Este sitio web utiliza cookies, tanto propias como de terceros, para mejorar nuestros servicios y optimizar su navegación.
Al acceder a "info2015.congresoseca.com" está aceptando su instalación y uso en los términos de nuestra política de cookies.
Consultar la política de privacidadConsultar la política de cookies

Lista Comunicaciones

« Volver a Lista Comunicaciones

Datos de los autores
Orden Apellidos Nombre Centro
1 Alcalde Bezhold Guillermo Hospital Universitario de Alava
2 Ayerdi Vilches B Grupo de Inteligencia Computacional, GIC, UPV/EHU
3 Manzano Ramirez A Hospital Universitario de Alava
4 Lopetegui Eraso P Hospital Universitario de Alava
5 Diez Andres A Hospital Universitario de Alava
6 Besga Basterra A Hospital Universitario de Alava

Datos de la Sala
SABADELL 1
15-oct
15.30
10
ATENCIÓN A PACIENTES CRÓNICOS
Oral

Datos de la comunicación
445
FACTORES DE REINGRESOS EN LOS SERVICIOS DE URGENCIAS EN POBLACIÓN ESTRATIFICADA

Los pacientes mayores representan un grupo de población cada vez más frecuente en los servicios de urgencias (SUH) con un alto riesgo de reingresos (definido como la vuelta al SUH <30 días) una vez dados de alta del mismo.

El objetivo del estudio es describir los factores más relevantes que predicen los reingresos, considerándolos no solo como un indicador de calidad asistencial sino también como una medida cuyo estudio puede aportar inequívocas oportunidades de mejora de la efectividad y eficiencia clínicas.

Material y Métodos: De un total de 5000 pacientes de Alava que se encuentran estratificados de acuerdo con su nivel de complejidad, en los niveles 2 y 3 de la pirámide de Kaiser, se incluyeron aquellos que contactaron con el SUH durante el mes de Junio del 2014 (n=297). Edad 77.53 ± 5.91. Se recogieron datos demográficos, sociales, clínicos incluyendo antecedentes personales y motivos de consulta y del tratamiento farmacológico. Para llevar a cabo la predicción de reingresos, se identificaron mediante minería de datos (data mining) las variables más discriminantes, y se construyeron clasificadores mediante métodos de aprendizaje automático (machine learning) que proporcionaron las predicciones.

Resultados: La discriminación entre reingresadores (n=64) y no reingresadores (n=233) alcanzó una AUC del 82.49%, una sensibilidad del 42.19% y una especificidad del 93.56%. Las variables que mostraron mayor valor predictivo de reingresos fueron: el grado de comorbilidad, la patología psiquiátrica y vascular, la edad y factores sociales como tener cuidador y vivir solo. Destaca también como factor predictivo el número y tipo de fármacos que toma el paciente, especialmente los antipsicóticos e inhaladores. Conclusión: los programas orientados a evitar los reingresos deben incluir la valoración global del paciente y no centrarse de forma exclusiva en enfermedades específicas.

« Volver a Lista Comunicaciones