Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda
Introducció: Actualment els clínics dels serveis d’urgències no disposem d’un model de diagnòstic de dolor de la fosa ilíaca dreta (FID). Objectiu: Construcció d’un model senzill basat amb arbres de classificació (CHAID) i model de xarxa neuronal artificial (XNA) que combini els models clàssics, mar...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2014 |
| País: | España |
| Institución: | CBUC, CESCA |
| Repositorio: | TDR. Tesis Doctorales en Red |
| OAI Identifier: | oai:www.tdx.cat:10803/286225 |
| Acceso en línea: | http://hdl.handle.net/10803/286225 |
| Access Level: | acceso abierto |
| Palabra clave: | Dolor en fosa ilíaca dreta Apendicitis aguda Arbre de clasificació Dolor en fosa ilíaca derecha Árbol de clasificación Right iliac fossa pain Acute appendicitis Classification tree Cirurgia 617 |
| id |
ES_d3d920f3b760126b0e22d7ea74d4e0bf |
|---|---|
| oai_identifier_str |
oai:www.tdx.cat:10803/286225 |
| network_acronym_str |
ES |
| network_name_str |
España |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda |
| title |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda |
| spellingShingle |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda Gudelis, Mindaugas Dolor en fosa ilíaca dreta Apendicitis aguda Arbre de clasificació Dolor en fosa ilíaca derecha Árbol de clasificación Right iliac fossa pain Acute appendicitis Classification tree Cirurgia 617 |
| title_short |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda |
| title_full |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda |
| title_fullStr |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda |
| title_full_unstemmed |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda |
| title_sort |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis aguda |
| dc.creator.none.fl_str_mv |
Gudelis, Mindaugas |
| author |
Gudelis, Mindaugas |
| author_facet |
Gudelis, Mindaugas |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Trujillano Cabello, Javier Lacasta García, José Daniel Montero Matamala, Antonio Universitat de Lleida. Departament de Cirurgia |
| dc.subject.none.fl_str_mv |
Dolor en fosa ilíaca dreta Apendicitis aguda Arbre de clasificació Dolor en fosa ilíaca derecha Árbol de clasificación Right iliac fossa pain Acute appendicitis Classification tree Cirurgia 617 |
| topic |
Dolor en fosa ilíaca dreta Apendicitis aguda Arbre de clasificació Dolor en fosa ilíaca derecha Árbol de clasificación Right iliac fossa pain Acute appendicitis Classification tree Cirurgia 617 |
| description |
Introducció: Actualment els clínics dels serveis d’urgències no disposem d’un model de diagnòstic de dolor de la fosa ilíaca dreta (FID). Objectiu: Construcció d’un model senzill basat amb arbres de classificació (CHAID) i model de xarxa neuronal artificial (XNA) que combini els models clàssics, marcadors d’inflamació, característiques del pacient i clínica del dolor en FID a Urgències. Metodologia: Estudi prospectiu observacional on s’inclogueren pacients majors de 14 anys que van acudir al servei d’urgències de l’hospital Universitari Arnau de Vilanova de Lleida per dolor a la FID, de més de 6h d’evolució. Durant el temps d’estudi a tots se’ls hi van recollir les principals característiques demogràfiques, es van determinar els nivells de leucocits , proteica C reactiva (PCR) i les variables referents a la clínica i exploració física que formen els models clàssics de diagnòstic de d’apendicitis aguda (AA). Construcció d’un model multivariable multinominal amb metodologia CART (Clasification and Regression Trees, selecció automàtica amb jerarquia de variables, punts de tall de variables continues i sistema de validació creuada). Valoració mitjançant anàlisis ROC ( AUC (CI 95%)). Resultats: Es van recollir 252 casos, 53% eren homes. Edat mitjana 33.3-16 anys. Diagnòstics finals en 4 grups:1 - Dolor simple en FID (dFID) 45%, 2 - Apendicitis aguda (AA) 37%, 3 - Dolor abdominal sense procés infamatori (DACPI) 12%, 4 - Dolor abdominal amb procés inflamatori (DACPI) 6%. Rendiment dels models senzills: Alvarado score (ALS) amb 0.82(0.76-0.87) i PCR amb 0.83(0.77-0.88), Fenyö-Linberg score (FLS) amb 0.88(0.84-0.92). Model XNA determina 4 grups de diagnòstics amb probabilitat: dFID de 0,92(0,88-0,96), AA de 0.95(0.91-0.98), DASPI de 0.92(0.84-0.99) i DACPI de 0,84(0,70-0,99). El CHAID selecciona les variables ALS, PCR, gènere, hores d’evolució de la clínica i dolor amb la tos. El CHAID determina 10 grups de pacients (regles de decisió): 3 amb probabilitat de DFID (71,1-84,4-87%), 5 amb probabilitat e AA (52-52,6-72,7-72,7-94,1%) i 1 amb probabilitat de DASPI 60% i 1 sense probabilitat individual superior al 50%. L’AC aconsegueix un rendiment per a DFID de 0.89(0.85-0.93), per a AA de 0.93(0.90-0.96),, per a DASPI de 0.86 (0.81-0.92) i per a DACPI de 0.82(0.73-0.90). Conclusions: Per separat, el rendiment diagnòstic dels scores clàssics o de la PCR és insuficient per estratificar la probabilitat diagnosticada en pacients amb dolor en FID. La metodologia basada en CHAID ofereix una eina senzilla per establir a urgències grups de pacients amb diferent ris diagnòstic. El model XNA aconsegueix classificar als pacients però te una interpretació nul·la de la red obtinguda. El CHAID troba grups amb una altra probabilitat de AA i de dFID. Els pacients amb dubtes de diagnòstic es beneficiaran de més probes diagnòstiques i/o període en observació. |
| publishDate |
2014 |
| dc.date.none.fl_str_mv |
2014 2015 2015 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/doctoralThesis info:eu-repo/semantics/publishedVersion |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
http://hdl.handle.net/10803/286225 |
| url |
http://hdl.handle.net/10803/286225 |
| dc.language.none.fl_str_mv |
Español |
| language_invalid_str_mv |
Español |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
154 p. application/pdf application/pdf |
| dc.publisher.none.fl_str_mv |
Universitat de Lleida |
| publisher.none.fl_str_mv |
Universitat de Lleida |
| dc.source.none.fl_str_mv |
TDX (Tesis Doctorals en Xarxa) reponame:TDR. Tesis Doctorales en Red instname:CBUC, CESCA |
| instname_str |
CBUC, CESCA |
| reponame_str |
TDR. Tesis Doctorales en Red |
| collection |
TDR. Tesis Doctorales en Red |
| repository.name.fl_str_mv |
|
| repository.mail.fl_str_mv |
|
| _version_ |
1869420495647014912 |
| spelling |
Estudio de un nuevo algoritmo de diagnóstico de dolor en fosa ilíaca derecha en el servicio de urgencias y validación de algoritmos clásicos de diagnóstico de la apendicitis agudaGudelis, MindaugasDolor en fosa ilíaca dretaApendicitis agudaArbre de clasificacióDolor en fosa ilíaca derechaÁrbol de clasificaciónRight iliac fossa painAcute appendicitisClassification treeCirurgia617Introducció: Actualment els clínics dels serveis d’urgències no disposem d’un model de diagnòstic de dolor de la fosa ilíaca dreta (FID). Objectiu: Construcció d’un model senzill basat amb arbres de classificació (CHAID) i model de xarxa neuronal artificial (XNA) que combini els models clàssics, marcadors d’inflamació, característiques del pacient i clínica del dolor en FID a Urgències. Metodologia: Estudi prospectiu observacional on s’inclogueren pacients majors de 14 anys que van acudir al servei d’urgències de l’hospital Universitari Arnau de Vilanova de Lleida per dolor a la FID, de més de 6h d’evolució. Durant el temps d’estudi a tots se’ls hi van recollir les principals característiques demogràfiques, es van determinar els nivells de leucocits , proteica C reactiva (PCR) i les variables referents a la clínica i exploració física que formen els models clàssics de diagnòstic de d’apendicitis aguda (AA). Construcció d’un model multivariable multinominal amb metodologia CART (Clasification and Regression Trees, selecció automàtica amb jerarquia de variables, punts de tall de variables continues i sistema de validació creuada). Valoració mitjançant anàlisis ROC ( AUC (CI 95%)). Resultats: Es van recollir 252 casos, 53% eren homes. Edat mitjana 33.3-16 anys. Diagnòstics finals en 4 grups:1 - Dolor simple en FID (dFID) 45%, 2 - Apendicitis aguda (AA) 37%, 3 - Dolor abdominal sense procés infamatori (DACPI) 12%, 4 - Dolor abdominal amb procés inflamatori (DACPI) 6%. Rendiment dels models senzills: Alvarado score (ALS) amb 0.82(0.76-0.87) i PCR amb 0.83(0.77-0.88), Fenyö-Linberg score (FLS) amb 0.88(0.84-0.92). Model XNA determina 4 grups de diagnòstics amb probabilitat: dFID de 0,92(0,88-0,96), AA de 0.95(0.91-0.98), DASPI de 0.92(0.84-0.99) i DACPI de 0,84(0,70-0,99). El CHAID selecciona les variables ALS, PCR, gènere, hores d’evolució de la clínica i dolor amb la tos. El CHAID determina 10 grups de pacients (regles de decisió): 3 amb probabilitat de DFID (71,1-84,4-87%), 5 amb probabilitat e AA (52-52,6-72,7-72,7-94,1%) i 1 amb probabilitat de DASPI 60% i 1 sense probabilitat individual superior al 50%. L’AC aconsegueix un rendiment per a DFID de 0.89(0.85-0.93), per a AA de 0.93(0.90-0.96),, per a DASPI de 0.86 (0.81-0.92) i per a DACPI de 0.82(0.73-0.90). Conclusions: Per separat, el rendiment diagnòstic dels scores clàssics o de la PCR és insuficient per estratificar la probabilitat diagnosticada en pacients amb dolor en FID. La metodologia basada en CHAID ofereix una eina senzilla per establir a urgències grups de pacients amb diferent ris diagnòstic. El model XNA aconsegueix classificar als pacients però te una interpretació nul·la de la red obtinguda. El CHAID troba grups amb una altra probabilitat de AA i de dFID. Els pacients amb dubtes de diagnòstic es beneficiaran de més probes diagnòstiques i/o període en observació.Introducción: Actualmente los clínicos de los servicios de urgencias no disponemos de un modelo de diagnóstico de dolor en fosa ilíaca derecha (FID). Objetivo: Elaboración de un modelo de diagnóstico sencillo basado en árboles de clasificación (CHAID) y en un modelo de red neuronal artificial (RNA) que combine los modelos clásicos, los marcadores de inflamación sistémica y las características del paciente que presenta clínica de dolor en FID en Urgencias. Metodología: Estudio prospectivo observacional en el que se incluyeron pacientes mayores de 14 años que acudieron a servicio de urgencias del Hospital Universitario Arnau de Vilanova de Lleida por dolor en FID de más de 6 h. de evolución. Durante el tiempo de duración del estudio se recogieron una serie de parámetros a todos los pacientes entre los cuáles destacan sus características demográficas, nivel de leucocitos y proteína C reactiva (PCR) en suero junto a variables clínicas y de exploración física que determinan los modelos clásicos de diagnóstico de apendicitis aguda (AA). Se construyó un modelo multivariable multinomial con metodología CART (Clasification and Regression Trees, selección automática con jerarquía de variables , puntos de corte de variables continuas y sistema de validación cruzada). Valoración mediante análisis ROC -AUC(CI 95%)-. Resultados: Se obtuvo una N= 252 casos. La distribución por sexo fue 53% hombres y 47% mujeres. Edad media 33.3±16 años. Los diagnósticos finales obtenidos se clasificaron en 4 grupos con la siguiente distribución: 1- Dolor simple en FID (dFID) 45%, 2- Apendicitis aguda (AA) 37%, 3- Dolor abdominal sin proceso inflamatorio (DASPI) 12%, 4- Dolor abdominal con proceso inflamatorio (DACPI) 6%. Rendimiento de los modelos sencillos: Alvarado score (ALS) con 0.82(0.76-0.87) y PCR con 0.83(0.77-0.88), Fenyö-Linberg score (FLS) con 0,88(0,84- 0,92). Modelo RNA grupos diagnósticos con la siguiente probabilidad: dFID de 0,92(0,88-0,96), AA de 0,95(0,91-0,98), DASPI de 0,92(0,84-0,99) y DACPI de 0,84(0,70-0,99. El CHAID selecciona las variable ALS, PCR, género, horas de evolución de la clínica y dolor con la tos, determinando 10 grupos de pacientes (reglas de decisión): 3 con probabilidad de dFID (71,1-84,4-87%), 5 con probabilidad de AA (52-52,6-72,7-72,7-94,1 %) y 1 con probabilidad de DASPI 60% y 1 sin probabilidad individual superior al 50 %. El AC consigue un rendimiento para dFID de 0.89(0.85-0.93), para AA de 0.93(0.90-0.96), para DASPI de 0.86(0.81-0.92) y para DACPI de 0.82(0.73-0.90). Conclusiones: Por separado, el rendimiento diagnóstico de los scores clásicos o de la PCR es insuficiente para estratificar la probabilidad diagnóstica en pacientes con dolor en FID. La metodología basada en CHAID ofrece una herramienta sencilla para establecer en Urgencias grupos de pacientes con distinto riesgo diagnóstico. El modelo RNA consigue clasificar a los pacientes pero tiene nula interpretación de la red obtenida. El CHAID encuentra grupos con alta probabilidad de AA y de dFID. Los pacientes con dudas diagnósticas se beneficiarán de más pruebas diagnósticas y/o período de observación.Introduction: Nowadays, the professionals of emergency departments do not have the diagnostic algorithm for right iliac fossa pain (RIF). Objectives: Construction of simple diagnostic algorithm for RIF pain based on Classification Tree and Artificial Neural Network (ANN) methods, which combines classical models for diagnosis acute appendicitis, inflammatory markers, patient characteristics and clinic RIF pain in Emergency Department. Methods: The prospective observational study, which includes patients, older then 14 years, with RIF pain who were admitted in Emergency Department of University Hospital Arnau de Villanova of Lleida. The signs, symptoms, laboratory values and pathology reports of each patient were collected and evaluated. The construction of multinomial multivariable model was done using CART methodology (Classification and Regression Trees, autonomic selection of hierarchy of variables, cutoff points of continuous variables and cross-validation) and Artificial Neural Network (ANN) method. Valuation was done using ROC analysis (AUC (95% CI)). Results: Out of total 252 patients, 53% were males. The age ranged 33.3±16 years. Final diagnosis we divided in 4 groups: 1- (NsP) Nonspecific RIF pain (45 %), 2 – (AA) Acute appendicitis (37%), 3 - (NID) other abdominal disease without inflammation (12%), 4 - (IBD) Inflammatory bowel disease (6.0 %). Efficiency of simple models: Alvarado score (ALS) 0,82(0,76- 0,87) and C-reactive protein (CRP) 0,83(0,77-0,88), Fenyö-Linberg score (FLS) 0,88(0,84-0,92). The CT selects the variables of ASS, CRP, sex and duration of the clinical symptoms determining 7 groups of patients (application of decision rules): 3 groups of probability of AA (59,3-62,5-90,5%), 2 with probability of NsP (68,9-82,6 %) and 2 without probability superior then 50%. The CT shows the efficiency for AA of 0,89 (0,85-0,93), NsP 0,84 (0,79-0,89), IBD of 0,84 (0,78-0,90) and for NID 0,66 (0,57-0,75). Conclusions: The classic score and CRP have insufficient diagnostic efficiency to stratify the diagnostic probability to patients with right iliac fossa pain. The methodology based on CHAID offer us the simple way to establish the groups of patients with different diagnostic in Emergency Department. The ANN method obtains to classify the patients but it has no interpretation. The decision tree technique finds high probability of the groups with AA and NsP. The patients with questionable diagnostic will benefit of another diagnostic proofs o longer observation period.Universitat de LleidaTrujillano Cabello, JavierLacasta García, José DanielMontero Matamala, AntonioUniversitat de Lleida. Departament de Cirurgia201520152014info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersion154 p.application/pdfapplication/pdfhttp://hdl.handle.net/10803/286225TDX (Tesis Doctorals en Xarxa)reponame:TDR. Tesis Doctorales en Redinstname:CBUC, CESCAEspañolADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.info:eu-repo/semantics/openAccessoai:www.tdx.cat:10803/2862252026-06-14T12:46:07Z |
| score |
15,300724 |