Introduction: Glycemic alterations are known as a risk condition of death in several diseases, such as ischemic cardiovascular and neurological disorders. The fact that its tight control under narrow normality levels decreases mortality and morbidity have led to further studies seeking to confirm the results and expand them to other disease areas. Objectives: To determine whether glycemic changes by themselves are a mortality risk factor in a sample of patients within an Intensive Care Unit (ICU), among which predominates traumatic-surgical patients. Methods: Demographic and analytical characteristics were revised, as well as common monitoring variables in an ICU, among a sample of 2,554 patients from admissions between 1st January 2004 and 31 December 2008. Data were obtained from a database which endorsed records compiled with the monitoring ICU patients program "Carevue". They were processed with dynamics sheets included in the Excel software with the following variables: initial glycemia, mean glycemia during the first 24 hours and number of determinations performed. We used the mean value in the admission day of the remaining analytical and monitoring variables and the number of test performed on this first day. The sample was stratified in two groups for the statistical analysis: a) General Sample (MG) and b) sample excluding patients admitted after a programmed surgery (EQP). In both cases the effect of initial and averaged glycemia was checked. Group b was divided in two, according to the number of determinations b1) a single blood glucose determination group (EQP1) and b2) a multiple determination group (EQPM). From this group of non-programmed surgical patients the study was repeated in those patients who stayed at the ICU 3 or more days (EQP3D). Chi-square and Mantel-Haenzel test for the ODD ratio determination were performed for qualitative variables; quantitative variables were examined with the Mann-Whitney test. At each analysis level, logistic regression was performed using mortality as the dependent variable, including those variables with p-values < 0.05 which represented more than 60% of the data. An initially saturated model with backward till the final equation was used. A p-value of 0.05 (i.e. p < 0.05) was set as the significant threshold for all statistical analysis. They were performed with SPSS and GSTAT 2 statistical software. Results and discussion: A total of 2,165 of the 2,554 admitted patients during the study period were included (96.5%). Exclusion criteria were absence of plasma glucose determinations. In the bivariate analysis, first and mean glucose blood levels showed significant differences in mortality rates in absolute figures and also when data were classified stratified in three levels (< 60 mg/dl; 60-110 mg/dl or > 110 mg/dl) or in two (normal values 60 to 110 mg/dl and unusual figures < 60 mg/dl or > 110 mg/dl). These significant differences were lost when a logistic model was applied. From the remaining variables, renal function and NEMS showed to be mortality risks factors in this sample. Conclusions: Hyperglycemia is a predominant phenomenon in critically ill patients. Hypoglycemia is less frequent and is associated with higher mortality rates. Initial glucose blood level, by itself, was not a mortality risk factor in the multivariate study and at none of the studied levels. Average glycemia did not add any prediction power. The changes in glucose blood levels seemed to be an adaptation process, which determined by itself a risk for the patient's discharge, at least in the first 24 hours period after ICU admission.

Introducción: Las alteraciones de la glucemia han mostrado ser un factor de riesgo en patologías como la cardiopatía isquémica y el paciente neurológico. La constatación de que su control estricto en niveles estrechos de la normalidad, determinaba una disminución en mortalidad y morbilidad han dado lugar a estudios intentando corroborar los resultados y ampliar a otros campos patológicos. Objetivos: Determinar si la alteración de la glucemia, per se, era un factor de riesgo para mortalidad en una muestra de pacientes ingresados en una unidad de medicina intensiva, con predominio de pacientes quirúrgico-traumáticos. Métodos: Se revisan las características demográficas, analíticas y de variables de monitorización habitual en UCI, en una muestra de 2.554 pacientes correspondientes a ingresos entre el 1 de enero de 2004 y 31 de diciembre de 2008. Se extrajeron los datos de un repositorio que adquiere los datos del programa de monitorización en intensivos CareVue®. Se procesaron mediante la aplicación Excel con la utilidad hojas dinámicas, creando las variables glucemia inicial, glucemia promedio de las primeras 24 horas, y número de determinaciones. Del resto de variables analíticas y de monitorización se construyeron las correspondientes al promedio del primer día de ingreso, así como su número de determinaciones realizadas en ese primer día. La glucemia se determino en sangre completa no capilar. Para el estudio estadístico se estratifico la muestra en dos grupos: a) Muestra General (MG) y b) excluyendo a los pacientes con ingreso trás cirugía programada (EQP). En ambos se comprobó el efecto de la glucemia inicial y la promediada. El grupo b se segmento en dos según el número de determinaciones b1) una sola determinación de glucemia (EQP1) y b2) múltiples determinaciones (EQPM). De este grupo sin pacientes quirúrgicos programados, se repitió el estudio en aquellos pacientes con una duración de estancia de 3 o mas días en UCI (EQP3D). Se empleó Chi² para variables cualitativas y Mantel Haenzel para calculo de ODD ratio; Mann-Whitney para las cuantitativas. En cada nivel de análisis, las variables con p < 0,05 y que tenían una representación superior al 60% en los datos, se incluyeron en análisis de regresión logística, con la mortalidad como variable dependiente. Se empleó el modelo saturado de inicio con backward hasta la ecuación final. Se emplearon las aplicaciones estadísticas SPSS y GSTAT 2. Se estimó como significativo p < 0,05. Resultados y discusión: Se estudiaron un total de 2.165 pacientes de los 2.554 que ingresaron en el periodo de estudio (96,5%). Los excluidos lo fueron por carecer de determinaciones de glucemia plasmática. En el estudio bivariado, la glucemia de inicio y la promedio mostraron diferencias significativas de mortalidad, ya en cifras absolutas, en la estratificación a tres niveles (< 60 mg/dL; 60-110 mg/dL y > 110 mg/dL) y en la estratificación de normal (60 a 110 mg/dL) frente a valores anormales (< 60 o > 110 mg/dL). Esta significación se pierde al realizar el modelo logístico. Del resto de las variables empleadas, la función renal y el NEMS se muestran como factores de riesgo para la mortalidad en esta muestra. Conclusiones: La hiperglucemia es un fenómeno prevalente en pacientes graves. La hipoglucemia es menos frecuente, y marca una mayor mortalidad. La glucemia de inicio, per se, no fue factor de riesgo para mortalidad en el estudio multivariado y a ninguno de los niveles estudiados. La glucemia promedio no añadió ningún poder de predicción. Al menos en lo relacionado a las primeras 24 horas, las alteraciones de la glucemia parecen responder más a un proceso de adaptación que marcar per se, un riesgo en el alta del paciente.

Objective: To compare the ability of an artificial neural network (ANN) to predict hospital mortality with that of the Acute Physiology and Chronic Health Evaluation II (APACHE II) system and multiple logistic regression (LR). A secondary objective was to compare the allocation of individual probability among the models. Method: The variables required for calculating the APACHE II were prospectively collected. A total of 1146 patients were divided (randomly 70% and 30%) into the Development (800) and the Validation (346) sets. With the same variables an LR model and an ANN were carried out (a 3-layer perceptron trained by algorithm backpropagation with bootstrap resampling and with 9 nodes in the hidden layer) in the Development set. The models developed were contrasted with the Validation set and their discrimination properties were evaluated using the area under the ROC curve (AUC [95% CI]) and calibration with the Hosmer-Lemeshow C (HLC) test. Differences between the probabilities were evaluated using the Bland-Altman test. Results: The Validation set showed an APACHE II with an AUC = 0.79 (0.75-0.84) and HLC = 11 (p = 0.329); LR model AUC = 0.81 (0.76-0.85) and HLC = 29 (p = 0.0001) and an ANN AUC = 0.82 (0.77-0.86) and HLC = 10 (p = 0.404). The patients with the most important differences in the allocation of probability between LR and ANN (8% of the total) were neurological. The worst results were found in trauma patients with an AUC of not greater than 0.75 in all the models. In respiratory patients, the ANN achieved the best AUC = 0.87 (0.78-0.91). Conclusions: The ANN was able to stratify hospital mortality risk by using the APACHE II system variables. The ANN tended to achieve better results than LR, since, in order to work, it does not require lineal restrictions or independent variables. Allocation of individual probability differed in each model.

Objetivo: Comparar la capacidad de predicción de mortalidad hospitalaria de una red neuronal artificial (RNA) con el Acute Physiology and Chronic Health Evaluation II (APACHE II) y la regresión logística (RL), y comparar la asignación de probabilidades entre los distintos modelos. Método: Se recogen de forma prospectiva las variables necesarias para el cálculo del APACHE II. Disponemos de 1.146 pacientes asignándose aleatoriamente (70 y 30%) al grupo de Desarrollo (800) y al de Validación (346). Con las mismas variables se genera un modelo de RL y de RNA (perceptrón de 3 capas entrenado por algoritmo de backpropagation con remuestreo bootstrap y con 9 nodos en la capa oculta) en el grupo de desarrollo. Se comparan los tres modelos en función de los criterios de discriminación con el área bajo la curva ROC (ABC [IC del 95%]) y de calibración con el test de Hosmer-Lemeshow C (HLC). Las diferencias entre las probabilidades se valoran con el test de Bland-Altman. Resultados: En el grupo de validación, el APACHE II con ABC de 0,79 (0,75-0,84) y HLC de 11 (p = 0,329); modelo RL, ABC de 0,81 (0,76-0,85) y HLC de 29 (p = 0,0001), y en RNA, ABC de 0,82 (0,77-0,86) y HLC de 10 (p = 0,404). Los pacientes con mayores diferencias en la asignación de probabilidad entre RL y RN (8% del total) son pacientes con problemas neurológicos. Los peores resultados se obtienen en los pacientes traumáticos (ABC inferior a 0,75 en todos los modelos). En los pacientes respiratorios, la RNA alcanza los mejores resultados (ABC = 0,87 [0,78-0,91]). Conclusiones: Una RNA es capaz de estratificar el riesgo de mortalidad hospitalaria utilizando las variables del sistema APACHE II. La RNA consigue mejores resultados frente a RL, sin alcanzar significación, ya que no trabaja con restricciones lineales ni de independencia de variables, con una diferente asignación de probabilidad individual entre los modelos.

Objective: To compare the ability of an artificial neural network (ANN) to predict hospital mortality with that of the Acute Physiology and Chronic Health Evaluation II (APACHE II) system and multiple logistic regression (LR). A secondary objective was to compare the allocation of individual probability among the models. Method: The variables required for calculating the APACHE II were prospectively collected. A total of 1146 patients were divided (randomly 70% and 30%) into the Development (800) and the Validation (346) sets. With the same variables an LR model and an ANN were carried out (a 3-layer perceptron trained by algorithm backpropagation with bootstrap resampling and with 9 nodes in the hidden layer) in the Development set. The models developed were contrasted with the Validation set and their discrimination properties were evaluated using the area under the ROC curve (AUC [95% CI]) and calibration with the Hosmer-Lemeshow C (HLC) test. Differences between the probabilities were evaluated using the Bland-Altman test. Results: The Validation set showed an APACHE II with an AUC = 0.79 (0.75-0.84) and HLC = 11 (p = 0.329); LR model AUC = 0.81 (0.76-0.85) and HLC = 29 (p = 0.0001) and an ANN AUC = 0.82 (0.77-0.86) and HLC = 10 (p = 0.404). The patients with the most important differences in the allocation of probability between LR and ANN (8% of the total) were neurological. The worst results were found in trauma patients with an AUC of not greater than 0.75 in all the models. In respiratory patients, the ANN achieved the best AUC = 0.87 (0.78-0.91). Conclusions: The ANN was able to stratify hospital mortality risk by using the APACHE II system variables. The ANN tended to achieve better results than LR, since, in order to work, it does not require lineal restrictions or independent variables. Allocation of individual probability differed in each model.

Objetivo: Comparar la capacidad de predicción de mortalidad hospitalaria de una red neuronal artificial (RNA) con el Acute Physiology and Chronic Health Evaluation II (APACHE II) y la regresión logística (RL), y comparar la asignación de probabilidades entre los distintos modelos. Método: Se recogen de forma prospectiva las variables necesarias para el cálculo del APACHE II. Disponemos de 1.146 pacientes asignándose aleatoriamente (70 y 30%) al grupo de Desarrollo (800) y al de Validación (346). Con las mismas variables se genera un modelo de RL y de RNA (perceptrón de 3 capas entrenado por algoritmo de backpropagation con remuestreo bootstrap y con 9 nodos en la capa oculta) en el grupo de desarrollo. Se comparan los tres modelos en función de los criterios de discriminación con el área bajo la curva ROC (ABC [IC del 95%]) y de calibración con el test de Hosmer-Lemeshow C (HLC). Las diferencias entre las probabilidades se valoran con el test de Bland-Altman. Resultados: En el grupo de validación, el APACHE II con ABC de 0,79 (0,75-0,84) y HLC de 11 (p = 0,329); modelo RL, ABC de 0,81 (0,76-0,85) y HLC de 29 (p = 0,0001), y en RNA, ABC de 0,82 (0,77-0,86) y HLC de 10 (p = 0,404). Los pacientes con mayores diferencias en la asignación de probabilidad entre RL y RN (8% del total) son pacientes con problemas neurológicos. Los peores resultados se obtienen en los pacientes traumáticos (ABC inferior a 0,75 en todos los modelos). En los pacientes respiratorios, la RNA alcanza los mejores resultados (ABC = 0,87 [0,78-0,91]). Conclusiones: Una RNA es capaz de estratificar el riesgo de mortalidad hospitalaria utilizando las variables del sistema APACHE II. La RNA consigue mejores resultados frente a RL, sin alcanzar significación, ya que no trabaja con restricciones lineales ni de independencia de variables, con una diferente asignación de probabilidad individual entre los modelos.