La esternotomía mediana longitudinal es la incisión más usada para la cirugía cardiovascular. Su infección profunda es la mediastinitis postoperatoria y constituye aún un serio problema. Su predicción ayudaría a trazar protocolos preventivos y reducir su incidencia.
ObjetivosDiseñar un modelo predictivo de mediastinitis postoperatoria a través de factores de riesgo.
MétodoSe realizó un estudio analítico retrospectivo de casos y controles que enroló el 100% de los casos de mediastinitis y 4 controles por cada uno e involucró 20 años de trabajo del Cardiocentro Ernesto Guevara. Se empleó la regresión logística con ajustes para obtener el modelo.
ResultadosLa incidencia de mediastinitis postoperatoria es del 0,98%, con múltiples factores de riesgo predictores, pero los de mayor valor son: enfermedad pulmonar obstructiva crónica, hiperglucemia postoperatoria, tiempo de ventilación artificial mecánica mayor de 24h, transfusión de más de 2 unidades de hemoderivados, neumotórax y sepsis endovascular que fueron los que arrojó el modelo de regresión logística. Se realizó su validación interna por división de datos.
ConclusionesSe obtuvo un modelo predictivo con ajuste y poder discriminativo con 6 predictores.
The most common incision for cardiovascular surgery is median longitudinal sternotomy. Postoperative mediastinitis is deep infection of this. On being a serious problem, predicting it can help to provide guidelines for prevention and to reduce its incidence.
ObjectivesTo design a predictive model for postoperative mediastinitis with risk factors.
MethodsA retrospective cases-controls analytical study conducted, that enrolled 100% of cases with postoperative mediastinitis and 4 controls for each case. The study included 20 years of work in Cardiocentro Ernesto Guevara. An adjusted logistic regression was performed to obtain the model.
ResultsThe incidence of postoperative mediastinitis was 0.98%, with numerous risk factor predictors, with the most important being: chronic obstructive pulmonary disease, postoperative hyperglycaemia, mechanical artificial ventilation for more than 24hours, transfusion of more than 2 units of blood products, pneumothorax, and endovascular sepsis. These were the significant factors in the logistic regression model. Validation was made by data splitting method.
ConclusionsA predictive model with discriminative power was obtained with 6 predictors.
El paradigma conceptual de la medicina ha experimentado la sucesiva evolución del paliativo al curativo, luego al preventivo y por último al predictivo. El actual desarrollo científico exige la aplicación de protocolos de trabajo que incluyan el enfoque predictivo y permitan trazar estrategias para prevenir eventos adversos1–5. La esternotomía mediana longitudinal es la incisión de elección para la cirugía cardiovascular, propuesta por Milton desde 1897 y extendido su uso a partir de la década de 19506.
La infección de la herida quirúrgica constituye aún en la actualidad un serio problema al que dar solución. La mediastinitis postoperatoria es la infección profunda de esta incisión, se reporta en el 1-2%7 y con letalidad entre el 8,6 y 40%, de ahí que se la juzgue como una complicación temida de la cirugía cardiovascular7,8.
Su incidencia publicada en la actualidad varía entre el 1 y 4% en series de Suecia, Holanda, Estados Unidos, Alemania, Italia, Francia y Bélgica9–18. En consenso de expertos sobre prevención y manejo de las infecciones esternales, en Estados Unidos, se advierte que ha disminuido su incidencia pero su aparición eleva considerablemente los costos hospitalarios13. A pesar de las modernas técnicas quirúrgicas, el uso de profilaxis antibiótica y la cuidadosa preparación de la piel del paciente, tiene alta morbilidad y autores como Belarj et al. inciden en la necesidad de mejorar los protocolos de actuación19.
Con esa premisa, es importante predecir la mediastinitis postoperatoria a partir de factores de riesgo. Sería útil construir un modelo matemático predictivo, base para una futura escala de riesgo. Existen modelos y algunas escalas de riesgo para otras poblaciones20–25. En Cuba no hay ningún estudio que haya permitido la construcción de un modelo predictivo, mucho menos de una escala matemática para estimar el riesgo de padecer mediastinitis postoperatoria, lo que puntualmente constituye el problema científico.
El objetivo general es diseñar un modelo predictivo de mediastinitis postoperatoria a través de factores de riesgo; para ello, se trazaron varios objetivos específicos como: caracterizar variables clinicoepidemiológicas de la mediastinitis postoperatoria, determinar los factores de riesgo predictores de la misma, diseñar el modelo y realizar la validación interna.
MétodoSe realizó un estudio analítico retrospectivo de casos y controles en torno a la presencia de mediastinitis postoperatoria en el Hospital Universitario Cardiocentro Ernesto Guevara de Santa Clara desde el año 2000 hasta mayo de 2019, con el objetivo de diseñar un modelo predictivo de esta afección mediante factores de riesgo. El universo de estudio lo constituyeron todos los pacientes intervenidos quirúrgicamente por esternotomía mediana longitudinal en dicho centro y periodo, y la muestra quedó constituida por:
- •
Los casos, que fueron la totalidad de los que presentaron el diagnóstico de mediastinitis postoperatoria. Los criterios de inclusión se refieren más adelante, y coincidieron con lo reglamentado por el Center for Diseases Control and Prevention para esta situación.
- •
Los controles, 4 por cada caso, se constituyeron por muestreo estratificado según tipo de intervención, cercanía en fecha con la aparición de los casos, edad cercana (±5 años) y el mismo sexo del caso.
La variable mediastinitis postoperatoria se define como la infección profunda del sitio quirúrgico luego de esternotomía mediana longitudinal, que compromete los tejidos por debajo de la fascia muscular, con o sin compromiso del esternón y el resto de la cavidad mediastínica. Los criterios de inclusión en el estudio coinciden con los del Center for Diseases Control and Prevention, los cuales son10,11,25:
- 1.
Secreción purulenta procedente de la herida profunda o de los drenajes; aislamiento de microorganismo en cultivo de estas secreciones o mediante la aspiración del mediastino por punción con aguja.
- 2.
Dehiscencia espontánea o practicada por el cirujano con presencia de pus.
- 3.
Evidencias de mediastinitis confirmadas por el cirujano en la reintervención.
- 4.
La presencia de uno de estos signos o síntomas como fiebre de 38°C, dolor torácico, inestabilidad esternal en combinación con drenaje purulento del mediastino o cultivo de secreciones o hemocultivo en que se aisló un germen.
- 5.
Evidencia de un absceso, ya observado directamente en la reintervención, ya por examen radiológico o histopatológico.
De todos los criterios, el de mayor fuerza fue la evidencia de mediastinitis postoperatoria durante la reintervención.
Análisis estadísticoEl estudio de casos y controles requirió calcular la incidencia de mediastinitis postoperatoria de acuerdo al total de pacientes intervenidos quirúrgicamente del corazón o grandes vasos mediante la esternotomía mediana longitudinal como incisión de abordaje.
Se realizó análisis univariado mediante la regresión logística binaria simple, para el cálculo de los odds ratio (OR), que expresan la fortaleza de la asociación entre los posibles factores pronósticos y la aparición de la enfermedad. Se determinó para cada factor el intervalo de confianza del 95% para la estimación del OR y la significación del estadígrafo Wald correspondiente a cada coeficiente de la ecuación del modelo logístico.
Entre las posibles variables a incluir en el modelo de regresión logística multivariada están:
Variables preoperatorias o antecedentes: diabetes mellitus, enfermedad pulmonar obstructiva crónica (EPOC), hábito de fumar, obesidad, estadía preoperatoria, disfunción ventricular izquierda.
Variables intraoperatorias: cirugía coronaria, cirugía de urgencia, tiempo de derivación cardiopulmonar, tiempo de paro anóxico, transfusión de más de 2 unidades de hemoderivados, bajo gasto intraoperatorio.
Variables postoperatorias: estadía postoperatoria en unidad de cuidados intensivos postoperatorios, tiempo de ventilación artificial mecánica, reintervención en el postoperatorio inmediato, hiperglucemia postoperatoria, sepsis endovascular, arritmias, infarto agudo de miocardio perioperatorio, uso de marcapasos, taponamiento cardiaco, neumotórax, sepsis respiratoria.
Para la elaboración del modelo se realizó un análisis de regresión logística binaria multivariada, la variable presencia de mediastinitis fue variable dependiente (1-presente, 0-ausente). Como posibles factores predictivos se incluyeron en el estudio aquellas variables con coeficientes significativamente distintos de cero, en las que el intervalo confianza correspondientes al OR no fuera excesivamente amplio.
La selección de variables para construir el modelo fue paso a paso a través del método introducir, lo que permitió mitigar el efecto indeseado de la colinealidad de las variables independientes y se tuvieron en cuenta consideraciones basadas en la práctica médica de los investigadores.
Para la valoración del rendimiento del modelo se analizó su discriminación mediante el área bajo la curva ROC y su calibración mediante el resultado de la prueba de Hosmer-Lemeshow. Se buscó el punto de corte óptimo correspondiente a la probabilidad de mediastinitis, se determinó el punto sobre la curva ROC más cercano a 0,1.
Se indicó cómo ajustar el término constante de la ecuación de regresión logística multivariada para determinar la probabilidad del evento de salud (ocurrencia de la mediastinitis), porque el modelo de este estudio se elaboró a partir de un diseño de casos y controles.
Se realizó validación interna del modelo por partición de la muestra (data splitting). El conjunto de casos y sus correspondientes controles se dividió en 2 subconjuntos de datos, uno con el 70% para elaborar el modelo (entrenamiento) y el otro con el 30% restante para la validación (prueba).
ResultadosEn la tabla 1 se muestra la incidencia de la mediastinitis postoperatoria en el Cardiocentro Ernesto Guevara de Santa Clara, la cual fue del 0,98% desde enero de 2000 hasta mayo de 2019. Valga aclarar que desde 2000 hasta 2008 la incidencia fue superior a 1,60, pero desde 2009 a la actualidad decreció a 0,60. Esta es la incidencia real calculada en base al total de pacientes intervenidos por esternotomía mediana longitunal.
En la tabla 2 se aprecia el análisis univariado y los resultados de la asociación de las variables estudiadas con la mediastinitis postoperatoria; mediante una regresión logística binaria simple, se consideró significativa la asociación por el test de wald, con valores de p<0,05, además de calcular los OR con un intervalo de confianza del 95%. Obsérvese en la tabla el listado de variables de mayor asociación en cursiva.
Análisis univariado de los factores de riesgo
| Variables | p | OR | Intervalo de confianza (95%) |
|---|---|---|---|
| Transfusión de hemoderivados (+2 unidades) | 0,000 | 14,82 | 6,67-33,05 |
| Sepsis respiratoria postoperatoria | 0,000 | 13,75 | 6,24-30,32 |
| Enfermedad pulmonar obstructiva crónica | 0,000 | 11,81 | 5,53-25,22 |
| Hiperglucemia postoperatoria | 0,000 | 7,62 | 3,35-17,32 |
| Bajo gasto cardiaco postoperatorio | 0,000 | 6,24 | 2,57-15,16 |
| Tiempo de ventilación artificial mecánica>24h | 0,000 | 5,78 | 2,87-11,63 |
| Hábito de fumar | 0,000 | 4,50 | 2,27-8,92 |
| Diabetes mellitus | 0,000 | 4,34 | 2,13-8,86 |
| Estadía postoperatoria en UCI | 0,000 | 1,76 | 1,45-2,13 |
| Bajo gasto cardiaco intraoperatorio | 0,002 | 4,39 | 1,73-11,13 |
| Hemorragia intraoperatoria | 0,005 | 11,13 | 2,08-59,41 |
| Reintervención en el postoperatorio inmediato | 0,005 | 3,27 | 1,44-7,44 |
| Neumotórax postoperatorio | 0,007 | 4,55 | 1,51-13,74 |
| Derrame pericárdico postoperatorio | 0,016 | 3,32 | 1,25-8,83 |
| Estadía preoperatoria | 0,016 | 0,93 | 0,87-0,99 |
| Disfunción de ventrículo izquierdo | 0,019 | 3,50 | 1,23-9,99 |
| Sepsis endovascular | 0,030 | 3,13 | 1,12-8,75 |
| Arritmia en el postoperatorio | 0,070 | 2,10 | 0,94-4,70 |
| Uso de balón de contrapulsación intraaórtico | 0,076 | 3,42 | 0,88-13,28 |
| Arritmia intraoperatoria | 0,078 | 2,62 | 0,90-7,63 |
| Taponamiento | 0,161 | 4,14 | 0,57-30,22 |
| Tiempo de derivación cardiopulmonar | 0,236 | 1,01 | 0,99-1,02 |
| Infarto agudo de miocardio perioperatorio | 0,277 | 2,74 | 0,44-16,94 |
| Obesidad | 0,282 | 1,48 | 0,72-3,05 |
| Cirugía de urgencia | 0,317 | 2,07 | 0,50-8,62 |
| Cirugía coronaria | 0,349 | 0,73 | 0,38-1,41 |
| Uso de marcapasos en el postoperatorio | 0,424 | 1,76 | 0,44-7,11 |
| Tiempo de paro anóxico | 0,606 | 0,99 | 0,97-1,02 |
Fuente: Hoja de resultados del IBM SPSS versión 20.0.
La tabla 3 expone el modelo, además de su ecuación binaria que fue útil para calcular la probabilidad de mediastinitis en la muestra, con punto de corte en 0,5.
Resultados de la regresión logística binaria multivariada (modelo predictivo) y su ecuación
| Variables | B | ET | Wald | gl | Sig. | Exp(B) | IC 95% para Exp(B) | |
|---|---|---|---|---|---|---|---|---|
| Inferior | Superior | |||||||
| Enfermedad pulmonar obstructiva crónica | 2,281 | 0,510 | 19,970 | 1 | 0,000 | 9,785 | 3,598 | 26,608 |
| Hiperglucemia postoperatoria | 1,619 | 0,559 | 8,399 | 1 | 0,004 | 5,046 | 1,689 | 15,078 |
| Tiempo de ventilación artificial mecánica mayor de 24h | 0,978 | 0,489 | 4,002 | 1 | 0,045 | 2,660 | 1,020 | 6,939 |
| Transfusión de más de 2 unidades de hemoderivados | 2,253 | 0,558 | 16,322 | 1 | 0,000 | 9,520 | 3,191 | 28,405 |
| Neumotórax postoperatorio | 1,839 | 0,896 | 4,213 | 1 | 0,040 | 6,289 | 1,087 | 36,400 |
| Sepsis endovascular | 1,921 | 0,849 | 5,116 | 1 | 0,024 | 6,827 | 1,292 | 36,066 |
| Constante | −4,773 | 0,652 | 53,649 | 1 | 0,000 | 0,008 | ||
La calibración del modelo por la prueba de Hosmer-Lemeshow se observa en la tabla 4 con resultado de p=0,863.
El poder discriminante del modelo se evaluó mediante la curva ROC, que se muestra en la figura. 1; se obtuvo un área bajo la curva de 0,961.
La tabla 5 proporciona los valores predictivos del modelo. Para su cálculo se tuvo en cuenta la incidencia real de la enfermedad (0,98×100).
La validación del modelo fue del tipo interna por el método de data splitting o división de los datos como se explicó y su resultado se puede observar en la tabla 6. En ambos subconjuntos el modelo ofrece resultados muy parecidos en cuanto a porcentajes correctos y la prueba de bondad de ajuste de Hosmer-Lemeshow para ambos se encontró por encima de 0,5, lo que significa que el modelo se ajusta a los datos de la muestra de entrenamiento y de prueba.
Resultados de la validación interna data splitting o división de los datos
| Pronosticado | |||||||
|---|---|---|---|---|---|---|---|
| Casos de entrenamiento | Casos de prueba | ||||||
| Mediastinitis | % correcto | Mediastinitis | % correcto | ||||
| No | Sí | No | Sí | ||||
| Mediastinitis | No | 124 | 4 | 96,9 | 50 | 2 | 96,2 |
| Sí | 16 | 16 | 50 | 4 | 9 | 69,2 | |
| Porcentaje global | 87,5 | 90,8 | |||||
| Prueba de bondad de ajuste Hosmer-Lemeshow | p=0,843 | p=0,589 | |||||
Fuente: Hoja de resultados del IBM SPSS versión 20.0.
La tabla 1 muestra que la incidencia de mediastinitis postoperatoria en Cardiocentro Ernesto Guevara durante el periodo de estudio es del 0,98%, la cual se comporta en el rango que señala la mayoría de los autores7,8. Lazar et al. manifiestan que en Estados Unidos mantiene una incidencia entre el 1 y 4%, con elevación de los costos y añaden que no existen guías específicas de práctica rutinaria para su prevención13. En el Hospital Universitario Aarhus de Dinamarca reportan una incidencia cercana a la nuestra del 1,25%26. En la revisión realizada por Sharif et al. del Reino Unido, plantean que ocurre entre el 1 y 3% en dependencia de la definición usada, los factores de riesgo, la aplicación de medidas preventivas y la vigilancia epidemiológica estricta27. De otra parte, el estudio de Zhou et al. sobre la revascularización miocárdica con uso de ambas arterias mamarias internas plantea que la mediastinitis postoperatoria puede incrementar su incidencia hasta el 3,26%, comparado con un 1,70% cuando se utiliza solo una28–30. En el trabajo que mostramos no se incluye el uso de ambas arterias mamarias por su poca práctica en el periodo de estudio. En Cuba, aparte de nuestro reporte, se cuenta con el de Machín et al. del Cardiocentro de Santiago de Cuba con una incidencia del 3,2% en el año 201131. Hemos tenido una baja incidencia en estos 20 años, pero han sido pacientes con elevada morbilidad.
La tabla 2 muestra los resultados del análisis univariado y se aprecia que importantes factores de riesgo como transfusión de hemoderivados, sepsis respiratoria postoperatoria, EPOC, hiperglucemia postoperatoria, bajo gasto cardiaco postoperatorio, tiempo de ventilación artificial mecánica mayor de 24h, hábito de fumar, diabetes mellitus, reintervención en el postoperatorio inmediato, neumotórax postoperatorio, estadía postoperatoria en UCI y algunas otras pautan una relación significativa con la aparición de mediastinitis postoperatoria en la muestra. En el estudio de Konishi et al. se relacionan variables comunes a nuestro análisis como el tiempo de ventilación artificial mecánica y la estadía en cuidados intensivos, pero asocia otras como el tiempo de cirugía y pinzamiento aórtico30. Gatti et al., de la Universidad de Trieste, Italia, en su análisis univariado de los factores de riesgo encontraron una relación significativamente estadística con sexo femenino, hábito de fumar, diabéticos mal controlados, anemia, tiempo prolongado de ventilación artificial mecánica y la politransfusión22, de las que coinciden solo el tiempo de ventilación artificial mecánica y la politransfusión. En la Universidad de Texas, Cutrell y su grupo demostraron en su muestra que los factores de riesgo con mayor significado de asociación con la mediastinitis postoperatoria fueron la estadía hospitalaria y la politransfusión32; en nuestro estudio la estadía preoperatoria y postoperatoria en UCI mostraron asociación. Lemaignen et al., de París, Francia, encontraron en su estudio que los factores de riesgo que más se asociaron fueron la edad avanzada, diabetes mellitus, fracción de eyección del ventrículo izquierdo menor de 50%, cirugía coronaria y combinada, uso de arteria mamaria interna, transfusiones, tiempo prolongado de ventilación artificial y estadía hospitalaria prolongada16; nuestra muestra no incluye el uso de doble arteria mamaria interna por el reducido número practicado, ya explicado. La cirugía coronaria no mostró asociación significativa. El análisis univariado del trabajo de Nieto, de Madrid, concluyó que los factores más relacionados fueron edad, obesidad, EPOC, disfunción renal aguda, tiempos prolongados de circulación extracorpórea y de pinzamiento aórtico, cirugía coronaria, tiempos prolongados de ventilación mecánica y con drenajes20, a diferencia de la serie estudiada en la que la obesidad y los tiempos de circulación extracorpórea y pinzamiento no se relacionan significativamente, como sí lo hace el tiempo de ventilación artificial. Gutiérrez et al. en España, solo estudian la revascularización miocárdica y obtienen que se vinculan con la presencia de mediastinitis postoperatoria, obesidad, insuficiencia renal aguda, diabetes mellitus, tiempos prolongados de circulación extracorpórea y pinzamiento aórtico, estadía prolongada en cuidados intensivos y tiempo prolongado de ventilación artificial33. Señala Machín que los factores con mayor asociación en su investigación fueron EPOC, estadía preoperatoria y en cuidados intensivos y tiempo prolongado de ventilación artificial31. Como apreciamos en múltiples estudios, factores como tiempo prolongado de ventilación artificial, EPOC, mal control glucémico en diabéticos, disfunción renal aguda, reintervenciones o politransfusiones, son los que se reiteran. Por eso, constituyen aquellos a los que se debe prestar mayor atención en virtud de la prevención, de ahí que en muchos centros de cirugía cardiaca se implementen estrategias de recuperación rápida para mitigar el efecto de muchos de estos elementos de riesgo.
La tabla 3 muestra el análisis multivariado de regresión logística donde la inclusión de variables independientes fue paso a paso a través del método introducir, lo que permitió mitigar el efecto indeseado de la colinealidad. Quedó como modelo predictivo concluyente de nuestro estudio aquel que conforman las variables: EPOC, hiperglucemia postoperatoria, tiempo de ventilación artificial mecánica mayor de 24h, transfusión de más de 2 unidades de hemoderivados, neumotórax postoperatorio y sepsis endovascular. Coincide con los modelos de otros autores en algunas variables y difiere en otras. La sepsis endovascular no ha sido reportada en otro modelo y se reiteran el tiempo prolongado de ventilación artificial mecánica y la transfusión de hemoderivados. Debido a las especificidades muestrales, cada modelo predice de acuerdo a las características de la población de la que se obtiene, por ello es necesario evaluar su rendimiento a través de su poder discriminante y de su calibración y mejor aún validarlo, ya sea interna o externamente. Como el publicado por Nieto, de Madrid, España en 201420, validada en esa población en el 201521. En 2016, en Italia, se elaboró un modelo con el objetivo de predecir la mediastinitis luego de cirugía coronaria con el uso de arteria mamaria bilateral, con buena discriminación y calibración22. En Brasil se desarrollaron 2 modelos, solo para cirugía coronaria23,24, ambos en 2017 con buen ajuste y validación interna. También para la cirugía coronaria, se validó en Italia otro modelo predictivo de reciente publicación, a partir de varios modelos preexistentes25.
Ofrecemos la ecuación del modelo en la propia tabla con punto de corte en 0,5 lo que significa que por encima o igual a esta cifra, su valor predictivo es positivo y por debajo sería negativo.
Para evaluar el rendimiento del modelo se analizó calibración y poder discriminante.
CalibraciónComo se realizó un estudio de casos y controles, en el que la incidencia no es real, se debe ajustar el término constante de la ecuación anterior (−4,77), para poder calcular la probabilidad con mayor exactitud, lo cual se realizó a través de la siguiente expresión aritmética:
Donde βajustado constituye el ajuste del modelo a la incidencia real, β0 la constante del modelo (−4,77), f1 es la incidencia en el entorno donde se construyó el modelo según estudio de casos y controles (20%), y f2 constituye la incidencia real de la mediastinitis en el contexto donde se va a realizar el pronóstico (0, 98%).
Luego de este cálculo se pudo hacer la prueba de Hosmer-Lemeshow, ahora con la incidencia ajustada y calibrar correctamente el modelo. Se obtuvo un valor de 0,863 que indica que el modelo posee un buen ajuste a los datos por ser mayor de 0,05. Lo que se plasmó en la tabla 4.
DiscriminaciónSe evaluó mediante la curva ROC, que se mostró en la figura 1. Apreciamos un área bajo la curva de 0,916 por lo que el modelo tiene capacidad discriminatoria. Muchos autores utilizan la curva ROC para estos fines20,21,25.
Buen ajuste (calibración) y capacidad discriminatoria se traducen en buen rendimiento del modelo predictivo.
Los valores predictivos del modelo se muestran en la tabla 5, y para su cálculo se tuvo en cuenta la incidencia real de la mediastinitis postoperatoria (0,98%). Posee una sensibilidad y especificidad adecuadas y un buen valor predictivo negativo, no así su valor predictivo positivo el cual no es bueno. O sea, que el modelo pronostica muy bien los que no van a tener mediastinitis postoperatoria. Esto se debe fundamentalmente al tipo de estudio presentado y a que la muestra es pequeña.
Se realizó una validación interna del modelo por el método de data splitting o división de los datos. Véase en la tabla 6 que el conjunto de casos y sus correspondientes controles se dividió en 2 subconjuntos de datos, uno con el 70% para elaborar el modelo (entrenamiento) y el otro con el 30% restante para la validación (prueba). Se pudo observar que los porcentajes correctos para ambos subconjuntos son muy parecidos y la prueba de Hosmer-Lemeshow mostró buen ajuste.
Los modelos predictivos son una herramienta muy útil actualmente, además de constituir el primer paso hacia la obtención de una escala matemática de predicción de riesgo, necesarios en la práctica actual.
ConclusionesLa incidencia de mediastinitis postoperatoria en el Cardiocentro Ernesto Guevara es baja. Se determinaron los factores de riesgo predictores de esta complicación en la muestra. El modelo predictivo elaborado a partir de la regresión logística quedó compuesto por los predictores: EPOC, hiperglucemia postoperatoria, tiempo de ventilación artificial mecánica mayor de 24h, transfusión de más de 2 unidades de hemoderivados, neumotórax postoperatorio y sepsis endovascular. Presentó buen ajuste y poder discriminante, sobre todo valor predictivo negativo. Se logró realizar su validación interna por el método de división de datos.
Limitaciones del estudio: La principal limitante del estudio es la muestra pequeña. Es una suerte tener baja incidencia de mediastinitis, pero nos afecta la investigación. Además, el tipo de estudio (casos y controles), pero fue imposible hacer una cohorte prospectiva por la pérdida de muchos datos debido a los años.
FinanciaciónNinguna
Conflicto de interesesNinguno.
