Objective. To evaluate the hospital mortality risk for patients transported from a regional hospital to its second-level reference hospital using several scoring systems: Rapid Acute Physiology Score (RAPS), Rapid Emergency Medicine Score (REMS), SAPS II and APACHE II Design and setting. Prospective observational study of patients transferred from the Sant Hospital in la Seu d'Urgell to the University Hospital Arnau de Vilanova in Lleida, at a distance of 132 km. Patients. Consecutive cohort of 134 patients transferred between October 2005 and July 2007. Main variables. Several data were collected, such as variables on demography, stay, severity score, diagnosis on admission, destination service and procedures, such as mechanical ventilation, inotropics, sedation, neuromuscular blockers and antiarrhythmics. Variable of result was hospital mortality. Results. The average transfer time was 105 ± 14 minutes; 31.6% of the patients were admitted to an ICU; 16 (11,9%) patients died during hospital stay. The APACHE II and SAPS II scores got significantly higher values in those patients who died. The RAPS and REMS scores showed no significant differences among dead and survivors. The higher the APACHE II and SAPS II scores, the higher the proportion of mortality. The RAPS and REMS scores did not prove to have that tendency. Area under ROC curve was higher for APACHE II (0.76; 95% CI, 0.63-0.89) and SAPS II (0.78; 95% CI, 0.67-0.89), compared to those of RAPS (0.59; 95% CI, 0.43-0.75) and REMS (0.63; 95% CI, 0.49-0.78). Conclusions. The severity of illness measured with APACHE II and SAPS II is able to identify those patients with a higher predictive of mortality. It is a priority to have the right previous stabilization and the adequately trained team to provide care during the transfer, when facing lengthy journey times.

Objetivo. Evaluar el riesgo de mortalidad hospitalaria del paciente trasladado desde un hospital comarcal a un hospital de referencia de segundo nivel mediante las escalas Rapid Acute Physiology Score (RAPS), Rapid Emergency Medicine Score (REMS), SAPS II y APACHE II. Diseño y ámbito. Estudio prospectivo observacional de los pacientes trasladados desde el hospital Sant Hospital de la Seu d'Urgell al Hospital Universitario Arnau de Vilanova de Lleida, a 132 km de distancia. Pacientes. Se incluyó a 134 pacientes consecutivos trasladados desde octubre de 2005 a julio de 2007. Variables principales. Se recogieron datos de filiación, estancia, nivel de gravedad, diagnóstico principal, servicio de destino y variables clínicas como ventilación mecánica, uso de inotrópicos, sedantes, relajantes musculares y antiarrítmicos. Se consideró como variable de resultado la mortalidad hospitalaria. Resultados. La media ± desviación estándar del tiempo de traslado fue 105 ± 14 min. El 31,6% ingresaron en una unidad de cuidados intensivos. Fallecieron durante el ingreso hospitalario 16 (11,9%)pacientes. El APACHE II y el SAPS II fueron significativamente más elevados en los pacientes que fallecieron. El RAPS y el REMS no mostraron diferencias significativas entre fallecidos y supervivientes. A mayor puntuación en APACHE II y SAPS II, se observó un aumento proporcional de mortalidad. El RAPS y el REMS no mostraron esta tendencia. El área bajo la curva ROC fue mejor para el APACHE II (0,76; intervalo de confianza [IC] del 95%, 0,63-0,89) y el SAPS II (0,78; IC del 95%, 0,67-0,89) que para el RAPS (0,59; IC del 95%, 0,43-0,75) y el REMS (0,63; IC del 95%, 0,49-0,78). Conclusiones. El nivel de gravedad medido con APACHE II y SAPS II es un método útil para determinar el pronóstico de los pacientes trasladados permitiendo adecuar los recursos sanitarios fundamentalmente ante trayectos prolongados.

Objective: To provide an overview of decision trees based on CART (Classification and Regression Trees) methodology. As an example, we developed a CART model intended to estimate the probability of intrahospital death from acute myocardial infarction (AMI). Method: We employed the minimum data set (MDS) of Andalusia, Catalonia, Madrid and the Basque Country (2001-2002), which included 33,203 patients with a diagnosis of AMI. The 33,203 patients were randomly divided (70% and 30%) into the development (DS; n = 23,277) and the validation (VS; n = 9,926) sets. The CART inductive model was based on Breiman's algorithm, with a sensitivity analysis based on the Gini index and cross-validation. We compared the results with those obtained by using both logistic regression (LR) and artificial neural network (ANN) (multilayer perceptron) models. The developed models were contrasted with the VS and their properties were evaluated with the area under the ROC curve (AUC) (95% confidence interval [CI]). Results: In the DS, the CART showed an AUC = 0.85 (0.86-0.88), LR 0.87 (0.86-0.88) and ANN 0.85 (0.85-0.86). In the VS, the CART showed an AUC = 0.85 (0.85-0.88), LR 0.86 (0.85-0.88) and ANN 0.84 (0.83-0.86). Conclusions: None of the methods tested outperformed the others in terms of discriminative ability. We found that the CART model was much easier to use and interpret, because the decision rules generated could be applied without the need for mathematical cal

Objetivo: : Realizar una aproximación a la metodología de árboles de decisión tipo CART (Classification and Regression Trees) desarrollando un modelo para calcular la probabilidad de muerte hospitalaria en infarto agudo de miocardio (IAM). Método: Se utiliza el conjunto mínimo básico de datos al alta hospitalaria (CMBD) de Andalucía, Cataluña, Madrid y País Vasco de los años 2001 y 2002, que incluye los casos con IAM como diagnóstico principal. Los 33.203 pacientes se dividen aleatoriamente (70 y 30 %) en grupo de desarrollo (GD = 23.277) y grupo de validación (GV = 9.926). Como CART se utiliza un modelo inductivo basado en el algoritmo de Breiman, con análisis de sensibilidad mediante el índice de Gini y sistema de validación cruzada. Se compara con un modelo de regresión logística (RL) y una red neuronal artificial (RNA) (multilayer perceptron). Los modelos desarrollados se contrastan en el GV y sus propiedades se comparan con el área bajo la curva ROC (ABC) (intervalo de confianza del 95%). Resultados: En el GD el CART con ABC = 0,85 (0,86-0,88), RL 0,87 (0,86-0,88) y RNA 0,85 (0,85-0,86). En el GV el CART con ABC = 0,85 (0,85-0,88), RL 0,86 (0,85-0,88) y RNA 0,84 (0,83-0,86). Conclusiones: Los 3 modelos obtienen resultados similares en su capacidad de discriminación. El modelo CART ofrece como ventaja su simplicidad de uso y de interpretación, ya que las reglas de decisión que generan pueden aplicarse sin necesidad de procesos matemáticos.

Objective: To provide an overview of decision trees based on CART (Classification and Regression Trees) methodology. As an example, we developed a CART model intended to estimate the probability of intrahospital death from acute myocardial infarction (AMI). Method: We employed the minimum data set (MDS) of Andalusia, Catalonia, Madrid and the Basque Country (2001-2002), which included 33,203 patients with a diagnosis of AMI. The 33,203 patients were randomly divided (70% and 30%) into the development (DS; n = 23,277) and the validation (VS; n = 9,926) sets. The CART inductive model was based on Breiman's algorithm, with a sensitivity analysis based on the Gini index and cross-validation. We compared the results with those obtained by using both logistic regression (LR) and artificial neural network (ANN) (multilayer perceptron) models. The developed models were contrasted with the VS and their properties were evaluated with the area under the ROC curve (AUC) (95% confidence interval [CI]). Results: In the DS, the CART showed an AUC = 0.85 (0.86-0.88), LR 0.87 (0.86-0.88) and ANN 0.85 (0.85-0.86). In the VS, the CART showed an AUC = 0.85 (0.85-0.88), LR 0.86 (0.85-0.88) and ANN 0.84 (0.83-0.86). Conclusions: None of the methods tested outperformed the others in terms of discriminative ability. We found that the CART model was much easier to use and interpret, because the decision rules generated could be applied without the need for mathematical cal.

Objetivo: : Realizar una aproximación a la metodología de árboles de decisión tipo CART (Classification and Regression Trees) desarrollando un modelo para calcular la probabilidad de muerte hospitalaria en infarto agudo de miocardio (IAM). Método: Se utiliza el conjunto mínimo básico de datos al alta hospitalaria (CMBD) de Andalucía, Cataluña, Madrid y País Vasco de los años 2001 y 2002, que incluye los casos con IAM como diagnóstico principal. Los 33.203 pacientes se dividen aleatoriamente (70 y 30 %) en grupo de desarrollo (GD = 23.277) y grupo de validación (GV = 9.926). Como CART se utiliza un modelo inductivo basado en el algoritmo de Breiman, con análisis de sensibilidad mediante el índice de Gini y sistema de validación cruzada. Se compara con un modelo de regresión logística (RL) y una red neuronal artificial (RNA) (multilayer perceptron). Los modelos desarrollados se contrastan en el GV y sus propiedades se comparan con el área bajo la curva ROC (ABC) (intervalo de confianza del 95%). Resultados: En el GD el CART con ABC = 0,85 (0,86-0,88), RL 0,87 (0,86-0,88) y RNA 0,85 (0,85-0,86). En el GV el CART con ABC = 0,85 (0,85-0,88), RL 0,86 (0,85-0,88) y RNA 0,84 (0,83-0,86). Conclusiones: Los 3 modelos obtienen resultados similares en su capacidad de discriminación. El modelo CART ofrece como ventaja su simplicidad de uso y de interpretación, ya que las reglas de decisión que generan pueden aplicarse sin necesidad de procesos matemáticos.