Introducción

El concepto de triaje se creó inicialmente como método de clasificación de pacientes que requerían manejo inmediato en momentos críticos (p. ej., campos de guerra), cuando su utilidad era priorizar su atención (1). Desde inicios del siglo XX, el rápido crecimiento de los sistemas de emergencias llevó a un desarrollo de diferentes modelos de triaje en Estados Unidos, Reino Unido y Europa (2,3).

En la literatura sobre el tema se documenta el primer triaje médico en un servicio de urgencias en el New Haven Hospital (Universidad de Yale) en 1963, cuyo objetivo era la priorización de pacientes para el acceso a los servicios de salud (4). En la actualidad se destacan los sistemas de triaje en tres fases: una inicial prehospitalaria (manejo de recursos prehospitalarios y ambulancias), una segunda en la escena (médicos de primer contacto) y una tercera al ingreso al servicio de emergencias (3).

Existen herramientas para priorizar la atención de los pacientes a su ingreso al servicio de urgencias que han demostrado asociación con reingreso, mortalidad e ingreso a la unidad de cuidados intensivos (2,3,5), dentro de las cuales se encuentran el modelo australiano (Australian Triage Scale [ATS]), la Escala Canadiense de Triaje y Gravedad para los Servicios de Urgencias (Canadian Emergency Department Triage and Acuity Scale [CTAS]), el Sistema de Triaje de Manchester (Manchester Triage System [MTS]), el Índice de Gravedad de Urgencias (Emergency Severity Index [ESI]) y el SAPS II (Simplified Acute Physiology Score), entre los más conocidos (6).

Las escalas de triaje presentan limitaciones metodológicas y cada una se ha desarrollado en una población local donde la heterogeneidad entre los múltiples sistemas condiciona que no haya un consenso universal ni parámetros formalizados (7). Adicionalmente, la diversidad y la complejidad de cada institución dificulta tener siempre una clasificación correcta y, por lo mismo, no existe un patrón de referencia (gold standard) para medir su precisión (3,8).

Desde hace ocho años, el Hospital Universitario San Ignacio (HUSI) utiliza un triaje basado en la recomendación de expertos, que se compone de cinco niveles y es llevado a cabo por una enfermera entrenada, quien tiene en cuenta signos vitales, motivo de consulta, antecedentes, edad y género. Una vez otorgado uno de los cinco niveles, el paciente se deriva a valoración médica y se establecen los tiempos de atención según la categoría.

Aunque este triaje identifica a los pacientes de acuerdo con los cinco niveles, pueden existir mecanismos complementarios que ayuden a mejorar la selección con mayor riesgo estando en el mismo nivel de clasificación, situación que puede darse más frecuentemente en hospitales de alta complejidad y gran volumen de consulta. En la búsqueda de literatura realizada no se encontraron modelos predictivos que identifiquen a estos pacientes, ni el planteamiento de modelos nuevos que lo permitan. Aquí es donde se propone plantear un modelo predictivo con las variables encontradas en el triaje utilizado en un hospital de alta complejidad en la ciudad de Bogotá (Colombia).

Métodos

Se llevó a cabo estudio de cohorte prospectiva de los pacientes adultos que ingresaron al servicio de urgencias del HUSI en Bogotá entre marzo de 2018 y febrero de 2019. Se excluyeron aquellos pacientes remitidos o con egreso sin finalizar atención médica en las primeras 24 horas de su ingreso, para un total de 6438 pacientes. El Comité de Investigación institucional aprobó la realización del estudio.

En la población del estudio, la enfermera jefe hizo el triaje de acuerdo con el protocolo institucional. Las variables recolectadas se tomaron tanto del triaje como de la historia clínica electrónica institucional, con ayuda del software REDCap, versión 9.1.18 (9). Entre tanto, se utilizó para el análisis el software R, versión 3.5.1 (10).

Para las variables demográficas se utilizó la mediana; para las variables continuas, el rango intercuartil (IQR), y para las variables categóricas y conteo de datos faltantes, frecuencias relativas y absolutas. De la población total de pacientes, se dividieron los datos aleatoriamente en entrenamiento (70 %) y prueba (30 %). Sobre los datos de entrenamiento se ajustaron modelos estadísticos y sobre los datos de prueba se evaluó el rendimiento de estos modelos. Los datos faltantes se omitieron sin realizar imputación.

En un principio, se analizó el triaje como una variable ordinal, y se propuso la combinación de las variables triaje 4 y triaje 5 como categoría base en el modelo, debido a los pocos fallecimientos que hubo en esas dos categorías.

También se analizaron los datos como variable única y multivariada, mediante una regresión logística bivariada entre triaje y mortalidad. Posteriormente, se ejecutó una regresión logística multivariada con los predictores —género, edad, sexo, tensión arterial sistólica (TAS) y tensión arterial diastólica (TAD) medidas en milímetros de mercurio (mmHg), frecuencia cardiaca (en latidos por minuto), frecuencia respiratoria (en respiraciones por minuto), saturación arterial de oxígeno (SaO₂), escala de Norton, estancia hospitalaria y eventos adversos—. Después se realizó la prueba de razón de verosimilitudes para reducir el modelo. Al modelo reducido se le agregaron interacciones significativas con fines de mejorar el rendimiento de este (edad, TAS, motivos de consulta). Finalmente, se efectuaron dos modelos, consistentes en un modelo reducido, compuesto por las variables significativas, y otro modelo, retirando los motivos de consulta.

En los datos de prueba se calcularon áreas bajo la curva (ROC) para escoger el mejor modelo de los tres anteriores y elegir el mejor punto de corte. Su rendimiento se evaluó mediante la sensibilidad, la especificidad, el valor predictivo positivo (VPP) y el valor predictivo negativo (VPN).

Posteriormente, se planteó un árbol de decisiones basado en los datos significativos, con el fin de obtener puntos de corte para la toma de decisiones clínicas, complementarias al triaje. Además, se plantearon tres posibles modelos de árbol de decisión CART, CHAID y Conditional Tree (11).

Resultados

En la tabla 1 se muestran las características demográficas de los datos que se utilizaron para el estudio. Se observa que no existe una diferencia significativa entre el grupo de muerte y sobrevida, en cuanto a proporción de hombres y mujeres que consultaron al HUSI durante el tiempo establecido.

En cuanto a las variables analizadas que demostraron una diferencia significativa, se encuentran: edad medida en IQR (59-80 para muerte), TAS (IQR: 95-132) y motivos de consulta: disnea, alteración del estado de conciencia y remisión. Estas variables se utilizaron para el planteamiento de los modelos de regresión logística.

El resto de la tabla 1 muestra los componentes del triaje del HUSI, compuestos por las variables hemodinámicas restantes (frecuencia cardiaca, frecuencia respiratoria, TAD y SaO2). Otros motivos de consulta y antecedentes del paciente no presentaron significancia estadística, por lo que no se proponen para la inclusión en el modelo, aunque el grupo de mortalidad presentó frecuencias cardiacas y respiratoria mayores, TAD menor, y con mayor frecuencia antecedente de insuficiencia cardiaca, enfermedad renal crónica, insuficiencia hepática severa y neoplasia metastásica, comparado con el grupo de sobrevida.

Finalmente, en cuanto al triaje, se observa que los pacientes clasificados como 1-2 tuvieron mayor mortalidad vs. los pacientes clasificados como 3, 4 o 5. Ello evidencia una relación directa entre el nivel de triaje y la mortalidad.

Modelos predictivos

Se plantea un modelo univariado con el triaje continuo, el cual tuvo una ROC de 0,82, que es el punto de corte para la comparación con otros modelos. Posteriormente, se ejecutaron dos modelos multivariados, constituidos por las variables con significancia encontrada (motivos de consulta, edad y tensión arterial sistólica), uno compuesto por todas ellas, denominado modelo reducido (tabla 2), y el otro en el que se retiran los diferentes motivos de consulta, dada la gran heterogeneidad y segregación de estos, denominado Edad + TAS (tabla 3).

Se realizaron las ROC del modelo univariado de triaje y de los dos modelos propuestos para la generación de alertas en pacientes con el mismo nivel de triaje. Encontramos que la ROC del triaje es de 0,82; la ROC del modelo reducido es 0,90, y la ROC del modelo Edad + TAS es de 0,87, como se puede observar en la figura 1.

Al realizar pruebas de Delong entre los modelos, no se evidencia una diferencia significativa entre el modelo reducido (12) y el modelo Edad + TAS, por lo que se podría usar cualquiera de estos, buscando el objetivo de priorizar a un paciente en el mismo nivel de triaje.

Con la matriz de confusión del modelo reducido (tabla 4) y con los datos de prueba, compuestos por un total de 1925 pacientes, se observó que aplicando el modelo se lograba priorizar a un 16,6 % de los pacientes (320). Además, se obtuvieron las siguientes características operativas: sensibilidad de 0,869, especificidad de 0,842, VPP de 0,066 y VPN de 0,998.

Con los datos encontrados y al evidenciar que el modelo Edad + TAS podría generar alertas para la priorización de pacientes con el mismo nivel de categorización, se consideró plnatear un árbol de decisiones, con el objetivo de obtener puntos de cortes para su posible uso en la práctica clínica mediante el modelo CHAID. En la tabla 5 se muestran las características del modelador de datos utilizado para el árbol de decisiones. Los rangos de edad y las TAS se dividieron en cuatro grupos con cantidad de pacientes equivalentes, para hacer posible su comparación.

En la figura 2 se muestra el árbol de decisiones planteado y se observa cómo en los triajes 1-2 se encontró un punto de corte para la TAS de 117 y para una edad de 58 años; en tanto que para el triaje 3 se encontró un punto de corte de decisión para una edad en 58 años.

Discusión

La clasificación de los pacientes en los servicios de urgencias es vital, dado que puede influir en su morbimortalidad. En una institución de salud, el triaje es el área encargada de clasificar la prioridad de atención con ayuda de un método idóneo y lograr disminuir los desenlaces negativos, agilizar los procesos y evitar sobrecargas (6,8). En el mundo se han propuestos múltiples escalas de clasificación, en las que destacan la ATS, la CTAS, el MTS, el ESI y el SAPS II (6).

Hasta el momento no existe un patrón de referencia para medir la precisión del triaje, y ningún modelo de estos ha demostrado ser superior a otro, ya que su uso está supeditado a la región e institución donde fue propuesto o adoptado (13-15).

Al analizar el grupo de mortalidad, encontramos que la categorización del triaje se relaciona con la mortalidad. Se observa una disminución porcentual de muertes asociada a un aumento en el nivel de categorización (triaje 1 con 14,29 % de muertes, triaje 2 con 9,59 % de muertes y triaje 3 con 1,48 % de muertes).

Si bien nuestro modelo de triaje presenta una correlación con la mortalidad, la comparación por ROC no es directa con otros modelos de triaje utilizados en la actualidad. Múltiples estudios han analizado la relación entre el nivel de clasificación de una escala de triaje y el ingreso hospitalario, pero al buscar la relación de triaje y mortalidad, encontramos un estudio de Van der Wulp et al. (16), publicado en Emergency Medicine Journal, que documenta que el 82,1 % de los pacientes (de una cohorte de más de 35.000 pacientes) que murieron fueron clasificados como categoría 1 en ESI, y el 75.9 % de los pacientes que murieron fueron clasificados como categoría roja en MTS (16).

Al comparar la mortalidad presentada por nivel de triaje, se encontró una similitud entre las escalas ATS, ECTAS y MEETS y los hallazgos del triaje realizado en el HUSI, siendo para el triaje 1 la mortalidad más alta (ATS: 12 %; ECTAS: 22 %; MEETS: 14 %; HUSI: 14 %). Para el triaje 2 se evidenció una presencia de mortalidad similar entre escalas (ATS: 5 %; ECTAS: 6 %; MEETS: 2,1 %; HUSI: 9,59 %) (17).

La ATS y el MTS se han revisado en múltiples ocasiones y se ha encontrado que en ATS cerca del 18 % y en el MTS cerca del 15 % de los pacientes fueron clasificados en las categorías II o III, y ello implicaría un posible impacto negativo en los desenlaces de los pacientes críticamente enfermos (18,19).

Nuestros datos muestran que de 79 pacientes fallecidos, el 54,4 % se clasificó como triaje 1-2, aunque la cantidad de pacientes analizados fue inferior a la de los estudios citados en párrafos anteriores, donde se compara la mortalidad con diferentes escalas de clasificación. Así mismo, encontramos que el 44 % de las muertes se encontraba clasificada como triaje 3; mientras que en escalas como el ESI o el MTS se documenta el 7,1 % y el 3,4 %, respectivamente (16). Ello nos lleva a preguntar si existe una posible subtriaje, como se sugiere ocurre en otras escalas (20), o a las características de los pacientes que ingresan al HUSI, que para el estudio correspondieron a 40 muertes de pacientes con patología oncológica.

Este estudio revela el poder discriminatorio de los modelos propuestos con una ROC de 0,90 para el modelo reducido y de 0,87 para el modelo de Edad + TAS para predecir la mortalidad intrahospitalaria de los pacientes que ingresan al servicio de urgencias de un hospital universitario por una condición médica o quirúrgica, lo que es mucho mejor que el 0,82 para el triaje solo y podría ser de utilidad para generar alertas adicionales a la clasificación en niveles equivalentes, que permitan mejorar la priorización de ingreso de los pacientes.

Si analizamos los modelos propuestos, encontramos una diferencia significativa entre el reducido vs. el modelo Edad + TAS, lo que podríamos interpretar como que a mayor edad y mayor compromiso de la TAS, podría generar alarmas en pacientes con el mismo nivel de triaje como características importantes.

Al analizar las diferentes escalas por el método de GRADE, no se encuentra evidencia fuerte para la estandarización de criterios entre estas, y lo que es más llamativo, no se ha estudiado ampliamente la habilidad de incluir las variables hemodinámicas individuales para predecir desenlaces (17).

Considerando una posible implementación clínica, se decidió realizar un árbol de decisiones con los datos del modelo Edad + TAS y se encontraron puntos de corte para el grupo combinado de triaje 1-2, una TAS menor de 117 mmHg y una edad mayor a 39 años como características de priorización entre estos grupos, y en el triaje 3 se encontró una edad mayor a 58 años como factor para priorización. Hay que considerar que con una mayor población esto puntos de corte podrían variar.

Como limitaciones, encontramos que los datos en el triaje del HUSI tienen una amplia segregación, principalmente en las variables motivo de consulta y antecedentes, que se presentan como múltiples patologías y conceptos que podrían organizarse en grupos coherentes para nuevos análisis. A pesar de que verificó la forma de recolección de los datos, podrían existir sesgos secundarios al error humano, situación que se trató de evitar con una doble revisión dato por dato posterior a la obtención de todos ellos.

Hacia el futuro, el modelo planteado podría servir de base para plantear modelos más complejos que impliquen el uso de técnicas como Machine Learning o Deep Learning, que posiblemente tengan un mejor rendimiento predictivo que la regresión logística.

Considerando lo anterior, proponemos la aplicación del modelo estadístico para los estudios de viabilidad y prospectivos, y una probable implementación de este en urgencias, a efector de ayudar en la detección temprana de pacientes con probabilidad de mortalidad aumentada.

Conflicto de intereses

Se declara que no hay conflicto de intereses para la realización de este proyecto de investigación.

Referencias

Notas de autor

^a Autor de correspondencia: cajimenez@javeriana.edu.co

Información adicional

Cómo citar: Jiménez C, Olejua P, Aguiar LG, García-Peña, AA, Sotelo Narváez JE, Cano Gutiérrez CA, Moreno A, Jurado N, Garzón A, Bustamante A, Torres D, París G, Santos M. Propuesta de modelo de predicción de mortalidad complementario al triaje en un hospital universitario en Bogotá (Colombia). Univ Med. 2021;62(3). https://doi.org/10.11144/Javeriana.umed62-3.tria

Descargar