Fatores de risco associados à mortalidade hospitalar em reoperação valvar mitral

Abstract

RESUMO Objetivo: identificar os fatores associados à mortalidade em reoperação valvar mitral, criar um modelo preditivo de mortalidade e avaliar o EuroSCORE. Métodos: foram avaliados 65 pacientes submetidos à reoperação de valva mitral no período de janeiro de 2008 a dezembro de 2017. Foi verificada a associação das variáveis com o óbito e criado um modelo de regressão logística múltiplo para estratificar os pacientes. Resultados: a mortalidade hospitalar foi de 13,8% e, neste grupo, o EuroSCORE foi de 12,33±8,87 (p=0,017), a fração de ejeção do ventrículo esquerdo (FEVE) foi de 45,33±5,10 (p=0,000), a creatinina foi 1,56±0,29 (p=0,002), o tempo de atividade da protrombina (TAP): 1,64±0,15 (p=0,001), pressão sistólica da artéria pulmonar (PSAP): 66,1±13,6 (p=0,002), sexo feminino: 88% (p=0,000), desnutrição: 77,7% (p=0,007), doença tricúspide associada: 44,4% (p=0,048), presença de arritmia ventricular: 77,7% (p=0,005), implante de prótese biológica: 55,5% (p=0,034), broncopneumonia e sepse: 33,3% (p=0,048), síndrome da resposta inflamatória sistêmica (SIRS): 55,5% (p=0,001), síndrome do baixo débito cardíaco: 88,8% (p=0,000). Conclusão: os fatores associados à mortalidade foram: EuroSCORE, FEVE, creatinina, TAP, PSAP, sexo feminino, desnutrição, doença tricúspide, arritmia ventricular, implante de prótese biológica, SIRS, SBDC, broncopneumonia e sepse. As variáveis explicativas de óbito do modelo foram: EuroSCORE, creatinina, TAP, FEVE, tempo de internamento na unidade de terapia intensiva (UTI), intervalo entre cirurgias e presença de arritmia ventricular. O EuroSCORE elevado está relacionado à maior mortalidade.

Data Science Methods for Nursing-Relevant Patient Outcomes and Clinical Processes

“…One study included a nutrition score, 74 one study included census-tract-level socioeconomic status, 83 and one study included nursing diagnoses 70 . The majority of the works used regression (with or without additional methods) for making predictions 24,68–76,78–86 . The regression models primarily leveraged logistic regression; however, two papers applied Cox proportional hazards regression 76,86 .…”

“…Sample sizes ranged from 51 to 281 522. Study populations included hospitalized adults from the following countries: Australia, 72 Brazil, 74 China, 71,75,76 Israel, 77 Ireland, 72 Italy, 70 Korea, 78,79 Singapore, 12 Spain, 68 Switzerland, 69 and the United States 24,80–85 …”

“…73 Sample sizes ranged from 51 to 281 522. Study populations included hospitalized adults from the following countries: Australia, 72 Brazil, 74 China, 71,75,76 Israel, 77 Ireland, 72 Italy, 70 Korea, 78,79 Singapore, 12 Spain, 68 Switzerland, 69 and the United States. 24,[80][81][82][83][84][85] Several studies focused on specific admission diagnoses or surgical procedures, which resulted in a trend toward better model performance compared to models including all-cause hospitalizations.…”

“…Variables serving as predictors primarily comprised demographic information, vital signs, laboratory values, and diagnoses/comorbidities/procedures. Less commonly included but notable predictor variables comprised physical assessments, 72 physiological status scores, 68,74,77,81,84 and medication exposures. 77,82,84 One study included a nutrition score, 74 one study included census-tract-level socioeconomic status, 83 and one study included nursing diagnoses.…”

“…70 The majority of the works used regression (with or without additional methods) for making predictions. 24,[68][69][70][71][72][73][74][75][76][78][79][80][81][82][83][84][85][86] The regression models primarily leveraged logistic regression; however, two papers applied Cox proportional hazards regression. 76,86 Ten papers noted the use of more contemporary methods for prediction: random forests, 12,24,78,81,82,87 gradient boosting, 12,24,77,81,82,86 naïve Bayes, 82 SVMs, 12,87 and neural networks.…”