Relaciones de la fragilidad y el agotamiento con el estado de salud en pacientes con EPOC
Notice bibliographique
Résumé
Antecedentes: La Enfermedad Pulmonar Obstructiva Crónica (EPOC) produce un declive gradual en el estado de salud de las personas que la padecen, el cual se intensifica con cada exacerbación aguda. La fragilidad es un predictor de deterioro funcional y hospitalización en poblaciones de ancianos. Sin embargo, su relación con el estado de salud de los pacientes con EPOC ha sido poco explorada. Se ha explorado básicamente con el modelo de fragilidad física de Fried (que utiliza cinco características), evidenciando que esa fragilidad es un determinante del estado de salud, medido con el CAT (COPD Assessment Test), y que una de sus características (andar) predice la readmisión hospitalaria por exacerbación. Objetivos: Determinar: 1) si la fragilidad física y sus características individuales tienen un impacto diferencial sobre la puntuación CAT; 2) la probabilidad de transición entre estados de agotamiento y no agotamiento durante 2 años, y los predictores de la aparición de episodios de agotamiento; 3) si la fragilidad (medida con un modelo multidimensional) es un factor de riesgo para la readmisión hospitalaria por exacerbación aguda de EPOC; y 4) si su adición a un modelo predictivo mejora la precisión para discriminar pacientes con riesgo de readmisión. Métodos: Se realizaron dos estudios exploratorios usando diferentes poblaciones, modelos de fragilidad y medidas del estado de salud. Estudio 1: estudio longitudinal que incluyó a 137 pacientes con EPOC estable. Los datos se recogieron en tres momentos (inicio, al año y a los 2 años). La fragilidad se midió utilizando el modelo fenotipo Fried (pérdida de peso involuntaria, baja actividad física, agotamiento, velocidad de marcha lenta y baja fuerza de agarre). Para el primer objetivo se utilizaron modelos de regresión. Para el segundo, se calculó el porcentaje de transiciones y se aplicaron modelos generales de estimación. Estudio 2: estudio prospectivo que incluyó a 103 pacientes hospitalizados con exacerbaciones de su EPOC y seguidos durante 90 días después de su alta. Los datos se recogieron en dos momentos (durante hospitalización y a los 90 días del alta revisando las historias para determinar la readmisión hospitalaria). La fragilidad multidimensional se midió con la Reported Edmonton Frail Scale. Para el tercer objetivo se usaron modelos de regresión. Para el último objetivo se compararon áreas bajo diferentes curvas de característica operativa del receptor. Resultados: Estudio 1: El 73,7% de los pacientes eran pre-frágiles y 8,7% frágiles físicos. De las cinco características de fragilidad, la fuerza de agarre, la actividad física y el agotamiento fueron las más afectadas (60,6%, 27,0% y 19,7%, respectivamente). Sólo el agotamiento fue determinante independiente de la puntuación CAT (β=5,12, p = 0,001) una vez ajustado por otros determinantes (disnea, exacerbaciones y ansiedad). Se identificó que 10,3% de las 204 transiciones anuales que iniciaron sin agotamiento lo presentaron al siguiente. Los predictores de su aparición fueron: puntuación CAT (odds ratio [OR] = 1,10; IC 95%:1,01-1,21), depresión (OR = 6,89; IC 95%:1.00-47.41) y sexo femenino (OR = 6.88, IC 95%: 1.83-25.73). Estudio 2: La fragilidad severa fue un factor de riesgo para la readmisión (OR = 5,19; IC 95%: 1,26-21,50). Edad, número de hospitalizaciones previas y duración de la estancia también fueron relevantes. La fragilidad mejoró la precisión predictiva de la readmisión. Conclusiones: De las características individuales de fragilidad del modelo de Fried, solo agotamiento es determinante del CAT. El agotamiento tiene un patrón evolutivo dinámico. Las mujeres, y pacientes con síntomas depresivos y CAT alto tienen mayor predisposición a sufrir nuevos episodios de agotamiento. Pacientes con fragilidad multidimensional severa presentan mayor probabilidad de readmisión que los no frágiles. La adición de la fragilidad a un modelo predictivo de readmisión hospitalaria mejora su precisión.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».