Search

Resumen Objetivos: Desarrollar modelos de prediccion de pronostico para pacientes con COVID-19 que acuden a urgencias, basados en la radiografia de torax inicial (RXT), parametros demograficos, clinicos y de laboratorio. Metodos: Se reclutaron todos los pacientes sintomaticos con COVID-19 confirmada, que ingresaron en urgencias de nuestro hospital entre el 24 de febrero y el 24 de abril de 2020. Los parametros de la RXT, las variables clinicas y de laboratorio y los indices de hallazgos en RXT extraidos por una herramienta diagnostica de inteligencia artificial en esta primera visita se consideraron potenciales predictores. El desenlace individual mas grave definio los tres niveles de gravedad: 0) alta domiciliaria u hospitalizacion de 3 dias o inferior, 1) hospitalizacion mas de 3 dias y 2) necesidad de cuidados intensivos o muerte. Se desarrollaron y validaron internamente modelos de prediccion multivariable de gravedad y mortalidad hospitalaria. El indice de Youden se utilizo para la seleccion del umbral optimo del modelo de clasificacion. Resultados: Se registraron 440 pacientes (mediana de 64 anos; 55,9% hombres); el 13,6% de los pacientes fueron dados de alta, el 64% hospitalizo mas de 3 dias, el 6,6% requirio cuidados intensivos y un 15,7% fallecio. El modelo de prediccion de gravedad incluyo saturacion de oxigeno/fraccion de oxigeno inspirado (SatO2/FiO2), edad, proteina C reactiva (PCR), linfocitos, puntuacion de la extension de la afectacion pulmonar en la RXT (ExtScoreRXT), lactato deshidrogenasa (LDH), dimero D y plaquetas, con AUC-ROC = 0,94 y AUC-PRC = 0,88. El modelo de prediccion de mortalidad incluyo edad, SatO2/FiO2, PCR, LDH, ExtScoreRXT, linfocitos y dimero D, con AUC-ROC = 0,97 y AUC-PRC = 0,78. La adicion de indices radiologicos obtenidos por inteligencia artificial no mejoro significativamente las metricas predictivas. Conclusion: Los modelos de prediccion de pronostico desarrollados podrian ser utiles para clasificar en urgencias a los pacientes con COVID-19 u otras infecciones viricas con comportamiento similar.