Repositorio Institucional de Documentos

RESUMEN Introducción: Los factores implicados en la aparición de las Lesiones Por Presión (LPP) sigue siendo un tema controvertido. Es necesario verificar la relación directa entre los Factores de Riesgo(FR) y la aparición de LPP en los pacientes y determinar intervenciones específicas. Las Redes Neuronales Artificiales (RNA) constituyen una técnica de análisis multivariante con un planteamiento distinto de la estadística convencional, que consiste en la simulación de un proceso de aprendizaje aplicado al reconocimiento de patrones. Material y método: Estudio retrospectivo, observacional de predicción de LPP a través de una RNA. Muestra (N=285) pacientes ingresados en UCI de forma consecutiva durante más de 4 días con LPP de cualquier grado, durante un periodo de 6. Se recogieron variables de filiación, clínicos y de las lesiones por presión. Se definió el evento, objeto del estudio como la aparición de LPP de cualquier grado. Se realizó un análisis estadístico convencional uní y bivariante. p significativa <0.05. Se diseñó una RNA modelo Perceptrón Multicapa, con una función de activación tangente hiperbólica en las capas ocultas y Softmax en la capa de salida. La partición de la serie para el aprendizaje y validación fue del 70% y el 30% de los casos respectivamente. Resultados: (27,4%) de los casos estudiados, presentaron LPP de cualquier grado. Los FR que presentaron mayor significación estadística en relación con la aparición del evento fueron: Norton al cuarto día (9.6 vs 11.6, p < 0.001), APACHE (20.6 vs 17, p = 0.001) y ventilación mecánica en los primeros días (88.5 vs 72, p = 0.001). Estos datos coinciden con los encontrados en la RNA diseñada, en la que estas mismas variables, tenían una importancia normalizada del 100%, 98.7%, 60.8%, respectivamente. Sin embargo, la RNA encontró FR con una importancia normalizada entre el 15% y el 30%, que no tenían significación estadística en el análisis convencional. La exactitud de la red en el conjunto de validación fue del 70.2%. Conclusión: Las RNA, pueden permitir diseñar nuevos estudios basados en grandes bases de datos multicéntricas que nos ayuden a resolver las incógnitas que rodean a las LPP. ABSTRACT Introduction: The importance of the different factors that contribute to the appearance of Pressure Injuries (LPP) remains a controversial issue: it is necessary to verify the direct relationship between Risk Factors (RF) and the appearance of LPP in patients and also to determinate specific interventions. Artificial Neural Networks (ANNs) are multivariate analysis technique with a different approach from conventional statistics which consists on simulating a learning process applied to pattern recognition. Material and method: This study shows a retrospective, observational study of prediction of LPP through an ANN. All patients admitted consecutively to the ICU, during a period of 6 months and a stay of more than four days (N = 285), were included. Variables related to parentage, clinical and pressure injuries were also collected for the study. The event, which is the object of the study, was defined as the appearance of LPP of any grade. It has been done also a conventional univariate and two-sided statistical analysis. A significant p <0.05 has been considered. A Multilayer Perceptron model RNA was designed, with a hyperbolic tangent activation function in the hidden layers and Softmax in the output layer. The partition of the series for learning and validation was 70% and 30% of the cases respectively. Results: Of the 285 cases that were analyzed, 78 (27.4%) presented LPP of any grade. The RFs that presented the highest statistical significance in relation to the onset of the event were: Norton on the fourth day (9.6 vs 11.6, p <0.001), APACHE (20.6 vs 17, p = 0.001) and mechanical ventilation in the first days (88.5 vs 72, p = 0.001). These data coincide with those found in the designed ANN, in which these same variables had a relative importance of 100%, 98.7%, and 60.8%, respectively. However, RNA found RF with a normalized importance between 15% and 30%, which did not have statistical significance in the conventional analysis. The accuracy of the network in the validation set was 70.2%. Conclusion: RNA can allow the design of new studies based on large multicenter databases that help us solve the unknowns that surround LPP. Universidad de Zaragoza Facultad de Ciencias de la Salud Master en Iniciación a la Investigación en Ciencias de la Enfermería Curso Académico 2019/20 TRABAJO FIN DE MASTER Lesiones por Presión en el paciente crítico: Explorando Redes Neuronales. Pressure Injuries in critical patients: Exploring Neural Networks Autora: Araiz Marín, Ana Belén Directora: Rodríguez Roca, Beatriz Milagros Royo Puerto Asesora: Royo Puerto, Milagros LPP en el paciente crítico: explorando redes neuronales Introducción Página 3 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 "Hasta la fecha, no se ha diseñado un ordenador que sea consciente de lo que está haciendo; pero, la mayor parte del tiempo, nosotros tampoco lo somos". atribuida a Marvin Minsky, padre de la IA LPP en el paciente crítico: explorando redes neuronales Introducción Página 4 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 INDICE 1. INTRODUCCION .................................................................................................................................... 5 1.1. Lesiones o Úlceras por Presión ..................................................................................................... 5 1.1.1. Definición ............................................................................................................................... 5 1.1.2. Escalas .................................................................................................................................... 5 1.1.3. Importancia ............................................................................................................................ 6 1.2. Redes Neuronales Artificiales (RNA) ............................................................................................. 7 1.2.1. Descripción ............................................................................................................................. 7 1.2.2. Diferencias entre una red biológica y artificial. ................................................................... 10 1.2.3. Ejemplo de utilidad .............................................................................................................. 12 2. HIPOTESIS y OBJETIVOS ...................................................................................................................... 20 3. MATERIAL Y METODOS. ...................................................................................................................... 21 3.1. Fases ..........................................................................................................................................21 3.1.1. Obtención de la Base de Datos y Definición del evento ...................................................... 21 3.1.2. Ingeniería de datos .............................................................................................................. 22 3.1.3. Análisis Estadístico Convencional ........................................................................................ 22 3.1.4. Red Neuronal Artificial. ........................................................................................................ 23 3.1.5. Matriz de confusión y Métricas de Rendimiento. ................................................................ 23 3.2. Programas Informáticos ..............................................................................................................23 3.2.1. Análisis Estadístico ............................................................................................................... 23 3.2.2. Red Neuronal ....................................................................................................................... 23 4. RESULTADOS. ..................................................................................................................................... 24 4.1. Descripción de la Población .........................................................................................................24 4.2. Estadística Convencional .............................................................................................................27 4.3. Red Neuronal Artificial ................................................................................................................28 5. DISCUSIÓN ......................................................................................................................................... 29 6. CONCLUSIONES. ................................................................................................................................. 31 7. CONFLICTO de INTERESES, ASESORIAS y AUTORIZACIONES. ................................................................. 32 8. ANEXOS ............................................................................................................................................. 33 8.1. Anexo 1. Escalas de Valoración del riesgo de LPP. ........................................................................33 8.2. Anexo 2. Patrones de entrada de la base de daos del ejemplo de utilidad.....................................34 8.3. Anexo 3. Carta de aprobación del CEICA. .....................................................................................36 9. BIBLIOGRAFIA .................................................................................................................................... 37 LPP en el paciente crítico: explorando redes neuronales Introducción Página 5 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 1. INTRODUCCION 1.1. Lesiones o Úlceras por Presión 1.1.1. Definición Las Lesiones por Presión (LPP) o úlcera por presión (UPP) se definen como una lesión localizada en la piel y/o tejido subyacente, generalmente sobre prominencias óseas, provocada por la por presión y/o asociado a cizallamiento 1 . Aunque es evitable, a día de hoy sigue siendo muy prevalente puesto que en su etiología están involucrados múltiples factores 2 . Se clasifican según los tejidos dañados y la profundidad de la lesión en 4 categorías 3 . En la actualidad, su prevención está basada en la minimización de los factores de riesgo, pueden ser intrínsecos o extrínsecos, susceptibles de intervención 4 , estos cuidado son responsabilidad de enfermería 5 . La evidencia científica sugiere que la medida fundamental en la desaparición de las LPP es la prevención que comienza con la valoración del riesgo. El objetivo de esta valoración es identificar aquellos factores específicos que pueden predecir la población que tiene riesgo de desarrollar LPP y con ello aplicar un plan de cuidados que permita prevenirlo. 1.1.2. Escalas Se han descrito en la literatura un total de 47 Escalas Valoración Riesgo LPP (EVRUPP) 6 , de las cuales 39 están dirigidas a adultos o ancianos. Únicamente unas pocas han demostrado su utilidad en contextos específicos de cuidados intensivos y no todas ellas han sido validadas a fecha de hoy 7 . En líneas generales las escalas más utilizadas son:  Escala Braden 8 .Validada ampliamente en el contexto hospitalario y sociosanitario. Y Junto con la escala de Waterlow 9 , según el documento técnico nº XI del GNEAUPP son las que tienen más validez demostrada en el contexto de los pacientes críticos6. LPP en el paciente crítico: explorando redes neuronales Introducción Página 6 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020  Escala Norton 10 . Es la escala más utilizada en el sistema Aragonés de Salud 11 y de acuerdo al metaanálisis realizado por García et al, tiene la misma validez que la escala Braden y Waterloo en el paciente crítico 12 .  Escala EMINA 13 .Es una escala elaborada por el grupo de enfermería del Instituto Catalán de Salud. Solo ha sido validada en el ámbito hospitalario 14 Un análisis comparativo de estas tres escalas se muestra en la Tabla1. Tabla 1. Comparativa de escalas de valoración riesgo LPP EMINA NORTON BRADEN Número de Variables 5 5 6 Variables Estado mental 0-3 Estado físico 1-4 Percepción 1-4 Movilidad 0-3 Estado mental 1-4 Humedad 1-4 Incontinencia 0-3 Actividad 1-4 Actividad 1-4 Nutrición 0-3 Movilidad 1-4 Movilidad 1-4 Actividad 0-3 Incontinencia 1-4 Nutrición 1-4 Fricción 1-3 Rango de Puntuación 0 a 15 5 a20 6 a 23 Riesgo Directa Indirecta Indirecta Alto 8-15 Mínimo > 14 Sin riesgo 17-23 Moderado 4-7 Evidente 12-14 Bajo 15-16 Bajo 1-3 Moderado 13-14 Sin riesgo 0 Alto 5-11 Alto ≤ 12 1.1.3. Importancia Representan un problema de salud con un impacto significativo en la morbi-mortalidad y la calidad de vida de las personas afectadas. Es una complicación frecuente en cualquier nivel asistencial, especialmente en pacientes con problemas de movilidad y edad avanzada 15 . Las LPP afectan mayoritariamente a personas mayores de 65 años. Su etiología es multifactorial: edad, nivel de conciencia, incontinencia, movilidad, etc. Por lo que para la mayoría de los autores hasta el 95% de los casos son evitables 16 . Por otra parte, se ha cuantificado que para el sistema de salud son un impacto económico importante llegando a suponer un 5.2% del gasto sanitario total de nuestro país 17 . Asimismo, LPP en el paciente crítico: explorando redes neuronales Introducción Página 7 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 no podemos olvidar las posibles repercusiones legales cuando se determine que la aparición de una LPP deriva de una mala praxis profesional4. En concreto, en las Unidades de Cuidados Intensivos (UCI), según los datos que aporta el 2º estudio Nacional de prevalencia de LPP en España, las LPP tienen una prevalencia del 21.05%, mientras que se reduce a un 8´91% en la hospitalización 18 . Por todo esto es necesario utilizar herramientas válidas y fiables como las EVRUPP, para aplicar los recursos humanos y materiales, especialmente a los pacientes que presente riesgo y evitar el destino de estos recursos a otros pacientes de forma innecesaria 19 . 1.2. Redes Neuronales Artificiales (RNA) 1.2.1. Descripción Una Red Neuronal Artificial (RNA) está formada por un conjunto de neuronas artificiales, organizadas en capas (capa de entrada, capas ocultas y capa de salida): (Figura 1). Figura 1. Esquema de una Red Neuronal Artificial (RNA) A su vez una neurona artificial es un procesador elemental (función matemática) tal que a partir de un vector de entrada procedente del exterior o de otras neuronas, proporciona una única respuesta o salida, en base a una función de activación o trasferencia. (Figura 2). LPP en el paciente crítico: explorando redes neuronales Introducción Página 8 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 Figura 2. Esquema de una Neurona Artificial Las RNA tienen una excelente capacidad para identificar patrones diagnósticos, no requieren condiciones especiales sobre la distribución o la dispersión de los datos, y son robustas ante la presencia de ruido, ya que el aprendizaje constituye una adaptación al polimorfismo que un determinado patrón puede presentar en distintas situaciones 20 , 21 . Una RNA es un modelo matemático no lineal, computacional y complejo. las RNA constituyen una técnica de análisis multivalente con un planteamiento distinto de la estadística clásica o convencional, que consiste en la simulación de un proceso de aprendizaje aplicado al reconocimiento de patrones; constituyen pues un método de análisis multivalente alternativo. En contraste con las técnicas estadísticas tradicionales, las RNA son capaces de resolver automáticamente relaciones sin la necesidad de suposiciones a priori sobre la naturaleza de las interacciones entre las variables. Otra diferencia importante en comparación con los métodos estadísticos tradicionales, como la regresión logística, es la capacidad de aprendizaje de una RNA. Esta característica permite a la RNA pronosticar casos que nunca se han presentado a la red y se denomina generalización. Las RNA representan un nuevo método para el modelado predictivo en ciencias médicas y son útiles para predecir relaciones complejas y dependientes del tiempo. Las RNA también pueden usarse cuando las medidas que influyen en un evento no se conocen completamente 22 , 23 . LPP en el paciente crítico: explorando redes neuronales Introducción Página 9 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 Para comprender cómo pueden equiparase los resultados de un análisis retrospectivo de Big Data a los obtenidos mediante ensayos clínicos aleatorizados es necesario insistir en la capacidad de las RNA de identificar patrones, que pueden pasar desapercibidos para el investigador en medio de una gran maraña de datos (“caos”). La difusión de programas informáticos que pueden ejecutarse en ordenadores personales permite disponer de una herramienta de acceso a estas nuevas metodologías de investigación y pone a disposición de los profesionales clínicos nuevas vías de trabajo, hasta ahora solo asequibles a expertos programadores o ingenieros informáticos. Prueba de todo ello es el número creciente de artículos publicados con RNA, especialmente en ámbito de la Medicina Intensiva en los últimos años, que abarcan multitud de aspectos clínicos y pronósticos: sepsis 24 , 25 mortalidad 26 , 27 , patologías digestivas 28 LPP en el paciente crítico: explorando redes neuronales Introducción Página 16 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 Para una mejor compresión se explica brevemente el significado de cada uno de los parámetros:  Modelo de red Multilayer Perceptron (Perceptron Multicapa) el cual sebasa en un modelo de aprendizaje supervisado. Un ejemplo comparativo bastante aproximado de lo que significa, sería como si un estudiante preparase una matería, estudiando solo las preguntas y respuestas correctas de exámenes anteriores; y despues se enfrentarse al examen con preguntas nuevas, nunca vistas.  Capa de entrada: Está constituida por tantas neuronas como variables se introducen en la red. Trabajan con una función de identidad (y=x).  Capa oculta: El número de capas ocultas y las neuronas que las constituyen, lo determina la propia aplicación informática. Estas neuronas trabajarán con una función tangente hiperbólica, transforma los valores de entrada en un valor comprendido entre el -1 y el 1.  Capa de salida: Estará constituida por dos neuronas que trabajan con una función Softmax, transforma los valores de entrada en un valor de salida comprendido entre el 0 y el 1 (0= no hay evento, 1= hay evento), los valores intermedios se pueden interpretar como un tanto por ciento de la probabilidad que lo haya y entre ambos suman 1.  La función de error, es la que le permite a la red calcular cuánto se ha equivocado en la predicción. En nuestro diseño se utiliza la función de entropía cruzada, puede decirse que sería algo así como una medida de sorpresa. Si obtenemos una baja entropía (sorpresa), es que la salida, se aproxima a lo esperado, por el contrario, si obtenemos una alta entropía (sorpresa) la salida se aleja de lo esperado. LPP en el paciente crítico: explorando redes neuronales Introducción Página 17 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020  Partición, representa el porcentaje de casos de la base de datos que divide 2 lotes: uno que dedicamos al aprendizaje y otro que dedicamos a la validación.  Función de aprendizaje, es la función que utiliza la red para calcular los pesos (importancia) de cada variable y con la que sabe cuándo ha terminado de aprender. En nuestro caso es la función de gradiente conjugado escalado. LPP en el paciente crítico: explorando redes neuronales Introducción Página 18 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 Finalmente, en base al diseño anterior e introduciendo nuestra base de datos en la RNA con la que estamos trabajando, se han obtenido los resultados que se reflejan en a (Tabla 6) Tabla 6: Resultados RNA. Sunmario Casos Procesados (N=160) Usados 160 Training / Aprendizaje 108 67.5% Testing / Validación 52 32.5% Validos 160 Excluidos 0 Informacion de Red Arquitectura: Capa Entrada : Capas Ocultas: Capa Salida 3:4:2 Diagrama Pesos y Sesgos (Bias) Sumario del Modelo Aprendizaje Error de Entropía Cruzada 0.055 Predicciones Incorrectas (%) 0% Regla de Parada 1 paso consecutivo sin disminuir error Tiempo de Entrenamiento 0:00:00:08 Validación Error de Entropía Cruzada 0.00 Predicciones Incorrectas (%) 0% Matriz de Clasificación y Métricas de Rendimiento Aprendizaje Matriz Predicho por RNA No Si Observado No 58 0 100% Si 0 50 100% EXACTITUD (Accuracy) (Diagnostic Accuracy) VN + VP/Total 100% Validación Matriz Predicho por RNA No Si Observado No 32 0 100% Si 0 20 100% EXACTITUD (Accuracy) (Diagnostic Accuracy) VN + VP/Total 100% Importancia Normalizada de las Variables Variable 1 “Norton” 0.508 100% Variable 2 “Edad” 0.309 60.8% Variable 3 “Sexo” 0.183 35.9% LPP en el paciente crítico: explorando redes neuronales Introducción Página 19 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 A la vista de los resultados obtenidos con la RNA, extraeríamos las siguientes conclusiones.  La RNA obtenida muestra una exactitud del 100%, o sea, sería capaz de predecir el resultado del evento en todos los casos.  La variable 1 (p.ej. la escala Norton) es muy importante en la predicción del evento, como se refleja en el valor del 100% en la importancia normalizada.  La variable 2 (p.ej. edad) influye en la aparición del evento en el 60% de los casos.  La variable 3 (p.ej. sexo) influye en casi un 36% de los casos, a diferencia de lo que se reflejaba en la estadística convencional que no mostraba diferencias estadísticamente significativas en relación a la aparición de los casos. LPP en el paciente crítico: explorando redes neuronales Hipótesis y Objetivos Página 20 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 2. HIPOTESIS y OBJETIVOS Hipótesis de Trabajo. Diseño de una red neuronal para la predicción de la aparición de LPP Objetivos Objetivo principal:  Explorar la creación de una red neuronal partiendo de un ejemplo en la predicción de LPP en paciente crítico. Objetivos secundarios:  Profundizar en el conocimiento de la estadística convencional  Analizarlas diferencias observadas entre la estadística convencional y la RNA LPP en el paciente crítico: explorando redes neuronales Material y Métodos Página 21 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 3. MATERIAL Y METODOS. Se presenta un estudio retrospectivo, observacional de predicción de LPP a través de una RNA. 3.1. Fases El estudio contempla las siguientes fases: 3.1.1. Obtención de la Base de Datos y Definición del evento Se obtuvo una base de datos anonimizada extraída del programa informático de estancia en UCI (ICCA). Con los datos de todos los ingresos consecutivos, de más de cuatro días de estancia en UCI, durante 6 meses. Tras la obtención de la Base de Datos, se realizaron tareas de limpieza y pre-procesamiento: resolviendo problemas de ausencia de datos, datos inconsistentes o erróneos (p. ej. tiempos negativos). Se recogieron los datos englobados en los siguientes apartados.  Datos de Filiación: edad, sexo, fecha de nacimiento.  Datos Clínicos: tipo de paciente (médico o quirúrgico), motivo de ingreso (insuficiencia respiratoria, sepsis, infarto...), días de estancia, procedencia (061, urgencias, otro hospital…), ventilación mecánica (sí o no), APACHE y exitus (sí o no)  Datos de LPP: Norton al ingreso (N0), al 4º día (N4) y al 7º día (N7), aparición (sí o no) y grado según sistema de clasificación de la NPUAP/EPUAP1 El evento objeto de estudio se define como la aparición de LPP de cualquier grado. LPP en el paciente crítico: explorando redes neuronales Material y Métodos Página 22 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 3.1.2. Ingeniería de datos La Ingeniería de Datos consiste en el proceso de transformación (redefinición) de las variables independientes de “datos sin procesar” a “vectores de atributos = entradas”. Puede suponer el 70-75% del tiempo de creación de una RNA. Entre las posibilidades que contempla están:  Recodificación de variables tanto continuas como categóricas  Creación de variables sintéticas mediante: agrupamiento, operadores, funciones o combinación de atributos.  Cálculos y recodificación de tiempos, etc. 3.1.3. Análisis Estadístico Convencional El Análisis Estadístico Convencional será descriptivo e inferencial bivariante de los datos, tanto globales como respecto del evento. Para las variables cuantitativas se obtendrán parámetros de tendencia central (media aritmética, geométrica y armónica y moda), medidas de dispersión (desviación estándar, error estándar, coeficiente de variación rango y varianza) y medidas de forma (coeficiente de kurtosis o aplastamiento y coeficiente de asimetría). Se evaluará la normalidad de la distribución de datos continuos utilizando gráficos Q-Q plots y la prueba de Shapiro-Wilk. Para variables cualitativas se calculará la distribución de frecuencias según las categorías (respuestas) existentes en cada una de ellas. Se utilizarán las siguientes pruebas en el contraste de hipótesis: Chi-cuadrado de Pearson derivado de tablas de contingencia para variables cualitativas; “t” de Student o Test No Paramétricos (U de Mann-Whitney) para variables cuantitativas, en función de su distribución de normalidad. LPP en el paciente crítico: explorando redes neuronales Material y Métodos Página 23 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 3.1.4. Red Neuronal Artificial. Se trabajará de una RNA diseñada con las características descritas en el apartado 2. 3.1.5. Matriz de confusión y Métricas de Rendimiento. El Software nos proporcionará una matriz de confusión a partir de la cual se pueden obtener todas las métricas de rendimiento deseadas (sensibilidad, especificidad, valor predictivo…) de las que nosotros solo utilizaremos la exactitud definida como: 𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅 = 𝑉𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 + 𝑉𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙 = 0 − 100% 3.2. Programas Informáticos 3.2.1. Análisis Estadístico Para el tratamiento de datos se utilizara: el paquete estadístico IBM SPSS Statistics versión 26.0. (©Copyright IBM Corporation 1989 to 2013, Chicago, IL, USA). Un p-valor Wald de p <0,05 se considerará significativo. 3.2.2. Red Neuronal Para el diseño y validación de la Red Neuronal Artificial se usara el programa IBM Neural Network versión 26.0. LPP en el paciente crítico: explorando redes neuronales Resultados Página 24 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 4. RESULTADOS. Aplicando la metodología anteriormente descrita, se han obtenido los resultados que se detallan a continuación. 4.1. Descripción de la Población Los resultados descriptivos de la serie estudiada se demuestran en la (Tabla 7). Tabla 7. Descripción de la población N= 285 Datos Demográficos Genero: Mujer 95 33.3% Hombre 190 66.7% Edad (años): Media + DE 65.8+ 14.5 Mediana 69.0 IQR 59.8 - 77 (17) Min-Max (Rango) 17 - 94 (77) Asimetría -1.1 Kurtosis 1.2 Test de Normalidad Prueba de Normalidad Shapiro-Wilk Hipótesis Nula (Ho) La variable Edad sigue una distribución normal con media de 65.8 y DE de 14.5 p < 0.001 Normalidad Grafica Grafica QQ Conclusión Se rechaza la Ho La variable Edad NO sigue una distribución normal Conclusión El diagrama de cuantiles no es lineal y por tanto la distribución no es normal Patologías, Procedimientos y Evolución Tipo Paciente Medico 191 67.0% Quirúrgico 94 33.0% Patología: Neumológica 77 27.0% Digestiva 62 21.8% Neurológica 43 15.1% Cardiaca 31 10.9% Nefrológica 19 6.7% Traumática 14 4.9% Otras 39 13.7% Procedencia: Planta 96 33.7% Urgencias 73 25.6% Quirófano 62 21.8% Otro Hospital 41 14.4% 061 13 4.6% Oxigenoterapia Nada / O2 67 23.5% VMNIV 39 13.7% VMIV 179 62.8% DE: Desviación Estándar; IQR: Rango Intercuartílico; Min: Mínimo; Max: Máximo; O2: Gafas nasales; VMNIV: Ventilación Mecánica No Invasiva; VMIV: Ventilación Mecánica Invasiva. LPP en el paciente crítico: explorando redes neuronales Resultados Página 25 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 Tabla 7 continuación. Descripción de la población Evolución Estancia Media + DE 13.2 + 12.7 Mediana 8.7 IQR 5.7 - 15.0 (9.3) Min-Max (Rango) 4 – 79.8 (75.9) Asimetría 2.7 Kurtosis 8.7 Test de Normalidad Prueba de Normalidad Shapiro-Wilk Hipótesis Nula (Ho) La variable Estancia sigue una distribución normal con media de 13.2 y DE de 12.7 p< 0.001 Normalidad Grafica Grafica QQ Conclusión Se rechaza la Ho La variable Estancia NO sigue una distribución normal Conclusión El diagrama de cuantiles no es lineal y por tanto la distribución no es normal Exitus Si 64 22.5% No 221 77.6% DE: Desviación Estándar; IQR: Rango Intercuartílico; Min: Mínimo; Max: Máximo. LPP en el paciente crítico: explorando redes neuronales Conflicto de intereses, asesorías y autorizaciones. Página 32 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 7. CONFLICTO de INTERESES, ASESORIAS y AUTORIZACIONES. Declaramos no tener ningún conflicto de intereses. El trabajo ha sido tutorizado por Dña. Beatriz Rodríguez Roca, Profesora Interina de la Facultad de Ciencias de la Salud de la Universidad de Zaragoza. El trabajo ha contado con la asesoría directa de Milagros Royo Puerto, enfermera de UCI del Hospital Clínico Universitario Lozano Blesa y miembro del Grupo Nacional para el Estudio y Asesoramiento en Úlceras por Presión y Heridas Crónicas (GNEAUPP). El trabajo contó con la aprobación de la Supervisión de Enfermería, Sra. Marta Palacios Laseca, y la Jefatura del Servicio, Prof. Miguel Ángel Suárez Pinilla, del Servicio de Medicina Intensiva del Hospital Clínico Universitario “Lozano Blesa”, con fecha 4 de diciembre de 2018. El presente TFM fue presentado para su aprobación por el Comité de Ética de la Investigación de la Comunidad Autónoma de Aragón (CEICA). Aprobado en su reunión del día 02/12/2020, Acta Nº 23/2020. (Anexo 8.3) LPP en el paciente crítico: explorando redes neuronales Anexos. Página 33 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 8. ANEXOS 8.1. Anexo 1. Escalas de Valoración del riesgo de LPP. BRADEN8 Puntos 1 2 3 4 Variables Percepción sensorial Completamente limitada Muy limitada levente No alterada Exposición Humedad Completamente húmeda Muy húmeda ocasionalmente Raramente húmeda Actividad En cama En silla Camina ocasionalmente Camina con frecuencia Movilidad Completamente inmóvil Muy limitada Ligeramente limitada Sin limitaciones Nutrición Muy pobre Probablemente inadecuada Adecuada Excelente Fricción y cizallamiento Es un problema Es un problema potencial Sin problema Interpretación Puntuación Riesgo 17-23 Sin riesgo 15-16 Bajo 13-14 Moderado ≤ 12 Alto NORTON11 Puntos 1 2 3 4 Variables Estado físico Muy malo Regular Mediano Bueno Estado mental Estupor /coma. Confuso Apático Alerta Actividad Encamado Sentado Camina con ayuda Ambulante Movilidad Inmóvil Muy limitada Disminuida Total Incontinencia Urinaria + fecal Urinaria o fecal Ocasional Ninguna Interpretación Puntuación Riesgo >14 Mínimo 12-14 Evidente 5-11 Alto riesgo EMINA13 Puntos 0 1 2 3 Variables Estado mental Orientado Desorientado, apático o pasivo Letárgico o hipercinético Comatoso Movilidad Completa Ligeramente limitada Limitación importante Inmóvil Humedad r/c incontinencia No Urinaria o fecal ocasional Urinaria o fecal habitual Urinaria y fecal Nutrición Correcta Ocasionalmente incompleta Incompleta No ingesta Actividad Deambula Deambula con ayuda Siempre necesita ayuda No deambula Interpretación Puntuación Riesgo 8-15 Alto 4-7 Moderado 1-3 Bajo 0 Sin riesgo LPP en el paciente crítico: explorando redes neuronales Anexos. Página 34 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 8.2. Anexo 2. Patrones de entrada de la base de daos del ejemplo de utilidad. A continuación, se muestra una tabla simplificada con los patrones de entrada de la base de datos en código de colores, y la base completa en un mínimo tamaño. Variable 1 Semicuantitativa (p.ej. Escala Norton) Variable 2 Cuantitativa (p.ej. Edad) Variable 3 Cualitativa (p.ej. Sexo) Variable 4: Evento Dicotómica (p.ej. aparición de UPP) Valor 1 (n=40) Cualquier Valor Cualquier valor NO Valor 2 (n=40) < 50 > 50 Hombre Mujer SI Valor 3 (n=40) < 50 > 50 Cualquier valor SI Valor 4 (n=40) Cualquier valor Cualquier valor SI LPP en el paciente crítico: explorando redes neuronales Anexos. Página 35 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 1 14 Hombre no 1 19 Hombre no 1 24 Hombre no 1 25 Hombre no 1 29 Hombre no 1 33 Hombre no 1 39 Hombre no 1 38 Hombre no 1 45 Hombre no 1 47 Hombre no 1 51 Hombre no 1 55 Hombre no 1 62 Hombre no 1 64 Hombre no 1 68 Hombre no 1 70 Hombre no 1 73 Hombre no 1 79 Hombre no 1 80 Hombre no 1 82 Hombre no 1 14 Mujer no 1 19 Mujer no 1 24 Mujer no 1 25 Mujer no 1 29 Mujer no 1 33 Mujer no 1 39 Mujer no 1 38 Mujer no 1 45 Mujer no 1 47 Mujer no 1 51 Mujer no 1 55 Mujer no 1 62 Mujer no 1 64 Mujer no 1 68 Mujer no 1 70 Mujer no 1 73 Mujer no 1 79 Mujer no 1 80 Mujer no 1 82 Mujer no 2 14 Hombre no 2 19 Hombre no 2 24 Hombre no 2 25 Hombre no 2 29 Hombre no 2 33 Hombre no 2 39 Hombre no 2 38 Hombre no 2 45 Hombre no 2 47 Hombre no 2 51 Hombre no 2 55 Hombre no 2 62 Hombre no 2 64 Hombre no 2 68 Hombre no 2 70 Hombre no 2 73 Hombre no 2 79 Hombre no 2 80 Hombre no 2 82 Hombre no 2 14 Mujer no 2 19 Mujer no 2 24 Mujer no 2 25 Mujer no 2 29 Mujer no 2 33 Mujer no 2 39 Mujer no 2 38 Mujer no 2 45 Mujer no 2 47 Mujer no 2 51 Mujer si 2 55 Mujer si 2 62 Mujer si 2 64 Mujer si 2 68 Mujer si 2 70 Mujer si 2 73 Mujer si 2 79 Mujer si 2 80 Mujer si 2 82 Mujer si 3 14 Hombre no 3 19 Hombre no 3 24 Hombre no 3 25 Hombre no 3 29 Hombre no 3 33 Hombre no 3 39 Hombre no 3 38 Hombre no 3 45 Hombre no 3 47 Hombre no 3 51 Hombre si 3 55 Hombre si 3 62 Hombre si 3 64 Hombre si 3 68 Hombre si 3 70 Hombre si 3 73 Hombre si 3 79 Hombre si 3 80 Hombre si 3 82 Hombre si 3 14 Mujer no 3 19 Mujer no 3 24 Mujer no 3 25 Mujer no 3 29 Mujer no 3 33 Mujer no 3 39 Mujer no 3 38 Mujer no 3 45 Mujer no 3 47 Mujer no 3 51 Mujer si 3 55 Mujer si 3 62 Mujer si 3 64 Mujer si 3 68 Mujer si 3 70 Mujer si 3 73 Mujer si 3 79 Mujer si 3 80 Mujer si 3 82 Mujer si 4 14 Hombre si 4 19 Hombre si 4 24 Hombre si 4 25 Hombre si 4 29 Hombre si 4 33 Hombre si 4 39 Hombre si 4 38 Hombre si 4 45 Hombre si 4 47 Hombre si 4 51 Hombre si 4 55 Hombre si 4 62 Hombre si 4 64 Hombre si 4 68 Hombre si 4 70 Hombre si 4 73 Hombre si 4 79 Hombre si 4 80 Hombre si 4 82 Hombre si 4 14 Mujer si 4 19 Mujer si 4 24 Mujer si 4 25 Mujer si 4 29 Mujer si 4 33 Mujer si 4 39 Mujer si 4 38 Mujer si 4 45 Mujer si 4 47 Mujer si 4 51 Mujer si 4 55 Mujer si 4 62 Mujer si 4 64 Mujer si 4 68 Mujer si 4 70 Mujer si 4 73 Mujer si 4 79 Mujer si 4 80 Mujer si 4 82 Mujer si LPP en el paciente crítico: explorando redes neuronales Anexos. Página 36 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 8.3. Anexo 3. Carta de aprobación del CEICA. LPP en el paciente crítico: explorando redes neuronales Bibliografía. Página 37 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 9. BIBLIOGRAFIA 1 National Pressure Ulcer Advisory Panel, European Pressure Ulcer Advisory Panel and Pan Pacific Pressure Injury Alliance. (2014). Prevention and Treatment of Pressure Ulcers: Quick Reference Guide. Emily Haesler. Australia: Cambridge Media: Osborne Park. 2 Olivera, AC., Porto, C., Almeida, AD., Santos, AC. (2015). Úlcera por presión: incidencia y factores demográficos, clínicos y nutricionales en pacientes de una unidad de cuidados intensivos. Nutrición Hospitalaria, 32, 2242-2252. 3 Wada, A., Teixeira, N., Ferreira, MC., (2010). Ulceras por Pressao. Medicina, 89(3),170-177. 4 Shahin, ES., Dassen, T., Halfens, RJ. (2009). Incidence, prevention and treatement of pressure ulcers in intensive care patients: a longitudinal study. Int J Nurs Stud, 46, 413-421. 5 Roca, A., Velasco, MC., Rubio, L., García, N., Anguera, N., (2012). Úlceras por presión en el enfermo crítico: detección de factores de riesgo. Enfermería Intensiva, 23(4), 155-163. 6 Pancorbo, PL., García, FP., Soldevilla, JJ., Martinez, F. (2008). Valoración del riesgo de desarrollar UPP: uso clínico en España y metaanálisis de la efectividad de las escalas. Gerokomos, 19(2), 84-98. 7 Pancorbo, Pl., García-Fernandez, FP., Soldevilla, JJ., Blasco García, C. (2009). Escalas e Instrumentos de valoración del riesgo de desarrollo úlceras por Presion. Serie Documemtos Técnicos GNEAUPP nº XI Grupo Nacional Para el Estudio y Asesoramiento en Úlceras por Presión y Heridas Crónicas. Logroño. 8 Braden, B., Bergstrom, NA. (1987). Conceptual schema for the study of the etiology of pressure sores. Rehabil Nurs, 12(1), 8-12. 9 Waterlow J. (1985). A risk assessment card. Nursing Times, 81 (49), 51-55. 10 Norton, D., Exton-Smith, AN., McLaren, R. (1962). An investigation of geriatric nursing problems in hospital. National Corporation for the care of old people. London: Curchill Livingstone. 11 Romanos, B., Casanova N. (2017). La escala de Norton modificada por el INSALUD y sus diferencias en la práctica clínica. Gerokomos, 28(4), 194-199. 12 García, FP., Pancorbo, PL., Soldevilla, JJ., Rodriguez, MC. (2013). Valoración del riesgo de desarrollar UPP en las unidades de cuidados críticos: revisión sistemática con metaanálisis. Gerokomos, 24(2), 82-89. 13 Fuentelsaz, C. (2001). Validación de la Escala EMINA: un instrumento de valoración del riesgo de desarrollar úlceras por presión en pacientes hospitalizados. Enfermería Clínica, 11(3), 97-103. 14 Rodriguez, MC., Garcia, FP., Plaza, F., De La Casa, F., Martinez, C., Noguera, A., et al. (2005). Validación de la escala EMINA. Gerokomos, 16(3), 174-182. 15 Verdú, J., Nolasco, A., García, C. (2003). Análisis y evolución de la mortalidad por úlceras por presión en España. Periodo 1987-1999. Gerokomos, 14, 212-226. 16 Soldevilla, JJ., Navarro, S. (2006). Aspectos relacionados con las Úlceras por presión. Gerokomos, 17(4), 203-204. 17 Soldevilla, JJ., Torra, JE., Postt, J., Védu, J., San Miguel, L., Mayán, JM. (2007). The burden of pressure ulcers in Spain. Wounds, 19(7), 201-206. 18 Soldevilla JJ., Torra, JE., Rueda, J., Martínez, F., Verdú, J., Mayán, JM., et al. (2006). Estudio Nacional de Prevalencia de Ulceras Por Presión en España, 2005 Epidemiología y variables definitorias de las lesiones y pacientes. Gerokomos, 17, 154-172. LPP en el paciente crítico: explorando redes neuronales Bibliografía. Página 38 de 38 __________________________________________________________________________________ Facultad de Ciencias de la Salud. Universidad de Zaragoza 2019 – 2020 19 Martínez, F., Soldevilla, JJ., Verdú, J., Segovia, T., García, FP., Pancorbo, PL. (2007). Cuidados de la piel y prevención de UPP en el paciente encamado. Rev ROL Enf, 30(12), 801-808. 20 Egea, JM. (1994). Redes neuronales: concepto, fundamentos y aplicaciones en el laboratorio clínico. Quim Clin, 13(5), 221-228. 21 Mayo, CS., Matuszak, MM., Schipper, MJ., Jolly, S., Hayman, JA. (2017). Ten Haken RK. Big Data in designing clinical trials: Opportunities and challenges. Front Oncol, 7, 187-231. 22 Traeger, MA., Geldner, G., Morin, AM., Putzke, C., Wulf, H., Eberhart, LH. (2003) Artificial neural networks. Theory and applications in anesthesia, intensive care and emergency medicine. Anaesthesist, 52(11), 1055–1061. 23 Gholipour, K., Asghari-Jafarabadi, M., Lezadi, S., Jannati, A., Keshavarz, S. (2018). Modelling the prevalence of diabetes mellitus risk factors based on artificial neural network and multiple regression. East Mediterr Health J, 24(8), 770777. 24 Feng M, McSparron JI, Kien DT, Stone DJ, Roberts DH, Schwartzstein RM, Vieillard-Baron A, Celi LA. (2018). Transthoracic echocardiography and mortality in sepsis: analysis of the MIMIC-III database. Intensive Care Med. 44(6), 884-892. 25 Shen, Y., Ru, W., Huang, X., & Zhang, W. (2018). Time-related association between fluid balance and mortality in sepsis patients: interaction between fluid balance and haemodynamics. Scientific reports, 8(1), 10390. 26 Waudby-Smith IER, Tran N, Dubin JA, Lee J (2018) Sentiment in nursing notes as an indicator of out-of-hospital mortality in intensive care patients. PLoS ONE, 13(6): e0198687. 27 Sandfort, V., Johnson, A., Kunz, L. M., Vargas, J. D., & Rosing, D. R. (2019). Prolonged Elevated Heart Rate and 90Day Survival in Acutely Ill Patients: Data From the MIMIC-III Database. Journal of intensive care medicine, 34(8), 622– 629. 28 Aboelsoud, M., Siddique, O., Morales, A., Seol, Y., & Al-Qadi, M. (2018). Early biliary drainage is associated with favourable outcomes in critically-ill patients with acute cholangitis. Przeglad gastroenterologiczny, 13(1), 16–21. 29 Grupo de Topología Computacional y Matemática Aplicada (CATAM). Conceptos básicos en redes neuronales. Disponible en: http://grupo.us.es/gtocoma/pid/pid10/RedesNeuronales.htm 30 Nijs, N., Toppets, A., Defloor, T., Bernaerts, K., Milisen, K., Van Den Berghe, G. (2009). Incidence and risk factors for pressure ulcers in the intensive care unit. J Clin Nurs, 18, 1258-1266. 31 Manzano, F., Navarro, MJ., Roldan, D., Moral, MA., Leyva, I., Guerrero, C., et al. (2010). Pressure ulcer incidence and risk factors in ventilated intensive care patients. J Crit Care, 25, 469-476. 32 Makai, P., Koopmanschap, M., Bal, R., Nieboer, A. (2010). Cost effectiveness of a pressure ulcer quality collaborative. Cost Eff Resour Alloc, 1(8), 11-24. 33 Tomazini, A., Nascimento, T., Moura, T., Brunet, NM., Edla, M. (2015). Evaluación de las escalas de riesgo para úlcera por presión en pacientes críticos: una cohorte prospectiva. Rev Latino-Am Enfermagem, 23(1), 28-35. 34 Valls-Matarínn, J., Cotillo, M., Pujol, M., Ribal, R., Sandalinas, I. (2016). Diferenciación entre lesiones cutáneas asociadas a la humedad y úlceras por presión mediante el uso de fotografías en un área de críticos. Enfermería Clínica, 6(5), 268-274 35 Núñez, A., Armengol, MA., Sánchez, M. (2019). Big Data Analysis y Machine Learning en medicina intensiva. Med Intensiva, 43(7), 416-426.