RESUMEN: Introducción y objetivos: El infarto agudo de miocardio representa una de las principales causas de mortalidad y morbilidad en los países desarrollados. El objetivo de este trabajo es desarrollar modelos de ajuste de indicadores que incluyan las comorbilidades cuantificando la mejora que produce en los mismos.
Métodos: Se desarrollan modelos de ajuste de riesgo para los indicadores de mortalidad mediante regresión logística en combinación con un algoritmo Stepwise para la selección de los factores de corrección. Cada indicador será la variable respuesta mientras que sexo, edad, grupo de hospital, cluster de hospital, tipo de ingreso y las diferentes comorbilidades serán las variables predictoras.
Resultados: Se comparan para ciertos indicadores dos grupos de variables, utilizando las variables sexo, edad, grupo de hospital, cluster de hospital y tipo de ingreso como variables predictoras en ambos casos. En el primero junto con las comorbilidades y en el segundo reemplazamos las comorbilidades por severidad, riesgo de mortalidad y complejidad.
Además, se observa la mejora que producen las comorbilidades al incorporarlas a variables de sexo, edad, grupo de hospital, cluster de hospital y tipo de ingreso. Y finalmente, se plantea y verifica la hipótesis de que el número de diagnósticos secundarios codificado está relacionado con la mejora en AUC al incorporar las comorbilidades.
Conclusiones: Las comorbilidades proporcionan una mejora en la capacidad predictiva de los modelos de indicadores. Además, hemos comprobado que ese aumento en la capacidad predictiva se relaciona con la exhaustividad de la codificación. Por lo que, cuanto más comorbilidades se codifiquen mejores modelos se pueden generar.
ABSTRACT: Introduction and objectives: Acute myocardial infarction represents a major cause of mortality and morbidity in developed countries. The objective of this study is developing a risk ajustement models of indicators quantifying the improvements of including the comorbidities in the models.
Methods: We develop adjustment models for mortality indicators using logistic regression in combination with a Stepwise algorithm for the selection of the correction factors.
Each indicator will be the response variable, while sex, age, hospital group, cluster of hospital, type of admission and comorbidities are the predictor variables.
Results: We compare for certain indicators two groups of variables, using the variables sex, age, hospital group, cluster of hospital and type of admission as predictor variables in both cases. In the first together with comorbidities and in the second we replace comorbidities by severity, mortality risk and complexity. Furthermore, we observe the improvements by incorporating the comorbidities to the variables of sex, age, hospital group, cluster of hospital and type of admission. Finally, we propose and verify the hypothesis that a number of coded secondary diagnoses is associate with the improvement in AUC by incorporating comorbidities.
Conclusions: The comorbidities provide a predictive improvement in the models of indicators. In addition, we found that the increase in predictive capacity is related to the completeness of codification. So, the further coding best models can be generated.
