Mostrar el registro sencillo del ítem
| dc.contributor | Villar Centeno, Juan Carlos | |
| dc.contributor | Vaquiro Herrera, Eliana Yineth | |
| dc.contributor | Villar Centeno, Juan Carlos [0000068519] | |
| dc.contributor | Villar Centeno, Juan Carlos [0000-0002-7047-7299] | |
| dc.contributor | Villar Centeno, Juan Carlos [Juan-Carlos-Villar-Centeno-2168464015] | |
| dc.creator | Ruiz Bedoya, Custodio Alberto | |
| dc.date | 2021-08-11T21:07:36Z | |
| dc.date | 2021-08-11T21:07:36Z | |
| dc.date | 2021 | |
| dc.date.accessioned | 2022-03-14T20:20:27Z | |
| dc.date.available | 2022-03-14T20:20:27Z | |
| dc.identifier | http://hdl.handle.net/20.500.12749/13780 | |
| dc.identifier | instname:Universidad Autónoma de Bucaramanga - UNAB | |
| dc.identifier | reponame:Repositorio Institucional UNAB | |
| dc.identifier | repourl:https://repository.unab.edu.co | |
| dc.identifier.uri | http://biblioteca-repositorio.clacso.edu.ar/handle/CLACSO/22427 | |
| dc.description | Introducción: La pandemia causada por la enfermedad por coronavirus 2019 (COVID-19) ha revelado la necesidad de optimizar los recursos en salud. Las herramientas que permiten diferenciar entre poblaciones con diferentes niveles de riesgo como las escalas o modelos de predicción, adquieren gran valor en este nuevo escenario. A la fecha se encuentran disponibles más de 50 escalas de pronóstico en COVID-19 pero la gran mayoría no han tenido procesos de validación externa y aún tienen un bajo potencial de generalización. Objetivo: Evaluar el desempeño de al menos tres escalas de predicción de mortalidad, en términos de su capacidad de discriminación, calibración y potencial generalización a la práctica clínica, al aplicarlas en una cohorte nacional de pacientes con infección por SARS-COV2 (RESCATE COVID-19). Metodología: A partir de una revisión sistemática viva de la literatura que contiene todas las escalas publicadas hasta mayo de 2020 y siguiendo un proceso estructurado, se eligieron las tres con mayor potencial de aplicación local. En cada una se realizó un proceso de caracterización de sus predictores (distribución, análisis bivariado y multivariado con regresión logística múltiple), evaluación de su capacidad de discriminación (área bajo las curvas ROC) y calibración (de manera gráfica y estadística: prueba de bondad de ajuste de Hosmer-Lemeshow, calibración en promedio “CITL”, pendiente de calibración). Además, se analizó el desempeño de los modelos utilizando sus puntajes o niveles de riesgo como variables independientes. Resultados: Tras el proceso de selección resultaron dos estudios orientales (Zhang-China, Xie-China) y uno latinoamericano (Bello-México) como candidatos para su validación local. Los predictores propuestos por los modelos son en su mayoría variables sociodemográficas, antecedentes de comorbilidades, laboratorios generales y algunas derivadas de la atención clínica. Los modelos fueron evaluados en 1342 pacientes con diagnóstico confirmado de COVID-19 que hacen parte de la cohorte RESCATE COVID-19 (mortalidad 12.7%). Esta incluye pacientes atendidos en seis hospitales ubicados 3 diferentes ciudades de Colombia. De los 7 predictores por la escala de Zhang-China solo 2 resultaron con OR significativo tras ser ajustados en un modelo de regresión logística multivariada (edad: OR 1.03; IC95% 1.01-1.06 y proteína C reactiva: OR: 1.07; IC95% 1.03 – 1.10). Su capacidad de discriminación resultó apenas aceptable (AUC: 0.78) y no demostró estar calibrada estadísticamente (HL p=0.002) ni en su evaluación gráfica. Al utilizar sus puntajes (calculados con una herramienta disponible en línea) y niveles de riesgo (según los puntos de corte propuestos) como variables predictoras, la escala tiene menor capacidad de discriminación (AUC: 0.73 y 0.67), persiste sin calibración estadística (HL p<0.05) y su evaluación gráfica empeora. Por su parte todos los predictores propuestos por la escala de Xie-China mostraron una asociación significativa con la mortalidad intrahospitalaria. Su capacidad de discriminación fue buena (AUC: 0.81) y sus predicciones se ajustaron a las observaciones de la cohorte (HL p=0.22). Sin embargo, no fue posible realizar un análisis de la escala de puntos basada en el nomograma que proponen sus autores. Se encontró que se trata de un sistema complejo de puntuación, con alta vulnerabilidad a errores de medición, demandante de tiempo y con poca probabilidad de aplicación a la práctica clínica diaria local. Cuatro de los 9 predictores de la escala Bello-México tuvieron medidas de asociación ajustadas significativas. Su capacidad de discriminación fue buena (AUC:0.80) y demostró calibración estadística (HL p=0.32) y gráfica. El sistema de puntuación como escala y los niveles de riesgo resultaron con mejor desempeño que el modelo (AUC: 0.87) y con muy buena calibración (HL p>0.05). Tras la evaluación de los puntos de corte para su aplicación clínica se eligió el umbral de 4 puntos en la escala para dividir entre alto y bajo riesgo (VPN: 98%, Sensibilidad del 90%). Conclusiones: La escala de Bello-México resultó tener muy buen desempeño al aplicarse a los pacientes con diagnóstico de COVID-19 de la cohorte RESCATE-COVID19. Su sistema de puntuación sencillo, con buena capacidad de discriminación entre pacientes de alto y bajo riesgo, ofrece predicciones calibradas de las probabilidades de mortalidad intrahospitalaria. Teniendo en cuenta la naturaleza de sus predictores se considera útil en escenarios de atención temprana de pacientes con diagnóstico o sospecha de la enfermedad. Con un punto de corte de 4 puntos la escala resulta útil como estrategia de tamización del pronóstico ya que puntajes menores tienen muy baja tasa de falsos negativos. Su uso puede informar mejor (aunque no reemplazar) la decisión clínica y optimizar la utilización de recursos. Es necesario evaluar su desempeño en otras poblaciones antes de generalizar su uso. La escala de Zhang-China no logró un buen desempeño al aplicarse a la cohorte. El modelo de Xie-China, aunque prometedor por su desempeño, presenta una herramienta para cálculo de puntajes compleja, vulnerable de error de medición y demandante de recursos, que no la hace apta para su aplicación clínica local. | |
| dc.description | 1. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN ............................ 18 2. MARCO TEÓRICO Y ESTADO DEL ARTE ................................................... 22 2.1. Breve recuento histórico ............................................................................... 22 2.2. Situación actual de la epidemia por COVID-19 en Colombia ...................... 23 2.3. Diagnóstico, manifestaciones clínicas y curso de la COVID-19 ................. 24 2.4. Dificultades para el diagnóstico temprano de pacientes con COVID-19 en Colombia: ................................................................................................................... 27 2.5. Escalas de predicción de mortalidad o complicaciones por la COVID-19. 27 3. OBJETIVOS ................................................................................................... 29 3.1. Objetivo General ............................................................................................. 29 3.2. Objetivos específicos..................................................................................... 29 4. DESARROLLO METODOLÓGICO POR OBJETIVOS .................................. 30 4.1. Diseño general: .............................................................................................. 30 4.2. Para el desarrollo del primer objetivo: Proceso de selección estructurada de las escalas de predicción disponibles ................................................................ 30 4.3. Para el desarrollo del segundo objetivo: Caracterización de las escalas potencialmente aplicables ........................................................................................ 33 4.4. Para el desarrollo del tercer objetivo: Validación externa de las escalas. . 39 4.4.1. Metodología de la Cohorte RESCATE COVID-19: ................................................. 39 4.4.2. Calidad de los datos:............................................................................................... 40 4.4.3. Variables y unidades de medida: ............................................................................ 41 4.4.4. Manejo de los datos faltantes en la cohorte de validación: .................................... 44 4.4.5. Metodología para la evaluación del desempeño de las escalas en términos de su capacidad de discriminación y calibración en la cohorte local: ................................................ 46 4.4.6. Metodología para la evaluación del desempeño de las escalas en términos de su capacidad de discriminación y calibración en los pacientes sospechosos de la cohorte local: 49 5. CONSIDERACIONES ÉTICAS ...................................................................... 50 6. RESULTADOS ............................................................................................... 52 6.1. Proceso de evaluación del desempeño de la escala Zhang-China al aplicarlo a la cohorte RESCATE COVID-19: ............................................................. 52 6.1.1. Pasos 1-3 del proceso de evaluación del desempeño del modelo: Análisis univariado – bivariado y modelo de regresión logística múltiple: ............................................. 52 6.1.2. Paso 4 de la evaluación del desempeño del modelo: Capacidad de discriminación. 55 6.1.3. Paso 5 de la evaluación del desempeño del modelo: Calibración. ........................ 56 6.1.4. Evaluación del desempeño de la escala Zhang-China según probabilidades calculadas en plataforma digital: .............................................................................................. 57 6.1.5. Evaluación del desempeño de la escala Zhang-China según los niveles de riesgo obtenidos a partir de los puntajes: ........................................................................................... 59 6.1.6. Conclusiones del análisis del desempeño de la escala Zhang-China al aplicarla a la cohorte RESCATE COVID-19: ................................................................................................. 62 6.2. Proceso de evaluación del desempeño de la escala Xie-China al aplicarlo a la cohorte RESCATE COVID-19: ............................................................................... 62 6.2.1. Pasos 1-3 del proceso de evaluación del desempeño del modelo: Análisis univariado – bivariado y modelo de regresión logística múltiple: ............................................. 62 6.2.2. Paso 4 de la evaluación del desempeño del modelo: Capacidad de discriminación. 66 6.2.3. Paso 5 de la evaluación del desempeño del modelo: Calibración. ........................ 67 6.2.4. Evaluación del desempeño de la escala Xie-China según puntajes calculados: ... 68 6.2.5. Conclusiones del análisis del desempeño de la escala Xie-China al aplicarla a la cohorte RESCATE COVID-19: ................................................................................................. 68 6.3. Proceso de evaluación del desempeño de la escala Bello-México al aplicarlo a la cohorte RESCATE COVID-19 .............................................................. 69 6.3.1. Pasos 1-3 del proceso de evaluación del desempeño del modelo: Análisis univariado – bivariado y modelo de regresión logística múltiple: ............................................. 69 6.3.2. Paso 4 de la evaluación del desempeño del modelo: Capacidad de discriminación. 73 6.3.3. Paso 5 de la evaluación del desempeño del modelo: Calibración. ........................ 74 6.3.4. Evaluación del desempeño de la escala Bello-México según los puntajes calculados a cada paciente de la cohorte RESCATE COVID-19: ........................................... 75 6.3.5. Evaluación del desempeño de la escala Bello-México según los niveles de riesgo obtenidos a partir de los puntajes: ........................................................................................... 77 Tabla 8. Comparativo de áreas bajo la curva ROC con sus respectivos intervalos de confianza del 95% correspondientes a cada uno de los modelos, sus escalas y los niveles de riesgo. . 80 6.3.6. Conclusiones del análisis del desempeño de la escala Bello-México al aplicarla a la cohorte RESCATE COVID-19: ................................................................................................. 81 6.4. Proceso de evaluación de los modelos en la población de pacientes con RT-PCR para SARS-COV2 negativa de la cohorte rescate COVID-19. ................... 84 6.4.1. Evaluación del desempeño de la escala Zhang-China en pacientes con RT- PCR negativa para SARS-COV2 de la cohorte RESCATE COVID-19 ............................................ 84 6.4.2. Evaluación del desempeño de la escala Xie-China en pacientes con RT- PCR negativa para SARS-COV2 de la cohorte RESCATE COVID-19. ........................................... 86 6.4.3. Evaluación del desempeño de la escala Bello-México en pacientes con PCR negativa. 87 7. DISCUSIÓN .................................................................................................... 90 8. Conclusiones ................................................................................................ 93 9. CLASIFICACIÓN DE LOS RESULTADOS DEL ESTUDIO SEGÚN COLCIENCIAS: ..................................................................................................... 94 REFERENCIAS BIBLIOGRÁFICAS ..................................................................... 95 ANEXOS .............................................................................................................. 102 | |
| dc.description | Maestría | |
| dc.description | Introduction: The pandemic caused by COVID-19 has exposed the need to optimize healthcare resources. Tools that facilitate the distinction between populations with varying risk levels, such as risk assessment scales or predictive models are therefore of vital importance. To date, there are more than 50 prognostic scales available for COVID-19 but the vast majority of them lack proper external validation and overall potential to be generalizable. Objective: Evaluate the performance of at least three mortality prediction scales, their discriminatory ability, calibration and clinical generalizability by applying them to a Colombian national cohort of patients infected with SARS-CoV-2 (Project RESCATE COVID-19) Methods: After a systematic and comprehensive literature review of all mortality risk scales published before May 2020, followed by a structured selection process, the top three scales with the highest potential for applicability at the local level were chosen. For each one, all predictors were characterized by analyzing their distribution and performing bivariate and multivariate analysis, with multiple logistic regressions. The discriminating capacity of all models was evaluated by estimating area under ROC curves and their calibration was assessed both graphically and statistically using the Hosmer-Lemeshow test for goodness-of-fit, the calibration slope and the calibration in the large (CITL). Moreover, analyses of model performance were conducted for all three models using their risk levels as independent variables. Results: The selection process resulted in two Asian (Zhang-China, Xie-China) and one Latinoamerican (Bello-México) studies as the top candidates for evaluation at the local level. The vast majority of predictors proposed by these models were sociodemographic variables, history of comorbidities, general laboratory results and some variables derived from clinical care. All three models were evaluated in 1342 patients with confirmed diagnostic of COVID-19 from the patient cohort of the Colombian project RESCATE COVID-19, which has an overall mortality rate of 12.7%. This cohort includes patients distributed across six hospitals located in 3 different cities in Colombia. From the 7 predictors in the Zhang-China scale, only 2 resulted with a significant OR value after being adjusted by a multivariate logistic regression model (age with OR = 1.03; CI 95% 1.01-1.06 and C Reactive Protein with OR = 1.07; IC 95% 1.03 – 1.10). The discriminatory capacity of this scale proved to be only acceptable (AUC = 0.78), it showed insufficient calibration, both statistically (HL p=0.002) and graphically. When using scores calculated by an online tool and risk levels based on the proposed thresholds as predictive variables, the discriminatory capacity of this scale increases (AUC = 0.73 and 0.67), but it maintains poor statistical calibration (HL p < 0.05), and the graphical assessment of calibration worsens. On the other hand, all predictors proposed by the Xie-China scale proved to have a significant association with intrahospital mortality. Their discriminatory capacity proved to be high (AUC = 0.81) and its predictions match the empirical data from our cohort (HL p = 0.22). However, it was not possible to perform an analysis of this scale based on the scoring system proposed by the authors. The scoring system showed to be highly complex, extremely sensitive to small measuring errors, highly time-consuming and with very low likelihood of proving useful in a daily clinical setting. Finally, 4 out of 9 predictors in the Bello-México scale showed significant adjusted association metrics. Their discriminatory capacity was high (AUC = 0.80) and they showed proper statistical (HL p = 0.32) and graphical calibration assessments. The scoring system and the risk levels showed even better performance than the model (AUC = 0.87) and resulted in good calibration (HL p>0.05). After the evaluation of the thresholds for its clinical applicability, a threshold of 4 points in the scale was chosen to properly discriminate low and high-risk patients (VPN: 98%, 90% sensitivity) Conclusions: From the top three mortality risk scales, the Bello-México showed the highest potential, with high performance when applied to patients diagnosed with COVID-19 in the RESCATE COVID-19 cohort and a simple scoring system with good discriminatory capacity for high and low-risk patients, offering calibrated predictions of the intrahospital mortality probability. Considering the nature of its predictors, this scale is deemed useful for early assessment in patients with a diagnosis for COVID-19 or suspicion of the disease. When using a threshold of 4 points, this scale is considered to be useful for prognostics given that lower scores tend to be associated with very low rate of false negatives. Applying this scale could better inform, but not replace, the clinical decision-making process to optimize resources. The scale Zhang-China, on the other hand, did not show good performance when applied to the patient cohort of the project RESCATE COVID-19. Finally, the Xie-China model, however promising in its performance, showed a very complex scoring system that is not only demanding in resources but would also make this risk scale highly vulnerable to human error, making it overall less likely to be applicable at local hospitals. | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Autónoma de Bucaramanga UNAB | |
| dc.publisher | Facultad Ciencias de la Salud | |
| dc.publisher | Maestría en Métodos para la Producción y Aplicación de Conocimiento Científico en Salud | |
| dc.relation | 1. INS IN de S. Coronavirus (COVID-19) en Colombia. 2020 [Internet]. El coronavirus (COVID-19) en Colombia 2020. 2020 [citado 30 de octubre de 2020]. Disponible en: https://www.ins.gov.co/Noticias/paginas/coronavirus.asp | |
| dc.relation | 2. Johns Hopkins Univertisy. COVID-19 Dashboard Global Cases by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University (JHU) [Internet]. Johns Hopkins Coronavirus Resource Center. 2020 [citado 30 de octubre de 2020]. Disponible en: https://coronavirus.jhu.edu/map.html | |
| dc.relation | 3. OPS y OMS. Reporte de Situacion COVID-19 Colombia No. 168 - 26 de octubre 2020 - OPS/OMS | Organización Panamericana de la Salud [Internet]. 2020 [citado 30 de octubre de 2020]. Disponible en: https://www.paho.org/es/documentos/reporte-situacion-covid-19-colombia-no-168-26-octubre-2020 | |
| dc.relation | 4. Dinero. Colombia duplicó el número de camas UCI, desde el inicio de la pandemia [Internet]. Camas UCI se duplicaron en Colombia desde el inicio de la pandemia. [citado 30 de octubre de 2020]. Disponible en: http://www.dinero.com/empresas/confidencias-on-line/articulo/ca | |
| dc.relation | 5. Reporte de Situacion COVID-19 Colombia No. 212 - 16 de marzo 2021 - OPS/OMS | Organización Panamericana de la Salud [Internet]. [citado 3 de abril de 2021]. Disponible en: https://www.paho.org/es/documentos/reporte-situacion-covid-19-colombia-no-212-16-marzo-202 | |
| dc.relation | 6. RECOVERY Collaborative Group, Horby P, Lim WS, Emberson JR, Mafham M, Bell JL, et al. Dexamethasone in Hospitalized Patients with Covid-19 - Preliminary Report. N Engl J Med. 17 de julio de 2020; | |
| dc.relation | 7. Deftereos SG, Giannopoulos G, Vrachatis DA, Siasos GD, Giotaki SG, Gargalianos P, et al. Effect of Colchicine vs Standard Care on Cardiac and Inflammatory Biomarkers and Clinical Outcomes in Patients Hospitalized With Coronavirus Disease 2019. JAMA Netw Open [Internet]. 24 de junio de 2020 [citado 30 de octubre de 2020];3(6). Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7315286/ | |
| dc.relation | 8. Paranjpe I, Fuster V, Lala A, Russak AJ, Glicksberg BS, Levin MA, et al. Association of Treatment Dose Anticoagulation With In-Hospital Survival Among Hospitalized Patients With COVID-19. J Am Coll Cardiol. 7 de julio de 2020;76(1):122-4. | |
| dc.relation | 9. Diaz-Quijano F, Silva J, Ganem F, Oliveira S, Vesga-Varela A, Croda J. A model to predict SARS-CoV-2 infection based on the first three- month surveillance data in Brazil. 2020. | |
| dc.relation | 10. Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 7 de abril de 2020;m1328. | |
| dc.relation | 11. Antioquia U de. Factores clínicos pronósticos de enfermedad grave y mortalidad en pacientes con COVID-19. Síntesis rápida. Factores Clínicos 96 Pronósticos Enferm Grave Mortal En Pacientes Con COVID-19 Sínt Rápida. 2020;57-57. | |
| dc.relation | 12. Wang C, Horby PW, Hayden FG, Gao GF. A novel coronavirus outbreak of global health concern. Lancet Lond Engl. 15 de 2020;395(10223):470-3 | |
| dc.relation | 13. Bogoch II, Watts A, Thomas-Bachli A, Huber C, Kraemer MUG, Khan K. Pneumonia of unknown aetiology in Wuhan, China: potential for international spread via commercial air travel. J Travel Med. 13 de 2020;27(2). | |
| dc.relation | 14. WHO. WHO. Virtual press conference on COVID-19 – 11 March 2020 [Internet]. WHO. World Health Organization; 2020 [citado 30 de octubre de 2020]. Disponible en: http://www.who.int/csr/don/12-january-2020-novel-coronavirus-china/en/ | |
| dc.relation | china/en/ 15. Cheng VCC, Lau SKP, Woo PCY, Yuen KY. Severe Acute Respiratory Syndrome Coronavirus as an Agent of Emerging and Reemerging Infection. Clin Microbiol Rev. octubre de 2007;20(4):660-94. | |
| dc.relation | 16. Ren L-L, Wang Y-M, Wu Z-Q, Xiang Z-C, Guo L, Xu T, et al. Identification of a novel coronavirus causing severe pneumonia in human: a descriptive study. Chin Med J (Engl). 5 de mayo de 2020;133(9):1015-24. | |
| dc.relation | 17. Wang W, Tang J, Wei F. Updated understanding of the outbreak of 2019 novel coronavirus (2019‐nCoV) in Wuhan, China. J Med Virol. abril de 2020;92(4):441-7. | |
| dc.relation | 18. Holshue ML, DeBolt C, Lindquist S, Lofy KH, Wiesman J, Bruce H, et al. First Case of 2019 Novel Coronavirus in the United States. N Engl J Med. 5 de marzo de 2020;382(10):929-36. | |
| dc.relation | 19. MinSalud. Colombia confirma su primer caso de COVID-19 [Internet]. 2020 [citado 30 de octubre de 2020]. Disponible en: https://www.minsalud.gov.co/Paginas/Colombia-confirma-su-primer-caso-de-COVID-19.aspx | |
| dc.relation | 20. Reporte de Situacion COVID-19 Colombia No. 213 - 24 de marzo 2021 - OPS/OMS | Organización Panamericana de la Salud [Internet]. [citado 2 de abril de 2021]. Disponible en: https://www.paho.org/es/documentos/reporte-situacion-covid-19-colombia-no-213-24-marzo-2021 | |
| dc.relation | 21. INS IN de S. Coronavirus (COVID-19) en Colombia. 2021 [Internet]. El coronavirus (COVID-19) en Colombia 2021. 2021 [citado 2 de abril de 2021]. Disponible en: https://www.ins.gov.co/Noticias/Paginas/Coronaviruss.aspx | |
| dc.relation | 22. WHO. Laboratory testing for 2019 novel coronavirus (2019-nCoV) in suspected human cases [Internet]. 2020 [citado 30 de octubre de 2020]. Disponible en: https://www.who.int/publications-detail-redirect/10665-331501 | |
| dc.relation | 23. Zhang Z-L, Hou Y-L, Li D-T, Li F-Z. Diagnostic efficacy of anti-SARS-CoV-2 IgG/IgM test for COVID-19: A meta-analysis. J Med Virol [Internet]. [citado 30 de octubre de 2020];n/a(n/a). Disponible en: https://onlinelibrary.wiley.com/doi/abs/10.1002/jmv.26211 | |
| dc.relation | 24. Deeks JJ, Dinnes J, Takwoingi Y, Davenport C, Spijker R, Taylor-Phillips S, et al. Antibody tests for identification of current and past infection with SARS‐CoV‐2. Cochrane Database Syst Rev [Internet]. 2020 [citado 30 de octubre de 2020];(6). Disponible en: 97 https://www.cochranelibrary.com/cdsr/doi/10.1002/14651858.CD013652/full?cookiesEnabled | |
| dc.relation | 25. Liu R, Liu X, Han H, Shereen MA, Niu Z, Li D, et al. The comparative superiority of IgM-IgG antibody test to real-time reverse transcriptase PCR detection for SARS-CoV-2 infection diagnosis. medRxiv. 30 de marzo de 2020;2020.03.28.20045765. | |
| dc.relation | 2020;2020.03.28.20045765. 26. Gestoso-Pecellín L, García-Flores Y, González-Quintana P, Marrero-Arencibia JL. Recomendaciones y uso de los diferentes tipos de test para detección de infección por SARS-COV-2. Enfermeria Clin. febrero de 2021;31:S40-8. | |
| dc.relation | 27. Guan W, Ni Z, Hu Y, Liang W, Ou C, He J, et al. Clinical Characteristics of Coronavirus Disease 2019 in China. N Engl J Med. 30 de abril de 2020;382(18):1708-20. | |
| dc.relation | 28. Xu X-W, Wu X-X, Jiang X-G, Xu K-J, Ying L-J, Ma C-L, et al. Clinical findings in a group of patients infected with the 2019 novel coronavirus (SARS-Cov-2) outside of Wuhan, China: retrospective case series. BMJ [Internet]. 19 de febrero de 2020 [citado 30 de octubre de 2020];368. Disponible en: https://www.bmj.com/content/368/bmj.m606 | |
| dc.relation | https://www.bmj.com/content/368/bmj.m606 29. Chung M, Bernheim A, Mei X, Zhang N, Huang M, Zeng X, et al. CT Imaging Features of 2019 Novel Coronavirus (2019-nCoV). Radiology. 2020;295(1):202-7. | |
| dc.relation | 30. Li Y, Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management. AJR Am J Roentgenol. 2020;214(6):1280-6. | |
| dc.relation | 31. Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, et al. Correlation of Chest CT and RT-PCR Testing for Coronavirus Disease 2019 (COVID-19) in China: A Report of 1014 Cases. Radiology. 2020;296(2):E32-40. | |
| dc.relation | of 1014 Cases. Radiology. 2020;296(2):E32-40. 32. Yuan M, Yin W, Tao Z, Tan W, Hu Y. Association of radiologic findings with mortality of patients infected with 2019 novel coronavirus in Wuhan, China. PLOS ONE. 19 de marzo de 2020;15(3):e0230548 | |
| dc.relation | 33. Confalonieri M, Salton F, Fabiano F. Acute respiratory distress syndrome. Eur Respir Rev Off J Eur Respir Soc. 30 de junio de 2017;26(144). | |
| dc.relation | 34. Matthay MA, Aldrich JM, Gotts JE. Treatment for severe acute respiratory distress syndrome from COVID-19. Lancet Respir Med. 2020;8(5):433-4. | |
| dc.relation | 35. Mejía F, Medina C, Cornejo E, Morello E, Vásquez S, Alave J, et al. Características clínicas y factores asociados a mortalidad en pacientes adultos hospitalizados por COVID-19 en un hospital público de Lima, Perú. 29 de junio de 2020 [citado 28 de marzo de 2021]; Disponible en: https://preprints.scielo.org/index.php/scielo/preprint/view/858 | |
| dc.relation | 36. Chen C, Chen C, Yan JT, Zhou N, Zhao JP, Wang DW. [Analysis of myocardial injury in patients with COVID-19 and association between concomitant cardiovascular diseases and severity of COVID-19]. Zhonghua Xin Xue Guan Bing Za Zhi. 24 de julio de 2020;48(7):567-71. | |
| dc.relation | 37. Yang X, Yu Y, Xu J, Shu H, Xia J, Liu H, et al. Clinical course and outcomes of critically ill patients with SARS-CoV-2 pneumonia in Wuhan, China: a single-centered, retrospective, observational study. Lancet Respir Med. 2020;8(5):475-81. | |
| dc.relation | 38. Li H, Liu L, Zhang D, Xu J, Dai H, Tang N, et al. SARS-CoV-2 and viral sepsis: observations and hypotheses. The Lancet. 9 de mayo de 2020;395(10235):1517-20. | |
| dc.relation | 39. Cheng Y, Luo R, Wang K, Zhang M, Wang Z, Dong L, et al. Kidney impairment is associated with in-hospital death of COVID-19 patients. medRxiv. 20 de febrero de 2020;2020.02.18.20023242. | |
| dc.relation | 40. Bello-Chavolla OY, Bahena-López JP, Antonio-Villa NE, Vargas-Vázquez A, González-Díaz A, Márquez-Salinas A, et al. Predicting Mortality Due to SARS-CoV-2: A Mechanistic Score Relating Obesity and Diabetes to COVID-19 Outcomes in Mexico. J Clin Endocrinol Metab. 1 de agosto de 2020;105(8). | |
| dc.relation | 41. Yang J, Zheng Y, Gou X, Pu K, Chen Z, Guo Q, et al. Prevalence of comorbidities and its effects in patients infected with SARS-CoV-2: a systematic review and meta-analysis. Int J Infect Dis IJID Off Publ Int Soc Infect Dis. mayo de 2020;94:91-5. | |
| dc.relation | 42. Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, et al. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. The Lancet. 28 de marzo de 2020;395(10229):1054-62. | |
| dc.relation | 43. Wu Z, McGoogan JM. Characteristics of and Important Lessons From the Coronavirus Disease 2019 (COVID-19) Outbreak in China: Summary of a Report of 72 314 Cases From the Chinese Center for Disease Control and Prevention. JAMA. 07 de 2020;323(13):1239-42 | |
| dc.relation | 44. Lippi G, Plebani M, Henry BM. Thrombocytopenia is associated with severe coronavirus disease 2019 (COVID-19) infections: A meta-analysis. Clin Chim Acta Int J Clin Chem. julio de 2020;506:145-8. | |
| dc.relation | 2019 (COVID-19): A meta-analysis. Clin Chim Acta Int J Clin Chem. junio de 2020;505:190-1. | |
| dc.relation | 46. Tang N, Li D, Wang X, Sun Z. Abnormal coagulation parameters are associated with poor prognosis in patients with novel coronavirus pneumonia. J Thromb Haemost JTH. 2020;18(4):844-7. | |
| dc.relation | 47. Vences MA, Ramos JJP, Otero P, Veramendi-Espinoza LE, Vega-Villafana M, Mogollón-Lavi J, et al. FACTORES ASOCIADOS A MORTALIDAD EN PACIENTES HOSPITALIZADOS CON COVID-19: COHORTE PROSPECTIVA EN EL HOSPITAL NACIONAL EDGARDO REBAGLIATI MARTINS. LIMA, PERÚ. 24 de septiembre de 2020 [citado 28 de marzo de 2021]; Disponible en: https://preprints.scielo.org/index.php/scielo/preprint/view/1241 | |
| dc.relation | 48. de Mayo, Salazar MG, Espeche WG, Barochiner J, Leiva C, Ennis IL. Pandemia por COVID19: ¿Después qué? Control de los factores de riesgo para prevenir una segunda ola de morbilidad y mortalidad. Sociedad Aregntina de Hipertensión Arterial. :10. | |
| dc.relation | 49. Belanger MJ, Hill MA, Angelidi AM, Dalamaga M, Sowers JR, Mantzoros CS. Covid-19 and Disparities in Nutrition and Obesity. N Engl J Med. 10 de septiembre de 2020;383(11):e69. | |
| dc.relation | 50. Petrova D, Salamanca-Fernández E, Rodríguez Barranco M, Navarro Pérez P, Jiménez Moleón JJ, Sánchez M-J. La obesidad como factor de riesgo en 99 personas con COVID-19: posibles mecanismos e implicaciones. Aten Primaria. 2020;52(7):496-500. | |
| dc.relation | 51. Manrique-Hernández EF, Moreno-Montoya J, Hurtado-Ortiz A, Prieto-Alvarado FE, Idrovo ÁJ. Desempeño del sistema de vigilancia colombiano durante la pandemia de COVID-19: evaluación rápida de los primeros 50 días. Biomédica. 12 de noviembre de 2020;40(Suppl 2):96-103 | |
| dc.relation | 52. Reporte de Situacion COVID-19 Colombia No. 163- 20 de octubre 2020 - OPS/OMS | Organización Panamericana de la Salud [Internet]. [citado 3 de abril de 2021]. Disponible en: https://www.paho.org/es/documentos/reporte-situacion-covid-19-colombia-no-163-20-octubre-2020 | |
| dc.relation | 53. Moons KGM, Royston P, Vergouwe Y, Grobbee DE, Altman DG. Prognosis and prognostic research: what, why, and how? BMJ. 23 de febrero de 2009;338:b375. | |
| dc.relation | 54. Emanuel EJ, Persad G, Upshur R, Thome B, Parker M, Glickman A, et al. Fair Allocation of Scarce Medical Resources in the Time of Covid-19. N Engl J Med. 21 de mayo de 2020;382(21):2049-55. | |
| dc.relation | 55. COVID Precise [Internet]. [citado 3 de abril de 2021]. Disponible en: https://www.covprecise.org/project/ 56. Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, et al. Prediction models for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. BMJ. 7 de abril de 2020;369:m1328. | |
| dc.relation | 57. Zhang H, Shi T, Wu X, Zhang X, Wang K, Bean D, et al. Risk prediction for poor outcome and death in hospital in-patients with COVID-19: derivation in Wuhan, China and external validation in London, UK. medRxiv. 3 de mayo de 2020;2020.04.28.20082222 | |
| dc.relation | 58. Xie J, Hungerford D, Chen H, Abrams ST, Li S, Wang G, et al. Development and external validation of a prognostic multivariable model on admission for hospitalized patients with COVID-19. medRxiv. 7 de abril de 2020;2020.03.28.20045997. | |
| dc.relation | 59. Bello-Chavolla OY, Bahena-López JP, Antonio-Villa NE, Vargas-Vázquez A, González-Díaz A, Márquez-Salinas A, et al. Predicting Mortality Due to SARS-CoV-2: A Mechanistic Score Relating Obesity and Diabetes to COVID-19 Outcomes in Mexico. J Clin Endocrinol Metab. 01 de 2020;105(8). | |
| dc.relation | 60. Herramienta para el cálculo en línea de riesgo de mortalidad según el modelo Zhang-China [Internet]. [citado 29 de marzo de 2021]. Disponible en: https://covid.datahelps.life/about/ | |
| dc.relation | 61. F. Wolff R, G.M. Moons K, D. Riley R, F. Whiting P, Westwood M, S. Collins G, et al. PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies. Ann Intern Med [Internet]. 1 de enero de 2019 [citado 28 de octubre de 2020]; Disponible en: https://www.acpjournals.org/doi/abs/10.7326/M18-1376 | |
| dc.relation | 62. Moons KGM, Kengne AP, Grobbee DE, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction models: II. External validation, model updating, and impact assessment. Heart Br Card Soc. mayo de 2012;98(9):691 | |
| dc.relation | 63. Bleeker SE, Moll HA, Steyerberg EW, Donders ART, Derksen-Lubsen G, Grobbee DE, et al. External validation is necessary in prediction research: a clinical example. J Clin Epidemiol. septiembre de 2003;56(9):826-32. | |
| dc.relation | 64. Steyerberg EW, Vickers AJ, Cook NR, Gerds T, Gonen M, Obuchowski N, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiol Camb Mass. enero de 2010;21(1):128-38. | |
| dc.relation | 65. Magliano DJ, Sacre JW, Harding JL, Gregg EW, Zimmet PZ, Shaw JE. Young-onset type 2 diabetes mellitus - implications for morbidity and mortality. Nat Rev Endocrinol. junio de 2020;16(6):321-31 | |
| dc.relation | 66. Alba AC, Agoritsas T, Walsh M, Hanna S, Iorio A, Devereaux PJ, et al. Discrimination and Calibration of Clinical Prediction Models: Users’ Guides to the Medical Literature. JAMA. 10 de octubre de 2017;318(14):1377-84 | |
| dc.relation | Goodness-of-Fit Tests for the Logistic Regression Model. Stat Med. 1997;16(9):965-80 | |
| dc.relation | 68. Van Calster B, Nieboer D, Vergouwe Y, De Cock B, Pencina MJ, Steyerberg EW. A calibration hierarchy for risk models was defined: from utopia to empirical data. J Clin Epidemiol. 2016;74:167-76. | |
| dc.relation | 69. On behalf of Topic Group ‘Evaluating diagnostic tests and prediction models’ of the STRATOS initiative, Van Calster B, McLernon DJ, van Smeden M, Wynants L, Steyerberg EW. Calibration: the Achilles heel of predictive analytics. BMC Med. diciembre de 2019;17(1):230. | |
| dc.relation | diciembre de 2019;17(1):230. 70. Documentos Técnicos covid-19 [Internet]. [citado 26 de octubre de 2020]. Disponible en: https://www.minsalud.gov.co/salud/publica/PET/Paginas/Documentos-tecnicos-covid-19.aspx | |
| dc.relation | 71. Alqahtani JS, Oyelade T, Aldhahir AM, Alghamdi SM, Almehmadi M, Alqahtani AS, et al. Prevalence, Severity and Mortality associated with COPD and Smoking in patients with COVID-19: A Rapid Systematic Review and Meta-Analysis. PLoS ONE [Internet]. 11 de mayo de 2020 [citado 4 de abril de 2021];15(5). Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7213702/ | |
| dc.relation | 72. Pei G, Zhang Z, Peng J, Liu L, Zhang C, Yu C, et al. Renal Involvement and Early Prognosis in Patients with COVID-19 Pneumonia. J Am Soc Nephrol JASN. junio de 2020;31(6):1157-65. | |
| dc.relation | 73. Pal R, Bhadada SK. COVID-19 and diabetes mellitus: An unholy interaction of two pandemics. Diabetes Metab Syndr. 2020;14(4):513-7. | |
| dc.relation | 74. Leeuwenberg AM, Schuit E. Prediction models for COVID-19 clinical decision making. Lancet Digit Health. octubre de 2020;2(10):e496-7. | |
| dc.relation | 75. Steyerberg EW, Vergouwe Y. Towards better clinical prediction models: seven steps for developm | |
| dc.relation | 76. Yamamoto S, Yamazaki S, Shimizu T, Takeshima T, Fukuma S, Yamamoto Y, et al. Prognostic utility of serum CRP levels in combination with CURB-65 in patients with clinically suspected sepsis: a decision curve analysis. BMJ Open 101 [Internet]. 28 de abril de 2015 [citado 4 de abril de 2021];5(4). Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4420934/ | |
| dc.relation | 77. Barman HA, Kahyaoglu S, Durmaz E, Atici A, Gulsen K, Tugrul S, et al. The CHADS-VASc score is a predictor of no-reflow in patients with non-ST-segment elevation myocardial infarction. Coron Artery Dis. enero de 2020;31(1):7-12 | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | |
| dc.rights | Abierto (Texto Completo) | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights | Atribución-NoComercial-SinDerivadas 2.5 Colombia | |
| dc.subject | Medical sciences | |
| dc.subject | Health sciences | |
| dc.subject | Validation | |
| dc.subject | Mortality | |
| dc.subject | Predictive models | |
| dc.subject | Predictive scales | |
| dc.subject | Pronostics | |
| dc.subject | External validation | |
| dc.subject | Discrimination | |
| dc.subject | Calibration | |
| dc.subject | Virus | |
| dc.subject | Severe acute respiratory syndrome | |
| dc.subject | Coronavirus infections | |
| dc.subject | Patients | |
| dc.subject | Measurement by scales | |
| dc.subject | Ciencias médicas | |
| dc.subject | Virus | |
| dc.subject | Síndrome respiratorio agudo grave | |
| dc.subject | Infecciones por coronavirus | |
| dc.subject | Pacientes | |
| dc.subject | Medición por escalas | |
| dc.subject | Ciencias de la salud | |
| dc.subject | Validación | |
| dc.subject | Modelos de predicción | |
| dc.subject | Escalas de predicción | |
| dc.subject | Pronóstico | |
| dc.subject | Validez externa | |
| dc.subject | Discriminación | |
| dc.subject | Calibración | |
| dc.subject | Enfermedad por coronavirus 2019 | |
| dc.subject | COVID-19 | |
| dc.title | Validación de escalas de predicción de mortalidad en pacientes con enfermedad por coronavirus 2019 en el registro de pacientes rescate COVID19 | |
| dc.title | Validation of mortality prediction scales in patients with coronavirus disease 2019 in the COVID19 rescue patient registry | |
| dc.type | Thesis | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dc.type | Tesis | |
| dc.type | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type | info:eu-repo/semantics/acceptedVersion | |
| dc.type | http://purl.org/redcol/resource_type/TM | |
| dc.coverage | Bucaramanga (Santander, Colombia) | |
| dc.coverage | Floridablanca (Santander, Colombia) | |
| dc.coverage | 2021 |
| Ficheros | Tamaño | Formato | Ver |
|---|---|---|---|
|
No hay ficheros asociados a este ítem. |
|||