1
UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ FACULTAD DE MEDICINA HUMANA
TESIS
PRESENTADA POR EL BACHILLER:
PRÍNCIPE HUAMÁN, ROQUE ALBERTO
PARA OPTAR EL TÍTULO PROFESIONAL DE
MÉDICO CIRUJANO
HUANCAYO – PERÚ 2023
''VALOR DEL ISARIC 4C MORTALITY SCORE COMO PREDICTOR DE MORTALIDAD EN PACIENTES ADULTOS HOSPITALIZADOS EN UCI
COVID-19 DEL HOSPITAL ZACARÍAS CORREA
VALDIVIA, HUANCAVELICA, 2020-2021''
2
ASESOR
DR. JORGE ALBERTO NUÑEZ PAREDES
3 AGRADECIMIENTOS
Al Dr. Jorge Alberto Núñez Paredes por el soporte metodológico brindado durante el desarrollo de esta investigación.
A la Facultad de Medicina Humana de la Universidad Nacional del Centro del Perú, mi Alma Mater, por los fundamentos técnicos y éticos brindados durante mi formación profesional.
Al personal de la Oficina de Docencia e Investigación y al Área de archivos del Hospital Zacarías Correa Valdivia de Huancavelica por la diligencia y compromiso brindados durante la ejecución de esta investigación.
El autor.
4 DEDICATORIA A mis padres, por ser paradigma de unión y templanza durante mis años de formación profesional.
A mis hermanos, por su motivación e inspiración en la cristalización de mis anhelos.
A mis maestros, por enseñarme que el conocimiento y la empatía son fundamentales para el buen ejercicio de la medicina.
5 ÍNDICE
AGRADECIMIENTOS... 3
DEDICATORIA ... 4
ÍNDICE ... 5
RESUMEN ... 7
ABSTRACT ... 8
INTRODUCCIÓN ... 9
CAPÍTULO I ... 10
1. PLANTEAMIENTO DE LA INVESTIGACIÓN ... 10
1.1. PLANTEAMIENTO DEL PROBLEMA DE INVESTIGACIÓN ... 10
1.2. FORMULACIÓN DEL PROBLEMA ... 11
1.3. JUSTIFICACIÓN ... 12
1.4. OBJETIVOS ... 13
CAPÍTULO II ... 15
2. MARCO TEÓRICO ... 15
2.1. ANTECEDENTES DE LA INVESTIGACIÓN ... 15
2.2. BASES TEÓRICAS ... 21
2.4. HIPÓTESIS DE LA INVESTIGACIÓN ... 40
2.5. MATRIZ DE OPERACIONALIZACIÓN DE VARIABLES ... 41
CAPÍTULO III ... 42
3. METODOLOGÍA DE LA INVESTIGACIÓN ... 42
3.1. TIPO DE INVESTIGACIÓN ... 42
3.2. NIVEL DE INVESTIGACIÓN ... 42
3.3. DISEÑO DE INVESTIGACIÓN ... 42
3.4. POBLACIÓN ... 42
3.5. CÁLCULO DE TAMAÑO DE MUESTRA ... 43
3.6. TÉCNICA DE RECOLECCIÓN DE DATOS ... 44
3.7. ANÁLISIS ESTADÍSTICO ... 45
3.8. ASPECTOS ÉTICOS DE LA INVESTIGACIÓN ... 46
CAPÍTULO IV ... 47
4. RESULTADOS ... 47
4.1. CARACTERÍSTICAS GENERALES DE LA POBLACIÓN ... 47
4.2. CONTRASTACIÓN DE HIPÓTESIS ... 53
CAPÍTULO V ... 58
6
DISCUSIÓN ... 58
CONCLUSIONES ... 62
RECOMENDACIONES ... 63
REFERENCIAS BIBLIOGRÁFICAS ... 64
ANEXOS ... 71
ANEXO N° 1. FICHA DE RECOLECCIÓN DE DATOS ... 72
ANEXO N° 2. MATRIZ DE CONSISTENCIA ... 73
ANEXO N° 3. MATRIZ DE OPERACIONALIZACIÓN DE VARIABLES ... 75
ANEXO N° 4. CONSTANCIA DEL COMITÉ DE ÉTICA DE LA UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ ... 76
ANEXO N° 5. INFORME DE ORIGINALIDAD ANTIPLAGIO ... 77
ANEXO N° 6. CONSOLIDADO DE DATOS EN EL PAQUETE ESTADÍSTICO IBM SPSS STATISTICS ... 78
ANEXO N° 7. ANÁLISIS ESTADÍSTICO EN EL PAQUETE ESTADÍSTICO IBM SPSS STATISTICS Y EN EL ARAW DIAGNOSTIC TEST CALCULATOR ... 80
7 RESUMEN
OBJETIVO: Determinar el desempeño del Score de mortalidad ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 en un Hospital de Huancavelica.
MÉTODO Y DISEÑO: Estudio de tipo observacional, transversal y retrospectivo. Se revisaron los expedientes clínicos de los pacientes adultos con diagnóstico de infección por SARS-CoV-2 hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia-Huancavelica entre marzo de 2020 y diciembre de 2021. Se evaluó el desempeño del Score de mortalidad ISARIC 4C mediante la construcción de la curva ROC (Receiver operating characterisc) y el cálculo del Área bajo la curva (AUC) para el punto de corte con mayor índice de Youden. Además, se calcularon las medidas de validez y fiabilidad del Score de mortalidad ISARIC 4C.
RESULTADOS: La muestra estuvo conformada por 92 pacientes. La mediana de edad fue de 46.5 (RIQ 38.00 – 59.75), siendo el sexo predominante el masculino (57.3%). Las comorbilidades que presentaron mayor asociación positiva con la mortalidad por COVID-19 fueron la enfermedad cardiaca crónica (OR 7.828 IC 95%
2.146 – 28.553) y la diabetes (OR 3.731 IC 95% 1.450 – 9.606). La mortalidad general observada fue de 63%. La media general del tiempo de supervivencia hasta el fallecimiento fue de 11 días.Las diferencias en la supervivencia de los pacientes según la clasificación del Score de Mortalidad ISARIC 4C mostraron diferencias estadísticamente significativas (p=0.00). Los valores calculados de sensibilidad, especificidad, valor predictivo positivo y valor predictivo negativo fueron de 84.5%, 76.5%, 0.85 y 0.74, respectivamente. El Score de mortalidad ISARIC 4C presentó un AUC de 0.830 (IC 95% 0.739 – 0.920, p=0.000), con lo que se puede señalar que presenta una capacidad de discriminación buena (0.8 ≤ AUC < 0.9).
CONCLUSIONES: El Score de mortalidad ISARIC 4C es una herramienta clínicamente útil para estimar el riesgo de mortalidad por COVID-19 y gestionar el adecuado uso de recursos sanitarios.
PALABRAS CLAVES: Score de mortalidad ISARIC 4C, Mortalidad, COVID-19 (Fuente DeCS BIREME).
8 ABSTRACT
OBJECTIVE: To determine the performance of the ISARIC 4C Mortality Score as a predictor of mortality in adult patients hospitalized in the ICU COVID-19 in a Hospital in Huancavelica.
DESIGN AND METHODS: Observational, cross-sectional and retrospective study.
The clinical records of adult patients diagnosed with SARS-CoV-2 infection hospitalized in the COVID-19 ICU of the Zacarías Correa Valdivia-Huancavelica Hospital between March 2020 and December 2021 were reviewed. The performance of the ISARIC 4C Mortality Score was evaluated by constructing the ROC (Receiver operating characterisc) curve and calculating the Area under the curve (AUC) for the cut-off point with the highest Youden index. In addition, the validity and reliability measures of the ISARIC 4C Mortality Score were calculated.
RESULTS: The sample consisted of 92 patients. The median age was 46.5 (IQR 38.00 - 59.75), with the predominant sex being male (57.3%). The comorbidities that presented the greatest positive association with mortality from COVID-19 were chronic heart disease (OR 7.828 95% CI 2.146 – 28.553) and diabetes (OR 3.731 95% CI 1.450 - 9.606). The observed overall mortality was 63%. The overall median survival time to death was 11 days. The differences in the survival of the patients according to the ISARIC 4C Mortality Score classification showed statistically significant differences (p=0.00). The calculated values of sensitivity, specificity, positive predictive value, and negative predictive value were 84.5%, 76.5%, 0.85, and 0.74, respectively. The 4C Mortality Score presented an AUC of 0.830 (95% CI 0.739 - 0.920, p=0.000), which can indicate that it presents a good discrimination capacity (0.8 ≤ AUC < 0.9).
CONCLUSIONS: The ISARIC 4C Mortality Score is a clinically useful tool to estimate the risk of mortality from COVID-19 and manage the appropriate use of healthcare resources.
KEY WORDS: ISARIC 4C Mortality Score, Mortality, COVID-19 (Source MeSH National Library of Medicine).
9 INTRODUCCIÓN
En marzo de 2020, la Organización Mundial de la Salud catalogó como pandemia al brote de COVID-19 causado por el SARS-CoV-2 (1). Al 2 de setiembre del 2022 se reportan 603 495 870 casos confirmados y 6 492 885 decesos por COVID-19 en todo el orbe, constituyendo así una problematica de salud pública latente (2).
Al ser la pandemia por COVID-19 una entidad clínica de nueva aparición y a pesar de más de dos años en pandemia, se desconoce mucho acerca de su historia natural y más aún sobre su adecuado diagnóstico y manejo. La prevalencia de fallo respiratorio hipoxico en pacientes hospitalizados es de alrededor del 19%, de los cuales hasta el 12% requerirá ventilación mecánica (3). Así, según datos bibliográficos, el porcentaje de pacientes que requeriría admisión en Unidad de Cuidados Intensivos(UCI) oscila entre el 5% al 10%, siendo esta cifra aún mayor en pacientes de la tercera edad (4).
Bajo ese contexto de déficit de servicios de Unidades de Cuidados Intensivos debido al exceso de pacientes críticos, es de urgente necesidad la implementación de herramientas de estratificación de riesgo que permitan la identificación más oportuna posible de aquellos pacientes diagnosticados con COVID-19 que tienen riesgo más alto de muerte para así guiar y optimizar el manejo y el uso de recursos en los establecimientos de salud.
Actualmente, existen una amplia gama de scores propuestos para estratificar el riesgo de fallecimiento en pacientes con ingreso hospitalario infectados por el SARS-CoV-2 (5). Estas herramientas de estratificación están basadas en una amplia variedad de parámetros demográficos, clínicos y analíticos que procuran valorar a cada paciente para su correcto manejo. Sin embargo, la mayoría de estos scores no han sido validados en nuestra población originando así un inadecuado manejo en establecimientos de salud del tercer y segundo estrato de atención.
El objetivo de esta investigación es evaluar la exactitud pronóstica del Score ISARIC 4C (¨Coronavirus Clinical Characterisation Consortium Mortality Score¨) como predictor de mortalidad en pacientes con infección por el SARS-CoV-2 con la intención de orientar un manejo más adecuado (6).
10 CAPÍTULO I
1. PLANTEAMIENTO DE LA INVESTIGACIÓN
1.1. PLANTEAMIENTO DEL PROBLEMA DE INVESTIGACIÓN
La pandemia por COVID-19 constituye un problema de salud pública latente, ya que esta ha menoscabado prácticamente todos los sistemas sanitarios del mundo, además de los sectores productivos. Desde que la Organización Mundial de la Salud catalogó este problema sanitario como pandemia en marzo del 2020, se reportan hasta el primer trimestre del 2021 alrededor de 158 527 286 infectados y 3 296 686 decesos (2), haciendo objetivo así su gran impacto sobre los sistemas de salud de todo el orbe. El contexto general sitúa al Perú como una de las principales naciones con más afectación en lo referente a cifras de casos confirmados y muertes por millón de habitantes (7). Este desenlace obedece a diversos factores tales como la ausencia de disposiciones que protocolicen el manejo de esta pandemia, sumado además a problemas de índole económico-sociales.
Los índices de ingreso hospitalario para pacientes COVID-19 son difíciles de estimar porque estas cifras dependen de la cobertura de test diagnósticos y de los criterios de admisión. Sin embrago se calcula que alrededor de uno de cada diez pacientes tiene alguna comorbilidad que justifique su internación (8).
A medida que se hace evidente la escasez de camas hospitalarias y equipos médicos, se hace también muy necesaria la implementación de instrumentos pragmáticos de estratificación de riesgo que permita la identificación temprana de aquellos pacientes afectados por SARS-CoV-2 que presentan mayor riesgo de deceso para guiar el manejo y racionalizar la asignación de medios y recursos (6).
Los scores pronósticos intentan explicar entidades clínicas complejas basados en valores numéricos tangibles. Explicación que se hace mucho más onerosa en el contexto de una pandemia debido a la presión sobre los recursos sanitarios sumado además al imprevisible curso clínico de la COVID-19, muy distinta a cuadros conocidos de neumonía, influenza o sepsis (9). Actualmente, están disponibles en la literatura médica un sinnúmero de puntuaciones pronosticas para COVID-19 (5);
puntuaciones que varían en el ámbito de aplicación y los parámetros clínico- analíticos utilizados. Sin embargo, estas puntuaciones representan dificultades en
11 su aplicación y la mayoría mostrando un rendimiento moderado en el mejor de los casos y casi ningún beneficio a la hora de tomar decisiones clínicas (10). De esta manera es necesaria la implementación de una herramienta de estratificación de riesgo para pacientes hospitalizados con detalles claros.
El objetivo primordial del presente estudio está orientado a valorar la exactitud pronóstica de un score de estratificación del riesgo clínicamente relevante que se base en datos clínico-analíticos disponibles de forma rutinaria en los centros prestadores de salud para pacientes bajo diagnóstico de infección por SARS-CoV- 2. El score materia de este estudio es el Score de mortalidad 4C (¨Coronavirus, Clinical, Caracterisation, Consortium Mortality Score¨) (6) desarrollado por el
¨International Severe, Acute, Respiratory, and emerging Infections, Consortium¨
(ISARIC).
1.2. FORMULACIÓN DEL PROBLEMA 1.2.1. PROBLEMA GENERAL
¿Cuál es el valor del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021?
1.2.2. PROBLEMAS ESPECÍFICOS
PE 1: ¿Cuál es la capacidad discriminatoria (área bajo la curva ROC) del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020- 2021?
PE 2: ¿Cuál es la validez (sensibilidad y especificidad) del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021?
PE 3: ¿Cuál es la confiabilidad (Valor predictivo positivo y Valor predictivo negativo) del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021?
12 PE 4: ¿Cuáles son las características biológicas-sociodemográficas (sexo, edad, ocupación, talla, peso, IMC, comorbilidades) y el patrón clínico de neumonía en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021?
1.3. JUSTIFICACIÓN
Desde que el brote de SARS-CoV-2 fuera identificado en la provincia de Hubei en la República Popular China a finales de 2019, se han reportado más de 150 millones de casos positivos y 3 millones de decesos en todo el mundo (2).
El escenario en nuestro país también es sombrío ya que según cifras oficiales el Perú es una de las naciones más flageladas por la COVID-19. Hasta la primera semana de mayo del 2021 en nuestro país se reportó una prevalencia de alrededor del 15.8% y una letalidad del 3.46% (11); dando cuenta así del gran impacto en nuestro sistema sanitario. A pesar de que se han instaurado diversas estrategias para contener la enfermedad y retrasar la propagación, nuestro país enfrenta una crisis de escasez de camas en Unidad de Cuidados Intensivos, equipos médicos y personal de salud. La naturaleza fragmentada de nuestro sistema de salud y la carencia de sistemas de información interconectados ha limitado la implementación de un plan integral (12). Asimismo, según el Global Health Security Index el sistema de salud peruano es deficiente en términos de bioseguridad, sistemas de laboratorio y protocolos de manejo bien establecidos (13); aspectos que sin lugar a dudas juegan un papel preponderante en la lucha contra la COVID-19. Además, el inadecuado manejo de estos pacientes tambien es consecuencia de la peculiar presentación clínica y progresión variable de la COVID-19 (14); que dificulta su estratificación de riesgo de malos resultados.
De esta manera la estimación de los índices de ingreso hospitalario de pacientes bajo diagnóstico de COVID-19 se torna difícil debido a que estas son dependientes de la prevalencia de test diagnósticos y los criterios de admisión. Sin embargo, se calcula que alrededor de 1 de cada 10 pacientes poseen comorbilidades suficientemente graves para justificar la hospitalización (8).
13 Estas dificultades han dado pie a que se desarrollen un sinnúmero de investigaciones de derivación y validación de scores pronósticos basados en parámetros sociodemográficos, clínicos y de laboratorio para la COVID-19, esto con el objetivo de lograr la estandarización de protocolos que disminuyan la tasa de morbimortalidad que de ella subyacen.
Por consiguiente, el triaje eficaz de pacientes con alto riesgo de deterioro progresivo es crucial para guiar la mejor toma de decisiones clínicas y facilitar la más idónea asignación de recursos de manera más efectiva; incluyendo camas hospitalarias, recursos de cuidados intensivos y personal sanitario. Sin embargo, el escenario nacional, y más aún el local, es sombrío; ya que se evidencia la ausencia casi total de estudios que validen scores de estratificación de riesgo en COVID-19.
De esta manera, este trabajo de investigación se concibe bajo el propósito de proveer un instrumento que guie una reinterpretación y reorientación más holística de esta patología y, a la larga, estandarizar el manejo de la COVID-19 que reducirá los altos índices de morbimortalidad; así mismo, se logrará disminuir el coste económico y el tiempo de estancia hospitalaria.
1.4. OBJETIVOS
1.4.1. OBJETIVO GENERAL
Determinar el valor del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021.
1.4.2. OBJETIVOS ESPECÍFICOS
OE 1: Determinar la capacidad discriminatoria (área bajo la curva ROC) del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021.
OE 2: Determinar la validez (sensibilidad y especificidad) del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021.
14 OE 3: Determinar la confiabilidad (Valor predictivo positivo y Valor predictivo negativo) del Score ISARIC 4C como predictor de mortalidad en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021.
OE 4: Determinar las características biológicas-sociodemográficas (sexo, edad, ocupación, talla, peso, IMC, comorbilidades) y el patrón clínico de neumonía en pacientes adultos hospitalizados en UCI COVID-19 del Hospital Zacarías Correa Valdivia, Huancavelica, 2020-2021.
15 CAPÍTULO II
2. MARCO TEÓRICO
2.1. ANTECEDENTES DE LA INVESTIGACIÓN 2.1.1. ANTECEDENTES INTERNACIONALES
Debido a la coyuntura que presupone la pandemia por la COVID-19 la validación de diversas escalas pronósticas ha sido objeto de estudio; así Knight, et al. (2020), en su estudio: “Risk stratification of patients admitted to hospital with covid-19 using the ISARIC WHO Clinical Characterisation Protocol: development and validation of the 4C Mortality Score”; desarrollaron y validaron el Score de moralidad ISARIC 4C con el propósito de predecir riesgo de muerte en pacientes con ingreso hospitalario por COVID-19. POBLACIÓN: Un total de 57 824 adultos mayores de 18 años con ingreso hospitalario por COVID-19 agrupados en dos estratos, 35 463 pacientes en el grupo de derivación y 22 361 en el grupo de validación. DISEÑO: Estudio de cohorte prospectivo. RESULTADOS: El 4C Mortality Score desarrollado incluyó 8 ítems de fácil accesibilidad en la valoración hospitalaria a la admisión (número de comorbilidades,nivel de conciencia, frecuencia respiratoria, edad, sexo, saturación de oxígeno, urea y Proteina C-Reactiva) con una puntuación de 0 a 21 puntos. La media de la edad de los pacientes fue de 73 años (RIQ 59-83) y el 41.7% fueron del sexo femenino. Se definieron cuatro grupos de riesgo; riesgo bajo (puntuación 0-3, tasa de mortalidad 1,2%), riesgo intermedio (puntuación 4-8, tasa de mortalidad 9,9%), alto riesgo (puntuación 9-14, tasa de mortalidad 31,4%) y muy alto riesgo (puntuación ≥15, tasa de mortalidad 61,5%). El Score ISARIC 4C demostró alta capacidad discriminatoria para mortalidad hospitalaria en ambas cohortes de estudio (Cohorte de derivación: área bajo la curva ROC 0.79, 95% intervalo de confianza 0.78-0.79; Cohorte de validación: área bajo la curva ROC 0.77, 95%
intervalo de confianza 0.76-0.77). Los pacientes con un score de por lo menos 15 puntos (n=4158, 19%) presentaron una mortalidad del 62% (valor predictivo positivo del 62%) comparado con 1% de mortalidad para quienes tuvieron un score de 3 puntos o menos (n=1650, 7%; valor predictivo negativo de 99%). CONCLUSIÓN: El Score ISARIC 4C es una herramienta de estratificación precisa para pacientes con admisión hospitalaria por COVID-19 basada en parámetros de amplia
16 disponibilidad. Demostró ser útil para guiar la toma de decisiones clínicas estratificando a los pacientes hospitalizados en cuatro grupos de riesgo (6).
En el estudio de Jones et al. (2020): “External Validation of the 4C Mortality Score among COVID-19 Patients Visiting the Emergency Department or admitted to Hospital in Ontario, Canada”; se validó el Score ISARIC 4C en una cohorte de pacientes con COVID-19. POBLACIÓN: Un total de 560 adultos mayores de 18 años con COVID-19 atendidos en emergencia. DISEÑO: Estudio de cohorte prospectivo. RESULTADOS: El estudio incluyó 560 individuos de los cuales 484 (86%) fueron hospitalizados, y 115 (21%) fallecieron. La media de edad fue de 69 años con distribución equitativa entre hombres (51%) y mujeres. Después de la aplicación del Score ISARIC 4C los grupos de riesgo se distribuyeron en bajo riesgo 13.5% de los pacientes, riesgo intermedio 25.3%, alto riesgo 49,4% y muy alto riesgo 11.6%. El área bajo la curva ROC del Score ISARIC 4C fue de 0.83, 95% IC (0.79–0.87). Las tasas de mortalidad dentro de los grupos de riesgo fueron del 0%
(Bajo), 3.2% (Intermedio), 25.9% (Alto) y 59.4% (Muy alto). Estas tasas de mortalidad son ligeramente más bajas que las reportadas en el estudio de validación original (1.2%, 9.9%, 31.4%, y 61.5% respectivamente). El rendimiento del score fue ligeramente inferior cuando se aplicó solamente al grupo de pacientes hospitalizados (AUC = 0.80, 95% CI: 0.76–0.85). CONCLUSIÓN: El Score de mortalidad ISARIC 4C es una herramienta de pronóstico válida y adaptable para uso intrahospitalario y en los departamentos de emergencia. Sin embargo, se advierte que la mayor capacidad discriminatoria observada en comparación al estudio de validación original se debe a que el score se aplicó sobre una cohorte más heterogénea que incluyó pacientes que visitaron el departamento de emergencia pero que no se hospitalizaron. Se puede utilizar para identificar y priorizar la atención de pacientes con COVID-19 con alto riesgo de muerte (15).
Wellbelove et al. (2020) realizaron un estudio titulado “Comparing the 4C mortality score for COVID-19 to established scores (CURB65, CRB65, qSOFA, NEWS) for respiratory infection patients”, en el que se comparó la capacidad discriminatoria para predecir mortalidad a los 30 días del Score ISARIC 4C frente a otros scores como CURB65, CRB65 y qSOFA en cohortes de pacientes con distintas
17 enfermedades respiratorias (neumonía adquirida en la comunidad, influenza, enfermedad invasiva neumococica y COVID-19). POBLACIÓN: Se analizaron un total de 606 pacientes con los parámetros requeridos para aplicarse el Score ISARIC 4C. DISEÑO: Estudio de cohorte retrospectivo. RESULTADOS: La media de edad fue de 60 años, la mortalidad a los 30 días fue del 12% y el tiempo medio hasta la muerte fue de 5 días. El área bajo la curva ROC fue calculada para cada sistema de puntuación en la cohorte respectiva. El Score ISARIC 4C obtuvo la mayor área bajo la curva ROC en pacientes con COVID-19 (0.83; 95% IC, 0.71 - 0.95), neumonía adquirida en la comunidad (0.78; 95% IC, 0.72-0.83) y enfermedad invasiva neumococica (0.74; 95% IC, 0.60-0.88); y fue el único score que tuvo un desempeño estadísticamente significativo mejor que el azar en todas las cohortes (P < 0.01). CONCLUSIÓN: El Score de mortalidad ISARIC 4C posee buena capacidad discriminatoria como predictor de muerte en pacientes con COVID-19 y otras infecciones respiratorias comunes. El score tiene el potencial de aplicarse ampliamente en patologías comunes pero muchas veces fatales guiando los planes iniciales de manejo antes de un diagnóstico definitivo (16).
Por su parte, Covino et al. (2020), en su investigación “Predicting In-Hospital Mortality in COVID-19 Older Patients with Specifically Developed Scores” evaluaron en adultos mayores con COVID-19 el rendimiento para la estratificación del riesgo de muerte de varias escalas concebidas específicamente para COVID-19 (4C Mortality Score, Quick COVID-19 Severity Index – qCSI, COVID-GRAM) frente al ampliamente validado score NEWS (National Early Warning Score) para deterioro clínico. POBLACIÓN: Un total de 210 pacientes, de entre 60 y 98 años fueron incluidos en la cohorte de estudio. DISEÑO: Estudio de cohorte retrospectivo observacional. RESULTADOS: La edad media de los pacientes fue de 74 años y 133 (63.3%) fueron del sexo masculino. La tasa de mortalidad reportada fue del 20% (42 pacientes). Todos los scores evaluados mostraron un valor predictivo bastante bueno para muerte intrahospitalaria. El Score de mortalidad ISARIC 4C tuvo la mayor área bajo la curva ROC (0.799; 95% IC, 0.738–0.851), seguido del COVID-GRAM (0.785; 95% IC, 0.723–0.838), NEWS (0.764; 95% IC, 0.700–0.819) y qCSI (0.7490; 95% IC, 0.685–0.806). El Score de mortalidad ISARIC 4C mostró
18 una sensibilidad de 88.1% (95% IC, 74.4–96.0) y especificidad de 55.9% (95% IC, 48.1–63.6) con un punto de corte mayor a 8 puntos. Además, el valor predictivo negativo fue de 94.9% (95% IC, 89.1–97.7). Sin embargo, estas diferencias no fueron estadísticamente significativas. CONCLUSIÓN: Entre los scores evaluados, el Score ISARIC 4C, calculado al ingreso a urgencias, tuvo un mejor rendimiento para predecir mortalidad en pacientes adultos mayores con COVID-19. Sin embargo, el score NEWS, ampliamente validado en la práctica clínica; tuvo un rendimiento similar y podría ser apropiado para valorar el posible deterioro clínico y la potencial necesidad de brindar un nivel de cuidado más alto en adultos mayores con COVID-19 (17).
Finalmente, en el estudio de van Dam et al. (2021), titulado “Performance of prediction models for short-term outcome in COVID-19 patients in the emergency department: a retrospective study” se evaluó la capacidad discriminatoria de 11 modelos de predicción de mortalidad (4C Mortality Score, abbMEDS - abbreviated Mortality Emergency Department Sepsis, SOFA – Sepsis related Organ Failure Assessment, ACP index, CALL Score, CURB-65, Host risk factor score, REMS – Rapid Emergency Medicine Score, MEWS - Modified Early Warning Score, RISE UP - Risk Stratification in the Emergency Department in Acutely ill Older Patients y APACHE II - Acute Physiology and Chronic Health Evaluation II) en pacientes del servicio de emergencia. El evento primario valorado fue la mortalidad a los 30 días de presentación en urgencias. Los desenlaces secundarios evaluados fueron mortalidad a los 14 días y un desenlace compuesto de mortalidad a 30 días e ingreso a Unidad de Cuidados Intensivos/Unidad de Cuidados Intermedios.
POBLACIÓN: Un total de 403 pacientes mayores de 18 años de edad con síntomas compatibles con COVID-19 que acudieron a emergencia. DISEÑO: Estudio de cohortes retrospectivo. RESULTADOS: La media de edad de los pacientes fue de 71 años (RIQ 60 - 78) y 255 pacientes (63.2%) fueron mayores de 65 años. La mayoría de pacientes (66%) pertenecieron al sexo masculino. De la totalidad de la muestra, 66 pacientes (16.4%) fueron admitidos en UCI y 48 pacientes (11.9%) en Unidad de Cuidados Intermedios. La mortalidad reportada a los 30 y 14 días fue de 23.6% y 19.1% respectivamente. El Score RISE-UP y el Score de mortalidad
19 ISARIC 4C mostraron el mejor rendimiento discriminatorio, arrojando un área bajo la curva ROC de 0,83 (IC del 95%: 0,79-0,88) y 0,84 (IC del 95%: 0,79-0,88) respectivamente, para la mortalidad a 30 días. Para la mortalidad a 14 días las áreas bajo la curva ROC reportadas fueron 0,83 (95% IC: 0,79-0,88) y 0,83 (IC del 95%:
0,79-0,88) respectivamente; significativamente más alta que otros scores.
CONCLUSIÓN: Los modelos de predicción de mortalidad como el Score RISE UP y el Score ISARIC 4C son útiles para la identificación de pacientes con riesgo alto de resultados adversos y puede ser un primer paso para orientar la toma de decisiones clínicas y la asignación de recursos sanitarios (18).
2.1.2. ANTECEDENTES NACIONALES
En nuestro país Palacios Vargas (19) desarrolló su tesis de pregrado titulada
“Comparación del ISARIC 4C Mortality Score y PSI para predecir la mortalidad en pacientes adultos hospitalizados en UCI Covid-19 Huacho-Perú, 2020-21” donde evaluó el desempeño del Score de mortalidad ISARIC 4C y el Score PSI (Pneumonia severity index) como predictor de mortalidad en pacientes de UCI COVID-19. POBLACIÓN: Un total de 137 pacientes adultos hospitalizados en UCI- COVID desde abril de 2020 a setiembre de 2021. DISEÑO: Estudio observacional, retrospectivo, transversal y descriptivo. RESULTADOS: La mediana de edad de los sujetos estudiados fue de 56 años [RIQ: 65-44,50], el tiempo medio de estancia hospitalaria observada fue de 19 días [RIQ: 28-11]. La obesidad (28.93%) y la hipertensión arterial (20.81%) fueron las comorbilidades observadas con mayor frecuencia en la muestra de estudio. La mortalidad hospitalaria a los 30 días fue del 43,1%. El Score PSI presentó mayor AUC cuyo valor fue 0,710 (IC 95% 0,624- 0,726; p=0,00003) en comparación al Score de mortalidad ISARIC 4C cuyo valor de AUC fue de 0,635 (IC 95% 0,542-0,728; p=0,007). CONCLUSIÓN: El Score PSI presenta mejor capacidad discriminatoria que el Score de mortalidad ISARIC 4C para predecir mortalidad en pacientes admitidos en UCI-COVID.
Todos los antecedentes de la investigación se resumen en la tabla 1.
20 Tabla 1. Resumen de los antecedentes de la investigación. Nota. La tabla representa un resumen de los antecedentes de la investigación y se señalan los principales parámetros usados para determinar capacidad discriminatoria. AUC: Area bajo la curva ROC. ROC: Curva de características operativas del receptor. IC: Intervalo de confianza.
ESTUDIO AÑO PAÍS POBLACIÓN DISEÑO DE ESTUDIO
EXACTITUD PRONÓSTICA DEL SCORE DE MORTALIDAD ISARIC 4C
Knight et
al(6) 2020 Reino
Unido 57824
Estudio de cohortes prospectivo
AUC Cohorte de derivación:
0.79 (95% IC, 0.78-0.79) AUC Cohorte de validación:
0.77(95% IC, 0.76-0.79) VPP: 62% (mortalidad de 62%
con un score de por lo menos 15 puntos)
VPN: 99% (mortalidad de 1%
con un score de 3 puntos o menos).
Jones et
al(15) 2020 Canadá 560
Estudio de cohortes prospectivo
AUC: 0.83 (95% IC, 0.79–0.87) El rendimiento del score fue ligeramente inferior cuando se aplicó solamente al grupo de pacientes hospitalizados (AUC= 0.80; 95% IC, 0.76–
0.85).
Wellbelove
et al(16) 2020 Reino
Unido 606
Estudio de cohortes retrospectivo
AUC: 0.83 (95% IC, 0.71 - 0.95)
Covino et
al(17) 2020 Italia 210
Estudio de cohortes retrospectivo observacional
S: 88.1 (74.4–96.0) E: 55.9 (48.1–63.6) VPP: 33.3 (29.0–38.0) VPN: 94.9 (89.1–97.7) AUC: 0.799 (95% IC, 0.738–
0.85)
Punto de corte: > 8 puntos
Van Dam
et al(18) 2021 Países
bajos 403
Estudio de cohortes retrospectivo
AUC: 0.84 (95% IC: 0.79-0.88) – Mortalidad a 30 días.
AUC: 0,83 (95% IC: 0.79-0.88) – Mortalidad a 14 días.
Palacios
Vargas((19) 2022 Perú 137
Estudio observacional,
retrospectivo, transversal y
descriptivo.
AUC: 0,635 (IC 95% 0,542- 0,728; p=0,007) – Mortalidad a 30 días.
21 2.2. BASES TEÓRICAS
COVID-19 Definición
La COVID-19 es una nueva variante de entidad patológica por coronavirus cuyo agente etiológico es el nuevo SARS-CoV-2 el cual es responsable de un cuadro de infección de carácter agudo con clínica respiratoria predominantemente. Este nuevo coronavirus es distinto del virus responsable del Síndrome respiratorio del medio oriente (MERS) y el Síndrome respiratorio agudo severo (SARS). El cuadro clínico propio de los individuos infectados por SARS-CoV-2 comprende fiebre, congestión de las vías respiratorias superiores, tos seca y dificultad respiratoria (20).
Epidemiología
El Coronavirus Resource Center de la Universidad Johns Hopkins señala que hasta el 02 de setiembre de 2022 se han reportado 603 495 870 casos confirmados y 6 492 885 decesos debido a COVID-19 por todo el mundo (2). Según la Organización Mundial de la Salud al 03 de setiembre de 2022 las regiones más afectadas son Europa y América, que de manera conjunta representan el 70.5 % de la totalidad de casos notificados mundialmente (21).
La OPS (Organización Panamericana de la Salud) reportó que al 01 de setiembre de 2022 en América se han identificado 175 912 685 casos acumulados y 2 818 706 muertes, siendo Sudamérica una de las regiones más afectadas con 63 387 782 casos y 1 322 572 muertes (22).
Según actualización del 28 de agosto de 2022 el Centro Nacional de Epidemiología, Prevención y Control de Enfermedades-MINSA señala que en el Perú se han reportado 4 099 785 casos confirmados y 215 639 decesos con una tasa de letalidad de 5.26% (23). Del mismo modo en la región Huancavelica se han reportado 28 630 casos confirmados y 1 298 decesos con una tasa de letalidad de 4.53%.
Con respecto a la vacunación en nuestro país el Repositorio Único Nacional de Información en Salud – REUNIS reporta que al 3 de setiembre de 2022 se ha logrado una cobertura de 71.5% de vacunados con tercera dosis (20 429 970 vacunados mayores de 12 años de edad) (24).
22 Fisiopatología
La pandemia por la COVID-19 representó un desafío para todos los sistemas sanitarios de todo el orbe, especialmente en el ámbito del diagnóstico y la terapéutica; ya que debido a que es un ente clínico de nueva aparición se desconocía mucho acerca de su fisiopatología y sus patrones clínicos. Sin embargo, a la fecha se ha logrado desentrañar dichos mecanismos fisiopatológicos que ayuden a entender mejor su historia natural. Hernández-Rodríguez et al. (25) señala que el SARS-CoV-2 es un virus con ARN monocatenario, clasificado dentro de la familia Coronaviridae y dentro del género Betacoronavirus. Este virus ingresa en la célula receptora luego de entrar en contacto con receptores de superficie específicos para la enzima conversora de angiotensina-2 (ACE-2), presentes en células de vías respiratorias altas y neumocitos tipo II. Además, estos receptores se hallan también en células renales, cardiacas, vasculares e intestinales, donde se pone en marcha la replicación del virus para infectar otras células. El compromiso de mayor intensidad se da en el epitelio pulmonar lo cual conlleva a manifestaciones clínicas más graves.
La mayoría de los pacientes infectados exhiben una respuesta inmunitaria controlada que no predisponen a deterioro clínico significante. Sin embargo, en una proporción mínima el SARS-CoV-2 induce una respuesta de inmunidad innata aberrante mediada principalmente por citosinas proinflamatorias, tales como el Factor de necrosis tumoral alfa (TNF-α), interleucinas 1 beta (IL-1β), IL-6, IL-8 y el interferón gamma (IFN-γ). Estos niveles excesivos de estas citocinas inducen la conocida “cascada citocínica” produciendo así una respuesta hiperinflamatoria, responsable del cuadro de ¨Síndrome de distrés respiratorio agudo¨ y alteraciones biológicas caracterizadas por incrementos considerables de los llamados reactantes de fase aguda (proteína C reactiva y ferritina). Del mismo modo, la COVID-19 severa se caracteriza también por niveles altos de lactato deshidrogenasa (LDH), trombocitopenia, linfopenia e incrementos en los niveles de dímero-D.
Según refiere Tsang et al. (20) la progresión de la COVID-19 comprende tres fases:
23 Fase de infección temprana
En las etapas iniciales del proceso infeccioso, el SARS-CoV-2 invade el parénquima pulmonar y se inicia la replicación. La proteasa transmembrana serina 2 (TMPRSS2) y la enzima convertidora de angiotensina-2 (ACE-2) desempeñan un papel crucial en el ingreso del SARS-CoV-2 dentro de las células de las vías respiratorias del huésped. Esta fase es caracterizada por la presentación de síntomas constitucionales leves y respuesta inicial del sistema inmunitario innato.
Fase pulmonar
La fase pulmonar comprende respuesta inflamatoria, daño a órganos y tejidos e insuficiencia respiratoria. Los niveles excesivos de citoquinas presentes inducen estrés oxidativo causando a su vez necrosis de las células alveolares. El incremento de la permeabilidad endotelial y epitelial resulta en el depósito de líquido con alto contenido proteico en el espacio alveolar provocando así el deterioro del intercambio gaseoso; resultando en hipoxemia, disminución de la excreción de CO2 e insuficiencia respiratoria aguda. Aproximadamente el 20% de los pacientes infectados desarrollan hipoxia, infiltrados en vidrio esmerilado y Síndrome de distrés respiratorio agudo, lo que conduce a una falla multiorgánica. La capacidad de reparación y aclaramiento mucociliar reducidos en pacientes ancianos lleva al deterioro clínico rápidamente y eventualmente a la muerte.
Fase hiperinflamatoria
La fase hiperinflamatoria se caracteriza por inflamación sistémica y daño a órganos distantes debido a una respuesta inflamatoria más intensa del huésped y un estado de hipercoagulabilidad que conduce a una falla multiorgánica.
Un punto clave a señalar es que a pesar de que la neumonía grave por COVID-19 satisface la mayoría de los criterios de Berlín para diagnosticar Síndrome de distrés respiratorio agudo; esta es una enfermedad específica con un patrón muy distintivo de hipoxemia severa asociada a distensibilidad pulmonar casi normal en la gran mayoría de casos. De esta manera la COVID-19 puede presentarse con diversos
24 patrones a causa de factores tales como la presencia de comorbilidades subyacentes, la respuesta del huésped, el grado de severidad de la infección, capacidades de respuesta ventilatoria del paciente e intervalo de tiempo entre la infección y el manejo hospitalario. En base a estas consideraciones Gattinoni et al.
(26) sugieren que la COVID-19 presenta dos fenotipos temporalmente relacionados;
neumonía Tipo L (caracterizada por baja elastancia, baja relación ventilación- perfusión, bajo peso pulmonar y bajo reclutamiento alveolar) y neumonía tipo H (caracterizada por alta elastancia, shunt de derecha a izquierda importante, alto peso pulmonar y alto reclutamiento alveolar).
Neumonía COVID-19 Tipo L
Cuando ocurre insuficiencia respiratoria debido a neumonía por SARS-CoV-2, la distensibilidad pulmonar se conserva relativamente a pesar de la oxigenación inadecuada. Se caracteriza por una elevada ventilación por minuto. La afectación evidenciada en la TAC de tórax es limitada y en fases iniciales muestra opacidades en vidrio deslustrado que no sugieren edema alveolar sino edema intersticial. Los pacientes agrupados dentro de este patrón clínico y radiográfico no presentan disnea ni taquipnea. Este tipo de neumonía, denominada como tipo L, comprende pacientes con distensibilidad pulmonar casi inalterada con neumonía viral aislada.
En una gran proporción de casos, la infección puede ser estacionaria durante esta fase y la mejoría clínica sucede sin exacerbación de la sintomatología respiratoria.
La distensibilidad pulmonar suele ser superior a 50 ml/H20 aun a pesar de la hipoxemia grave del paciente. El volumen pulmonar está conservado relativamente y hay pocos espacios de aire pulmonares recurrentes.
El principal mecanismo responsable de la hipoxemia en este grupo es el desajuste de la ventilación/perfusión (V/Q) debido a la vasoconstricción pulmonar inducida por la reducción del flujo sanguíneo de los pulmones.
En este grupo de pacientes, la posición en decúbito ventral y la PEEP alta restauraron la oxigenación tras mejorar la relación V/Q al redistribuir el flujo sanguíneo pulmonar en vez de abrir los alvéolos cerrados como en el Síndrome de distrés respiratorio clásico (27).
25 Neumonía COVID-19 Tipo H
Si la afectación pulmonar aumenta a causa de la gravedad de la COVID-19 (carga viral), la hiperreactividad inmunitaria o el tratamiento deficiente, la hipoventilación pulmonar puede predisponer a una neumonía tipo H que se caracteriza por una reducción del área ventilada de los pulmones (27). En una pequeña proporción de pacientes se puede observar consolidaciones alveolares de carácter difuso en la TAC de tórax, guardando similitud con el fenotipo clínico del Síndrome de distrés respiratorio clásico.
En este grupo de pacientes admitidos en la Unidad de cuidados intensivos por insuficiencia respiratoria, entre el 20 y el 30 % de los pacientes con hipoxemia grave presentan una distensibilidad pulmonar inferior a 40 ml/H2O. La baja distensibilidad pulmonar reduce el área pulmonar ventilada e incrementa el área de reclutamiento.
Una proporción de estos individuos con hipoxia reciben ventilación mecánica no invasiva previa a su admisión en la Unidad de cuidados intensivos. Los pacientes con esfuerzo respiratorio elevado desarrollan una presión intratorácica negativa muy elevada. Por lo tanto, además del daño debido a la neumonía viral, también están presentes lesiones pulmonares a causa de la ventilación mecánica.
Diagnóstico
Detección de antígenos
Las pruebas antigénicas, tienen utilidad para la detección de virus con replicación activa durante las etapas iniciales de la infección por el SARS-CoV-2. La detección de antígenos se basa en la identificación de proteínas del SARS-CoV-2. Los dos principales antígenos de los ensayos de detección de SARS-CoV-2 son las proteínas S y N. Se reporta en diversos estudios que la sensibilidad y especificidad promedio de los test antigénicos es de 56.2 % y 99.5 %, respectivamente (28). Estos métodos de detección de antígenos utilizan tecnologías similares a las de los métodos serológicos. Al igual que la serología, las pruebas basadas en antígenos de alto rendimiento se pueden realizar en sistemas semiautomáticos o instrumentos
26 automatizados que utilizan tecnologías de inmunoensayo enzimático como ensayos inmunoabsorbentes ligados a enzimas.
Detección de anticuerpos
Los test serológicos detectan anticuerpos con especificidad para el SARS-CoV-2 en muestras de plasma, sangre o suero. Las inmunoglobulinas IgM e IgG son las más usadas en ensayos serológicos para detectar SARS-CoV-2, mientras que la detección de IgA se usa con menos frecuencia. Ya que la detección de mecanismos de inmunidad tras la infección del SARS-CoV-2 toma alrededor de 1 a 2 semanas, los test de anticuerpos tienen una utilidad limitada para el diagnóstico de infección por SARS-CoV-2 en las etapas agudas de la enfermedad, pero podría tener valor una vez que las respuestas inmunes se han puesto en marcha (28).
En la revisión sistemática con meta-analisis de Böger et al. (29) se señala que la detección de anticuerpos IgM e IgG tiene una especificidad y sensibilidad de 91.6%
y 84.5% respectivamente.
Prueba molecular
La RT-PCR (Reacción en cadena de la polimerasa con transcriptasa reversa), más conocida como prueba molecular, constituye el gold estándar para diagnosticar infección por SARS-CoV-2. Las pruebas moleculares se basan en la detección del SARS-CoV-2 en una muestra obtenida por hisopado nasofaríngeo amplificando su material genético hasta niveles que hagan factible su detección. De esta manera, estas pruebas confirman una infección activa, normalmente durante los días iniciales tras la exposición y en torno al tiempo en el que se inician los síntomas. La RT-PCR muestra una sensibilidad de 97.2% en muestras de esputo (29).
Sin embargo, a pesar de que la RT-PCR es el gold estándar para el diagnóstico de COVID-19, su exactitud diagnostica está sujeta a la duración de los síntomas, la calidad de la muestra tomada y la carga viral. Se han informado casos, cada vez con mayor frecuencia, en los que este test diagnóstico ha mostrado positividad solo después de múltiples resultados negativos aun en pacientes con clínica y hallazgos radiológicos evidentes (30). Por otra parte, el tiempo de espera de los resultados,
27 que muchas veces toma de horas a días; y la limitada disponibilidad de la RT-PCR en países como el nuestro, representa un problema que dificulta una clasificación adecuada de los pacientes bajo sospecha de COVID-19. Bajo este precedente, la tomografía de tórax constituye un método diagnóstico auxiliar con cada vez más evidencia científica que lo avala. El diagnóstico por imágenes no reemplaza a las pruebas diagnósticas moleculares ni serológicas. Estos métodos no están indicados en pacientes asintomáticos o con sintomatología leve; solamente deben usarse en aquellos casos moderados a severos, con probabilidad de evolución tórpida por comorbilidades y en aquellos con deterioro súbito de su condición respiratoria.
En escenarios con recursos limitados, los exámenes imagenológicos podrían usarse como un instrumento de triaje en pacientes con alta probabilidad de positividad en las pruebas moleculares o serológicas (31), en quienes es muy importante la rápida toma de decisiones.
El COVID-19 Reporting and Data System (CO-RADS) es una iniciativa de la Dutch Radiological Society que estandariza el reporte tomográfico de pacientes en quienes hay sospecha de infección por SARS-CoV-2. El sistema CO-RADS estratifica el grado de sospecha de afectación pulmonar por COVID-19 basándose en las alteraciones de la tomografía torácica sin contraste. El grado de sospecha se incrementa desde muy bajo (CO-RADS categoría 1) hasta muy alto (CO-RADS categoría 5). Además, adicionalmente dos categorías codifican un examen técnicamente insuficiente (categoría 0 de CO-RADS) y una infección de SARS-CoV- 2 comprobada por RT-PCR (categoría 6 de CO-RADS) (32).
CO-RADS 1: “CO-RADS 1 representa un grado de sospecha de compromiso pulmonar por COVID-19 muy bajo. Esta categoría incluye patrones negativos para neumonía; como enfisema de leve a grave, nódulos perifisurales, neoplasia pulmonar y fibrosis” (32).
CO-RADS 2: “CO-RADS 2 representa un grado de sospecha bajo de compromiso pulmonar por COVID-19. Esta categoría Incluye patologías tales como neumonía lobular, bronconeumonía, bronquitis, absceso pulmonar, etc. La consolidación
28 segmentaria o lobar, la cavitación pulmonar, el patrón nodular centrolobulillar y el árbol en brote comprenden los patrones propios de esta categoría” (32).
CO-RADS 3: “La categoría CO-RADS 3 comprende el hallazgo de patrones que podrían denotar afectación pulmonar por COVID-19 pero que también están presentes en patologías no infecciosas o en otras neumonías de etiología viral. Esta categoría comprende hallazgos tales como opacidades en vidrio deslustrado de localización perihiliar, opacidades en vidrio deslustrado homogéneas generalizadas con o sin afectación de lóbulos secundarios, u opacidades en vidrio deslustrado con presencia de engrosamientos septales interlobulillares con o sin derrame pleural, pero sin ningún otro hallazgo típico” (32).
CO-RADS 4: “CO-RADS 4 representa un alto grado de sospecha de afectación pulmonar por COVID-19 que es específica de COVID-19, pero también presenta cierto solapamiento con otras neumonías de etiología viral. Estos patrones guardan similitud con los de la categoría CO-RADS 5; sin embargo, estos hallazgos no tienen contacto con la hoja visceral de la pleura, ni tienen localización unilateral estricta en una distribución peribronquial ni se superponen a anomalías pulmonares difusas graves” (32).
CO-RADS 5: “CO-RADS 5 representa un grado de sospecha de afectación pulmonar por COVID-19 muy alto. Los patrones mandatorios de esta categoría son opacidades en vidrio deslustrado con o sin consolidación en las áreas pulmonares adyacentes a la superficie pleural visceral, incluidas las fisuras y una distribución multifocal bilateral” (32).
La categoría CO-RADS 5 demanda la presencia de por lo menos un patrón confirmatorio que sea compatible con la evolución temporal de la enfermedad (33) tales como múltiples áreas de vidrio esmerilado en fases tempranas y los patrones de ¨crazy paving¨ y consolidación en fases tardías. En el meta-análisis de Böger et al. (29) la tomografía de tórax sin contraste mostró alta sensibilidad de 91.1% pero baja especificidad de 25.1%.
En la Tabla 2 se resumen todas las categorías del COVID-19 Reporting,and,Data System, (CO-RADS).
29 Tabla 2. Categorías CO-RADS y nivel de sospecha de afectación pulmonar por COVID-19 (32).
CATEGORÍA CO-RADS
NIVEL DE SOSPECHA DE
COVID-19
HALLAZGOS TOMOGRÁFICOS
(0)
(1) (2) (3)
(4) (5) (6)
No interpretable
Muy baja Baja
Equivoco/Dudoso
Alta Muy alta Probada
Imágenes técnicamente insuficientes para establecer un score.
Normal o no infecciosa.
Típica para otras infecciones, pero no para COVID-19 Características compatibles con COVID-19 pero además otras enfermedades.
Sospechosa para COVID-19.
Típica para COVID-19.
RT-PCR positiva para SARS-CoV-2.
Manifestaciones clínicas
Ante el advenimiento de la pandemia de la COVID-19 los primeros estudios epidemiológicos han demostrado que los síntomas cardinales de esta patologia son fiebre, tos no productiva, cefalea y disnea, con posible progresión a neumonía (34).
Con la diseminación de la enfermedad por todo el mundo y el consiguiente incremento de casos, se han reportado otros síntomas en publicaciones científicas.
En la revisión sistemática de da Rosa Mesquita (35) (ver Tabla 3) que agrupó a más de 41 409 pacientes en 23 países alrededor del mundo se reportó que seis síntomas presentaron una prevalencia general superior al 25%; estas manifestaciones clínicas fueron fiebre (58.6%), tos (54.5%), disnea (30.8%), malestar general (29.7%), fatiga (28.1%) y expectoración (25.3%).
SCORE DE MORTALIDAD ISARIC 4C
El Score de mortalidad ISARIC 4C (Coronavirus Clinical Characterisation Consortium) (6) es una iniciativa desarrollada por el ¨International Severe Acute Respiratory and emerging Infections Consortium¨ en coordinación conjunta con la OMS en respuesta a la urgente necesidad de contar con una herramienta de estratificación del riesgo que permita la identificación temprana de individuos con
30 infección por SARSCoV-2 que están en mayor riesgo de muerte para así guiar el adecuado manejo y la optimización de recursos. El diseño de este modelo tiene como finalidad la predicción de desenlaces adversos (mortalidad intrahospitalaria) en pacientes con COVID-19 al momento del ingreso hospitalario.
Tabla 3. Frecuencia de síntomas en pacientes con COVID-19 (35).
Este score nace de un estudio de cohortes prospectivo realizado por Knight et al.
(6) en 260 hospitales en Inglaterra, Escocia y Gales entre el 6 de febrero y el 20 de mayo de 2020 (con una ampliación posterior de la cohorte una vez desarrollado el modelo entre el 21 de mayo y el 29 de junio). Las cohortes de derivación y validación del estudio contaron con 35 463 y 22 361 pacientes, respectivamente. El 4C
SÍNTOMAS
NÚMERO TOTAL DE
ESTUDIOS SÍNTOMAS
PRESENTES
PORCENTAJE Estudios (%)
(n)
Población Total Fiebre
Tos Malestar Disnea Fatiga Movilización de
secreciones Manifestaciones
dermatológicas Anorexia Estornudos Síntomas
neurológicos
Rinitis Mialgia Escalofríos Dolor de
garganta
Cefalea Diarrea Dolor torácico Rinorrea Palpitación Mareos/Vértigo Nauseas o
vómitos
Temblores Confusión Congestión nasal Dolor abdominal Hemoptisis
144 139 5 99 78 57 1 18 3 7 3 69 4 62 76 85 27 32 7 14 60 3 7 19 16 17
40,674 34,318 316 29,116 15,061 14,835 88 2621 374 2099 224 15,037 1260 24,000 17,367 11,841 8287 5634 1040 2473 13,215 671 3193 7957 4355 7580
23,858 18,711 94 8973 4241 3757 18 531 55 437 32 2542 170 3459 2113 1136 952 433 80 152 969 40 184 435 221 125
58.66 54.52 29.75 30.82 28.16 25.33 20.45 20.2 14.7 20.8 14.2 16.90 13.49 14.41 12.17 9.59 11.49 7.69 7.69 6.15 7.33 5.96 5.76 5.47 5.07 1.65
31 Mortality Score incluyó ocho variables de fácil disponibilidad en la valoración hospitalaria al momento de la admisión; que fueron número de comorbilidades, saturación periférica de oxígeno, frecuencia respiratoria, estado de conciencia, edad, sexo, urea, y Proteína C reactiva (rango de puntuación 0-21 puntos). El score y sus variables se señalan en la Tabla 4.
Tabla 4. Score de mortalidad ISARIC 4C para mortalidad intrahospitalaria en pacientes con COVID-19. Adaptado de Knight et al. (6).
Nota. “Las comorbilidades incluyen enfermedad cardíaca crónica, enfermedad respiratoria crónica (excepto asma), enfermedad renal crónica (tasa de filtración glomerular ≤ 30), enfermedad hepática, demencia, enfermedades neurológicas crónicas, enfermedades del tejido conectivo, diabetes mellitus, VIH o SIDA y neoplasias” (6).
VARIABLE RANGO DE VALORES PUNTOS
EDAD
<50 0
50-59 2
60-69 4
70-79 6
≥80 7
SEXO Femenino 0
Masculino 1
NUMERO DE COMORBILIDADES*
0 0
1 1
≥2 2
FRECUENCIA RESPIRATORIA (Resp/min)
<20 0
20-29 1
≥30 2
SATURACIÓN DE OXÍGENO PERIFÉRICO EN EL AIRE
AMBIENTE (%)
≥92% 0
<92% 2
ESCALA DE COMA DE GLASGOW
15 0
<15 2
UREA O BUN (mmol/l)
Urea <7 BUN <19.6 0 Urea 7-14 BUN 19.6-39.2 1 Urea >14 BUN >39.2 3 PROTEÍNA C-REACTIVA
(mg/L)
<50 0
50-99 1
≥100 2
32 El Score de mortalidad ISARIC 4C considera variables,demográficas de los pacientes, exploraciones clínicas y marcadores bioquímicos que están disponibles de manera común al momento de la admisión hospitalaria pudiendo caracterizar con precisión a la población de pacientes que presentan riesgo de muerte alto.
El desarrollo del score tomó en cuenta las comorbilidades en base al ¨Índice,de comorbilidad,de,Charlson¨ (36). Las, comorbilidades consideradas fueron enfermedades respiratorias crónicas (excepto asma), enfermedad cardíaca crónica, enfermedad hepática, enfermedad renal crónica (tasa de filtración glomerular ≤30), condiciones neurológicas crónicas, demencia, enfermedades del tejido conjuntivo, diabetes mellitus (controlada con dieta, pastillas o insulina), VIH o SIDA, y neoplasias. Además, la obesidad también se ha considerado como comorbilidad, ya que ésta puede estar asociada con malos resultados en pacientes que padecen COVID-19 (37).
El estudio de Knight et al. (6) definió cuatro grupos de riesgo en base a la puntuación (Tabla 5): bajo riesgo (puntuación 0-3, tasa de mortalidad 1.2%), riesgo intermedio (puntaje 4-8, 9.9 %), alto riesgo (puntuación 9-14, 31.4 %) y muy alto riesgo (puntuación ≥15, 61.5%). El análisis de desempeño mostró altos niveles de sensibilidad (99.7 %) y valor predictivo negativo (98,8%) dentro del grupo de bajo riesgo. Los pacientes en el grupo de riesgo intermedio, alto riesgo y muy alto riesgo mostraron valores predictivos negativos de 90.1%, 68.6% y 61.5%, respectivamente.
Tabla 5. Comparación de las tasas de mortalidad según grupos de riesgo del Score de mortalidad ISARIC 4C en cohortes de derivación y validación. Adaptado de Knight et al. (6).
GRUPO DE COHORTE DE DERIVACIÓN COHORTE DE VALIDACIÓN RIESGO N° de N° de N° de N° de pacientes(%) muertes(%) pacientes(%) muertes(%) Bajo (0-3) 2574 (7.3) 45 (1.7) 1650 (7.4) 20 (1.2) Intermedio (4-8) 8277 (23.3) 751 (9.1) 4889 (21.9) 486 (9.9) Alto (9-14) 18 091 (51.0) 6310 (34.9) 11 664 (52.2) 3666 (31.4) Muy alto (≥15) 6521 (18.4) 4320 (66.2) 4158 (18.6) 2557 (61.5) General 35 463 11 426 22 361 6729
33 Ali et al. (38) refiere que el Score de mortalidad ISARIC 4C es una herramienta muy válida que puede ser usada para fines de estratificación y como predictor de mortalidad en pacientes que padecen COVID-19 al instante de su admisión apoyando de esta manera las decisiones de manejo clínico. Para los sujetos dentro del grupo de riesgo bajo el manejo extrahospitalario podría ser adecuado, mientras que en aquellos que se hayan dentro del grupo de riesgo intermedio podría ser adecuada su admisión hospitalaria. Además, en pacientes con riesgo alto de muerte con puntuación de 9 o superior sería recomendable la instauración inmediata de esquemas de tratamiento agresivo, tales como la administración de corticoides (39) y la admisión en Unidad de Cuidados Intensivos si fuera necesario.
PRUEBAS DIAGNÓSTICAS
Los test diagnósticos son métodos que engloban interrogantes en la anamnesis, signos en la evaluación física y estudios complementarios (procedimientos, laboratorio, o imágenes) usados con el propósito de confirmar o descartar si una condición está presente. Además, en algunas ocasiones también son usadas para estratificar su severidad (40).
Una buena prueba diagnóstica debe tener validez y fiabilidad como propiedades imprescindibles. “La validez hace referencia a la capacidad de una prueba para medir lo que se supone que debe medir; es decir, representa la medida en que los resultados de la prueba concuerdan con los resultados del estándar de referencia”
(41). Las medidas de validez son la especificidad y sensibilidad, ambas inherentes a la prueba. Por otro lado, “la fiabilidad representa la capacidad que posee una prueba para predecir la ausencia o la presencia de enfermedad” (41). Las medidas de fiabilidad son los valores predictivos positivos y negativos y los likelihood ratio¨.
Tras la realización de la prueba diagnóstica los resultados calculados se presentan en una tabla de contingencia donde se contrasta con la prueba de referencia o el estándar de oro como se muestra en el Gráfico 1. Las tablas de contingencia están configuradas en columnas y filas. “Las columnas corresponden al resultado positivo (izquierda) y negativo (derecha) de la condición según el estándar de referencia; y las filas representan el resultado, positivo (arriba) o negativo (abajo) de la condición,
