Mortalidad por sepsis en adultos: análisis mediante un algoritmo basado en árboles de decisión

DOI:  https://doi.org/10.12804/revistas.urosario.edu.co/revsalud/a.14307

Barra lateral del artículo

PDF

Publicado: may 9, 2025
Número: Vol. 23 Núm. 2 (2025): Revista Ciencias de la Salud
Sección Artículo de investigación clínica o experimental


Palabras clave: sepsis choque séptico cuidados críticos aprendizaje automático supervisado toma de decisiones asistida por computador

Contenido principal del artículo

Autores/as

  Alberto Guevara Tirado
Universidad Científica del Sur

Resumen

Introducción: en presencia de infección, la sepsis daña órganos y tejidos. El objetivo fue desarrollar un algoritmo basado en árboles de decisión para analizar y clasificar la mortalidad por sepsis en adultos. Material y métodos: estudio analítico y transversal de una base de datos secundaria de 102 389 adultos. Las variables fueron: desenlace hospitalario, grupo etario, sexo, episodios sépticos y tiempo hospitalizado. Se utilizó un árbol de decisiones mediante detección de interacciones automáticas de chi cuadrado. Resultados: en adultos jóvenes, el árbol de decisiones incluyó sexo, días hospitalizado y episodios de sepsis. En adultos intermedios: edad, sexo, días hospitalizado y episodios de sepsis. En mayores: sexo, edad y días hospitalizado. En adultos jóvenes, intermedios y mayores se clasificaron correctamente el 98.30 %, el 96.90 % y el 89.80 % de casos, respectivamente. En adultos de 18 a 59 años, el 9.40 %, el 4 % y el 0.90 % falleció tras el tercer cuarto y quinto episodio séptico, respectivamente. En adultos desde 60 años, el 4.60 %, el 1.80 % y el 0.80 % fallecieron en el tercer, cuarto y quinto episodio, respectivamente. Los porcentajes de pacientes vivos desde el segundo reingreso fueron mayores en adultos mayores. Conclusiones: la edad, el sexo, el número de episodios de sepsis y el tiempo de estancia hospitalaria predicen la mortalidad por sepsis en adultos. Con los árboles de decisión se generan modelos predictivos y clasificatorios eficientes que pueden complementar el perfil clínico y epidemiológico de pacientes internados por sepsis.

Cómo citar
Guevara Tirado, A. (2025). Mortalidad por sepsis en adultos: análisis mediante un algoritmo basado en árboles de decisión. Revista Ciencias De La Salud, 23(2), 1–15. https://doi.org/10.12804/revistas.urosario.edu.co/revsalud/a.14307
Referencias bibliográfica

Chakraborty RK, Burns B. Systemic inflammatory response syndrome. En: StatPearls [internet]. Treasure Island (FL): StatPearls Publishing; 2025 [citado 2024 mar 15]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/31613449/

Sun G-D, Zhang Y, Mo S-S, Zhao M-Y. Multiple organ dysfunction syndrome caused by sepsis: risk factor analysis. Int J Gen Med. 2021;14:7159-64. https://doi.org/10.2147/ijgm.s328419 DOI: https://doi.org/10.2147/IJGM.S328419

Dolin HH, Papadimos TJ, Chen X, Pan ZK. Characterization of pathogenic sepsis etiologies and patient profiles: a novel approach to triage and treatment. Microbiol Insights. 2019;12:117863611882508. https://doi.org/10.1177/1178636118825081 DOI: https://doi.org/10.1177/1178636118825081

Goligorsky MS, Sun D. Glycocalyx in endotoxemia and sepsis. Am J Pathol. 2020;190(4):791-8. https://doi.org/10.1016/j.ajpath.2019.06.017 DOI: https://doi.org/10.1016/j.ajpath.2019.06.017

Moriyama K, Nishida O. Targeting cytokines, pathogen-associated molecular patterns, and damage-associated molecular patterns in sepsis via blood purification. Int J Mol Sci. 2021;22(16):8882. https://doi.org/10.3390/ijms22168882 DOI: https://doi.org/10.3390/ijms22168882

Cao M, Wang G, Xie J. Immune dysregulation in sepsis: experiences, lessons and perspectives. Cell Death Discov. 2023;9(1):1-11. https://doi.org/10.1038/s41420-023-01766-7 DOI: https://doi.org/10.1038/s41420-023-01766-7

Zhou M, Aziz M, Wang P. Damage-associated molecular patterns as double-edged swords in sepsis. Antioxid Redox Signal. 2021;35(15):1308-23. https://doi.org/10.1089/ars.2021.0008 DOI: https://doi.org/10.1089/ars.2021.0008

Ono S, Tsujimoto H, Hiraki S, Aosasa S. Mechanisms of sepsis‐induced immunosuppression and immunological modification therapies for sepsis. Ann Gastroenterol Surg. 2018;2(5):351-8. https://doi.org/10.1002/ags3.12194 DOI: https://doi.org/10.1002/ags3.12194

Cao C, Yu M, Chai Y. Pathological alteration and therapeutic implications of sepsis-induced immune cell apoptosis. Cell Death Dis. 2019;10(10). https://doi.org/10.1038/s41419-019-2015-1 DOI: https://doi.org/10.1038/s41419-019-2015-1

Asim M, Amin F, El-Menyar A. Multiple organ dysfunction syndrome: contemporary insights on the clinicopathological spectrum. Qatar Med J. 2020;2020(2). https://doi.org/10.5339/qmj.2020.22 DOI: https://doi.org/10.5339/qmj.2020.22

Chen P, Tang Y, He W, Yang R, Lan Z, Chen R, et al. Potential pathophysiological mechanisms underlying multiple organ dysfunction in cytokine release syndrome. Mediators Inflamm. 2022;2022:1-17. https://doi.org/10.1155/2022/7137900 DOI: https://doi.org/10.1155/2022/7137900

Maneta E, Aivalioti E, Tual-Chalot S, Emini Veseli B, Gatsiou A, Stamatelopoulos K, et al. Endothelial dysfunction and immunothrombosis in sepsis. Front Immunol. 2023;14. https://doi.org/10.3389/fimmu.2023.1144229 DOI: https://doi.org/10.3389/fimmu.2023.1144229

Meng L. Heterogeneous impact of hypotension on organ perfusion and outcomes: a narrative review. Br J Anaesth. 2021;127(6):845-61. https://doi.org/10.1016/j.bja.2021.06.048 DOI: https://doi.org/10.1016/j.bja.2021.06.048

Shi H, Hong Y, Qian J, Cai X, Chen S. Xuebijing in the treatment of patients with sepsis. Am J Emerg Med. 2017;35(2):285-91. https://doi.org/10.1016/j.ajem.2016.11.007 DOI: https://doi.org/10.1016/j.ajem.2016.11.007

Zhang K, Zhang S, Cui W, Hong Y, Zhang G, Zhang Z. Development and validation of a Sepsis Mortality Risk Score for sepsis-3 patients in Intensive Care unit. Front Med (Lausanne). 2021;7. https://doi.org/10.3389/fmed.2020.609769 DOI: https://doi.org/10.3389/fmed.2020.609769

Jabri A, Fowler C, Dhamija Y, Alzubi J, Bhatia S, Al-abdouh A, et al. Demographic undertones for sepsis mortality in a community-based hospital. J Clin Med Res. 2022;14(1):28-33. https://doi.org/10.14740/jocmr4618 DOI: https://doi.org/10.14740/jocmr4618

Maharaj R, McGuire A, Street A. Association of annual intensive care unit sepsis caseload with hospital mortality from sepsis in the United Kingdom, 2010-2016. Jama Netw Open. 2021;4(6):e2115305. https://doi.org/10.1001/jamanetworkopen.2021.15305 DOI: https://doi.org/10.1001/jamanetworkopen.2021.15305

Villar J, Short JH, Lighthall G. Lactate predicts both short- and long-term mortality in patients with and without sepsis. Infect Dis (Auckl). 2019;12:117863371986277. https://doi.org/10.1177/1178633719862776 DOI: https://doi.org/10.1177/1178633719862776

Gattani SC, Baheti AH, Dubey A. Comparison of the performance of Apache II, SOFA, and mNUTRIC scoring systems in critically ill patients: a 2-year cross-sectional study. Indian J Crit Care Med. 2020;24(11):1057-61. https://doi.org/10.5005/jp-journals-10071-23549 DOI: https://doi.org/10.5005/jp-journals-10071-23549

Chicco D, Jurman G. Survival prediction of patients with sepsis from age, sex, and septic episode number alone. Sci Rep. 2020;10(1):1-12. https://doi.org/10.1038/s41598-020-73558-3 DOI: https://doi.org/10.1038/s41598-020-73558-3

Klumpp M, Hintze M, Immonen M, Ródenas-Rigla F, Pilati F, Aparicio-Martínez F, et al. Artificial intelligence for hospital health care: Application cases and answers to challenges in European hospitals. Healthcare (Basel). 2021;9(8):961. https://doi.org/10.3390/healthcare9080961 DOI: https://doi.org/10.3390/healthcare9080961

Ibarz M, Haas LEM, Ceccato A, Artigas A. The critically ill older patient with sepsis: a narrative review. Ann Intensive Care. 2024;14(1). https://doi.org/10.1186/s13613-023-01233-7 DOI: https://doi.org/10.1186/s13613-023-01233-7

Knoop ST, Skrede S, Langeland N, Flaatten HK. Epidemiology and impact on all-cause mortality of sepsis in Norwegian hospitals: a national retrospective study. PLoS One. 2017;12(11):e0187990. https://doi.org/10.1371/journal.pone.0187990 DOI: https://doi.org/10.1371/journal.pone.0187990

CC BY 4.0 Deed | Atribución 4.0 Internacional [internet]. Creative Commons [citado 2024 mar 15]. Disponible en: https://creativecommons.org/licenses/by/4.0/deed.es

Choi H-Y, Kim E-Y, Kim J. Prognostic factors in diabetes: comparison of Chi-square automatic interaction detector (CHAID) decision tree technology and logistic regression. Medicine (Baltimore). 2022;101(42):e31343. https://doi.org/10.1097/md.0000000000031343 DOI: https://doi.org/10.1097/MD.0000000000031343

Ye F, Chen Z-H, Chen J, Liu F, Zhang Y, Fan Q-Y, et al. Chi-squared automatic interaction detection decision tree analysis of risk factors for infant anemia in Beijing, China. Chin Med J (Engl). 2016;129(10):1193-9. https://doi.org/10.4103/0366-6999.181955 DOI: https://doi.org/10.4103/0366-6999.181955

IBM Documentation [internet]. IBM. 2021 [citado 2024 mar 15]. Disponible en: https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-chaid-node

Plos One. Licenses and copyright [internet]. [Citado 2024 mar 15]. Disponible en: https://journals.plos.org/plosone/s/licenses-and-copyright

Goodwin AJ, Ford DW. Readmissions among sepsis survivors: risk factors and prevention. Clin Pulm Med. 2018;25(3):79-83. https://doi.org/10.1097/CPM.0000000000000254 DOI: https://doi.org/10.1097/CPM.0000000000000254

Chaudhry Bortolani A, Fantin F, Giani A, Zivelonghi A, Pernice B, Bortolazzi E, et al. Predictors of hospital readmission rate in geriatric patients. Aging Clin Exp Res. 2024;36(1). https://doi.org/10.1007/s40520-023-02664-9 DOI: https://doi.org/10.1007/s40520-023-02664-9

Cunha LL, Perazzio SF, Azzi J, Cravedi P, Riella LV. Remodeling of the immune response with aging: immunosenescence and its potential impact on COVID-19 immune response. Front Immunol. 2020;11. https://doi.org/10.3389/fimmu.2020.01748 DOI: https://doi.org/10.3389/fimmu.2020.01748

De Waele E, Malbrain MLNG, Spapen H. Nutrition in sepsis: a bench-to-bedside review. Nutrients. 2020;12(2):395. https://doi.org/10.3390/nu12020395 DOI: https://doi.org/10.3390/nu12020395

Seidel G, Gaser C, Götz T, Günther A, Hamzei F. Accelerated brain ageing in sepsis survivors with cognitive long‐term impairment. Eur J Neurosci. 2020;52(10):4395-402. https://doi.org/10.1111/ejn.14850 DOI: https://doi.org/10.1111/ejn.14850

Chang DW, Tseng C-H, Shapiro MF. Rehospitalizations following sepsis: common and costly. Crit Care Med. 2015;43(10):2085-93. https://doi.org/10.1097/CCM.0000000000001159 DOI: https://doi.org/10.1097/CCM.0000000000001159

Estadísticas de consulta

Descargas

Los datos de descargas todavía no están disponibles.
Métricas de publicación

0




 

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Los manuscritos postulados a la Revista Ciencias de la Salud deben ser originales e inéditos y no deben estar simultáneamente en proceso de publicación en otras revistas, compilaciones o cualquier otro medio de publicación. Los derechos de autor serán de la Universidad del Rosario. Cuando el autor quiera publicar el manuscrito en otra publicación, deberá pedir a la Editorial de la Universidad del Rosario los permisos correspondientes. De igual forma, cuando la Revista Ciencias de la Salud esté interesada en publicar artículos que ya han sido publicados en otras revistas, procederá a solicitar los permisos correspondientes en la editorial donde se realizó la primera publicación. 

Bajo una Creative Commons Attribution License los autores pueden compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.

Artículos similares

1 2 3 4 5 6 7 8 9 10 > >> 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.