Objetivos: La mayoría de los sistemas de identificación de eventos adversos (EA) infra-estiman su incidencia real. El “Institute for Healthcare Improvement” (IHI), ha desarrollado el “IHI Global Trigger Tool" (GTT) para la medición de EA. Se basa en la selección de historias clínicas que, con alta probabilidad, se asocian a EA mediante la identificación de sucesos alarma (“triggers"). Las historias en las que se halla algún "trigger", se revisan en busca de EA. Esta herramienta ha demostrado ser altamente eficaz y eficiente detectando incluso diez veces más EA que otros sistemas. El objetivo de este estudio es comprobar la validez de la herramienta adaptada a los sistemas de informatización electrónica para pacientes quirúrgicos y realizar una propuesta de optimización de la misma.

Métodos: Estudio retrospectivo, observacional y descriptivo en pacientes sometidos a intervención quirúrgica en tres servicios de Cirugía General de un hospital de tercer nivel. Se adaptó la herramienta GTT, tras una revisión exhaustiva de la literatura, teniendo en cuenta las características de los sistemas de información el hospital. Los “trigger” propuestos por el IHI se agrupan en cinco módulos: cuidados generales, medicación, quirúrgico, pediátrico y cuidados intensivos. Se descartaron los “triggers” que no podían identificarse de manera electrónica a través de la red interna informática del propio hospital y se añadieron otros. Se cribaron 350 historias clínicas. Tanto las historias que contenían algún “trigger” como las que no contenían ninguno fueron revisadas minuciosamente para la búsqueda de EA. Para medir la validez de la herramienta para detectar la presencia de un EA, se utilizó la sensibilidad y especificidad de la prueba diagnóstica. Se realizó un modelo de predicción mediante regresión logística binaria introduciendo como variable dependiente la aparición de EA y como variables independientes las variables (“trigger”) que obtuvieron significación estadística en el análisis bivariante.

Resultados: La herramienta adaptada incluyó 21 “triggers”. Mostró una sensibilidad del 86% y una especificidad de 93,6%. Su valor predictivo positivo fue del 89% y su valor predictivo negativo del 92%. El tiempo medio de revisión fue menor a cinco minutos por historia. El modelo de predicción demostró que 3 de los “triggers” empleados hubieran sido capaces de detectar el 79% del total de EA; 6 el 92% de los EA que suponían aumento de la estancia hospitalaria y 5 de ellos el 77,69% de los EA evitables. El modelo para la detección de EA se repitió para los tres servicios de cirugía analizados.

Conclusiones: La herramienta GTT presenta una alta sensibilidad y especificidad en la detección de efectos adversos para pacientes de cirugía general. La propuesta de optimización de la herramienta ha mostrado buenos resultados con una pérdida de sensibilidad y especificidad aceptable.