¿Cómo identificar a tiempo a los pacientes con COVID-19 en mayor riesgo de mortalidad?
La pandemia de COVID-19 ha afectado a más de 700 millones de personas en todo el mundo, con resultados clínicos que van desde síntomas leves hasta fallo respiratorio fatal. Identificar a los pacientes en mayor riesgo desde el primer contacto médico es crucial para intervenir a tiempo y optimizar los recursos disponibles. Un estudio reciente desarrolló y validó dos modelos de predicción de riesgo: el COVID-19 Risk Prediction Score (CRPS) y su versión simplificada (S-CRPS), que permiten estratificar el riesgo de mortalidad utilizando parámetros medibles en el hospital o incluso en casa.
Fuentes de datos y características de los pacientes
El estudio utilizó datos retrospectivos de 2,188 pacientes confirmados con COVID-19, hospitalizados en dos centros médicos de Wuhan, China, entre el 1 de enero y el 28 de marzo de 2020. Estos pacientes se dividieron en dos grupos: uno de desarrollo (1,531 pacientes) y otro de validación interna (657 pacientes), en una proporción de 7:3. Además, se incluyó una cohorte externa de validación con 30,120 pacientes de la Comisión Nacional de Salud de China, recopilados entre el 2 de enero y el 12 de mayo de 2020.
En los grupos de Wuhan, la edad promedio fue de 62 años, el 48.2% eran hombres y el 9.8% (215/2,188) fallecieron durante la hospitalización. Se extrajeron datos demográficos, comorbilidades y resultados de laboratorio de los registros médicos, y los valores faltantes (10% de los parámetros de laboratorio) se completaron utilizando software estadístico.
Selección de variables y desarrollo del modelo
Se analizaron 36 variables recopiladas al ingreso, incluyendo datos demográficos, comorbilidades y marcadores de laboratorio. Para seleccionar las variables más relevantes, se utilizaron tres métodos: regresión logística ponderada, clasificación de importancia basada en bosques aleatorios y regresión Lasso-Cox. Cinco variables destacaron consistentemente: edad, saturación de oxígeno (SpO₂), relación neutrófilos-linfocitos (NLR), proteína C reactiva (CRP) y lactato deshidrogenasa (LDH).
Todas las variables continuas se normalizaron para que sus valores estuvieran entre 0 y 1. Por ejemplo, la SpO₂ se normalizó como (SpO₂ – 29)/71, y la edad como (edad – 15)/82. Este proceso aseguró que los parámetros fueran comparables.
CRPS: Un modelo de predicción multivariable
El modelo CRPS integró las cinco variables seleccionadas en un marco de regresión logística. La fórmula para calcular el riesgo de mortalidad evitó expresiones matemáticas complejas, describiendo la integración de valores normalizados y ponderados. Los coeficientes clave destacaron la edad y la SpO₂ como predictores dominantes. Por ejemplo, cada año de edad aumentó el riesgo de mortalidad de manera exponencial (OR = 61.07, IC 95%: 29.58–132.29), mientras que cada unidad de aumento en la SpO₂ redujo el riesgo significativamente (OR = 0.003, IC 95%: 0.002–0.006).
El modelo mostró un rendimiento excepcional en ambas validaciones:
- Validación interna: AUC = 0.91 (IC 95%: 0.89–0.93), sensibilidad = 97%, especificidad = 56%.
- Validación externa (cohorte NHC): AUC = 0.91, sensibilidad = 97%, especificidad = 53%.
Un valor de corte de 0.05 optimizó el equilibrio entre sensibilidad y especificidad, permitiendo identificar de manera confiable a los pacientes en mayor riesgo.
S-CRPS: Un modelo simplificado para uso en casa
Reconociendo la necesidad de herramientas accesibles en entornos con recursos limitados, se desarrolló un modelo simplificado (S-CRPS) utilizando solo edad y SpO₂. Estos parámetros fueron elegidos por su facilidad de medición fuera del hospital. El modelo mantuvo un rendimiento sólido:
- Validación interna: AUC = 0.87 (IC 95%: 0.84–0.90), sensibilidad = 96%, especificidad = 37%.
- Validación externa: AUC = 0.85, sensibilidad = 95%, especificidad = 39%.
Implicaciones clínicas y validación
Los modelos CRPS y S-CRPS abordan brechas críticas en el manejo del COVID-19. CRPS, con sus cinco parámetros, ofrece una herramienta completa para los departamentos de emergencias, permitiendo priorizar el cuidado intensivo en pacientes de alto riesgo. S-CRPS, que requiere solo edad y SpO₂, empodera a individuos y proveedores de atención primaria para evaluar el riesgo de manera remota, especialmente en regiones con acceso limitado a la salud.
La validación externa utilizando la cohorte NHC—un conjunto de datos diverso y nacional—confirmó la generalización de los modelos en diferentes poblaciones. Este paso mitiga una limitación común de modelos anteriores, que a menudo carecían de datos representativos.
Ventajas comparativas
Modelos de predicción previos, como los de Zhou et al. (2020) y Wu et al. (2020), se centraron en cohortes más pequeñas o carecieron de validación externa. CRPS se distingue por utilizar datos nacionales y métodos transparentes de selección de variables. Además, la inclusión de la SpO₂—un parámetro directamente relacionado con el fallo respiratorio—aumenta su relevancia clínica.
Limitaciones y direcciones futuras
El estudio se basó en datos de pacientes chinos, lo que podría limitar su generalización a otros grupos étnicos. Además, el diseño retrospectivo introduce posibles sesgos en la recopilación de datos. Futuros estudios deberían validar estos modelos de manera prospectiva en cohortes multinacionales y explorar herramientas de evaluación de riesgo dinámico que incorporen síntomas en evolución.
Conclusión
CRPS y S-CRPS ofrecen herramientas validadas y prácticas para estratificar el riesgo de mortalidad en pacientes con COVID-19. CRPS destaca en entornos hospitalarios, mientras que S-CRPS extiende la capacidad de evaluación de riesgo a entornos domésticos. Ambos modelos mejoran la eficiencia del triaje, optimizan la asignación de recursos y, en última instancia, mejoran los resultados de los pacientes durante pandemias.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002973