "J.P. Donohue" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1097/00005392-200101000-00021" "Revista" => array:6 [ "tituloSerie" => "J Urol." "fecha" => "2001" "volumen" => "165" "paginaInicial" => "84" "paginaFinal" => "88" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11125370" "web" => "Medline" ] ] ] ] ] ] ] ] 24 => array:3 [ "identificador" => "bib0265" "etiqueta" => "25" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Regional variations in diagnostic practices" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "Y. Song" 1 => "J. Skinner" 2 => "J. Bynum" 3 => "J. Sutherland" 4 => "J.E. Wennberg" 5 => "E.S. Fisher" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1056/NEJMsa0910881" "Revista" => array:6 [ "tituloSerie" => "N Engl J Med." "fecha" => "2010" "volumen" => "363" "paginaInicial" => "45" "paginaFinal" => "53" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/20463332" "web" => "Medline" ] ] ] ] ] ] ] ] 25 => array:3 [ "identificador" => "bib0270" "etiqueta" => "26" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "External validation of prognostic models: what, why, how, when and where?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "C.L. Ramspek" 1 => "K.J. Jager" 2 => "F.W. Dekker" 3 => "C. Zoccali" 4 => "M. van Diepen" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1093/ckj/sfaa188" "Revista" => array:6 [ "tituloSerie" => "Clin Kidney J [Internet]." "fecha" => "2020" "volumen" => "14" "paginaInicial" => "49" "paginaFinal" => "58" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33564405" "web" => "Medline" ] ] ] ] ] ] ] ] 26 => array:3 [ "identificador" => "bib0275" "etiqueta" => "27" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "External validation of prognostic models for critically ill patients required substantial sample sizes" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "N. Peek" 1 => "D.G.T. Arts" 2 => "R.J. Bosman" 3 => "P.H.J. van der Voort" 4 => "N.F. de Keizer" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jclinepi.2006.08.011" "Revista" => array:6 [ "tituloSerie" => "J Clin Epidemiol." "fecha" => "2007" "volumen" => "60" "paginaInicial" => "491" "paginaFinal" => "501" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/17419960" "web" => "Medline" ] ] ] ] ] ] ] ] 27 => array:3 [ "identificador" => "bib0280" "etiqueta" => "28" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Discrimination and Calibration of Clinical Prediction Models: Users’ Guides to the Medical Literature" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A.C. Alba" 1 => "T. Agoritsas" 2 => "M. Walsh" 3 => "S. Hanna" 4 => "A. Iorio" 5 => "P.J. Devereaux" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1001/jama.2017.12126" "Revista" => array:6 [ "tituloSerie" => "JAMA." "fecha" => "2017" "volumen" => "318" "paginaInicial" => "1377" "paginaFinal" => "1384" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29049590" "web" => "Medline" ] ] ] ] ] ] ] ] ] ] ] ] "agradecimientos" => array:1 [ 0 => array:4 [ "identificador" => "xack734104" "titulo" => "Agradecimientos" "texto" => "<p id="par0240" class="elsevierStylePara elsevierViewall">Clínica Somer por permitir el acceso a la información.</p>" "vista" => "all" ] ] ] "idiomaDefecto" => "es" "url" => "/01227262/0000002400000001/v1_202403140646/S012272622300068X/v1_202403140646/es/main.assets" "Apartado" => array:4 [ "identificador" => "39561" "tipo" => "SECCION" "en" => array:2 [ "titulo" => "Originales" "idiomaDefecto" => true ] "idiomaDefecto" => "en" ] "PDF" => "https://static.elsevier.es/multimedia/01227262/0000002400000001/v1_202403140646/S012272622300068X/v1_202403140646/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S012272622300068X?idApp=UINPBA00004N" ]
año/Mes | Html | Total | |
---|---|---|---|
2024 Octubre | 4 | 0 | 4 |
2024 Septiembre | 4 | 2 | 6 |
2024 Agosto | 9 | 3 | 12 |
2024 Julio | 24 | 1 | 25 |
2024 Junio | 7 | 3 | 10 |
2024 Mayo | 21 | 1 | 22 |
2024 Abril | 66 | 15 | 81 |
2024 Marzo | 31 | 9 | 40 |
2024 Febrero | 52 | 12 | 64 |
2024 Enero | 32 | 4 | 36 |
2023 Diciembre | 44 | 6 | 50 |
2023 Noviembre | 61 | 8 | 69 |
2023 Octubre | 56 | 17 | 73 |
2023 Septiembre | 50 | 9 | 59 |
2023 Agosto | 12 | 10 | 22 |