REMI 2232. Oxígeno en el infarto agudo de miocardio

ARTÍCULO ORIGINAL: Oxygen Therapy in Suspected Acute Myocardial Infarction. Hofmann R, James SK, Jernberg T, Lindahl B, Erlinge D, Witt N, Arefalk G, Frick M, Alfredsson J, Nilsson L, Ravn-Fischer A, Omerovic E, Kellerth T, Sparv D, Ekelund U, Linder R, Ekström M, Lauermann J, Haaga U, Pernow J, Östlund O, Herlitz J, Svensson L; DETO2X–SWEDEHEART Investigators. N Engl J Med. 2017 Aug 28. [Resumen] [Artículos relacionados] [PDF]
   
INTRODUCCIÓN: El infarto agudo de miocardio (IAM) se produce por un disbalance entre el aporte y la demanda de oxígeno del miocardio. Clásicamente, se ha supuesto que aumentando el aporte de oxígeno se limitaría el tamaño del infarto pero estudios recientes no solo no apoyan esta teoría, sino que sugieren que puede ser perjudicial por la vasoconstricción y los radicales tóxicos que la hiperoxia genera [1]. El objetivo de este estudio fue evaluar el efecto de la oxigenoterapia sobre la mortalidad al año en pacientes con sospecha de IAM sin hipoxemia.
   
RESUMEN: Estudio aleatorizado multicéntrico no ciego sueco. Se incluyeron 6.600 pacientes con sospecha de IAM con y sin elevación del segmento ST de menos de 6 horas de duración y saturación superior a 90% sin oxígeno. Se aleatorizaron los pacientes con aire ambiente frente a los que recibieron oxígeno con mascarilla a 6 L/min durante 12 horas. La saturación media de los pacientes sin oxígeno fue del 97% y la del grupo con oxígeno del 99%. La mortalidad al año para los dos grupos fue del 5% y la tasa de reingresos del 3%, sin objetivarse diferencias estadísticamente significativas. Tampoco hubo diferencias en los distintos grupos definidos a priori.
   
COMENTARIO: Estos resultados muestran que no debemos administrar oxígeno suplementario en pacientes con IAM y saturación de oxígeno normal. El oxígeno no deja de ser un medicamento con sus beneficios, efectos secundarios y coste. Parece evidente que hay que administrar oxígeno a pacientes hipoxémicos, pero cada vez hay más debate sobre los efectos indeseables que puede producir la hiperoxia [2, 3]. A día de hoy, parece razonable evitar al menos, saturaciones por encima del 97% [4, 5]. Dar demasiado oxígeno puede ser malo.
  
Ferran Roche Campo
Hospital Verge de la Cinta, Tortosa, Tarragona.
© REMI, http://medicina-intensiva.com. Septiembre 2017.
  
ENLACES:
  1. Air Versus Oxygen in ST-Segment-Elevation Myocardial Infarction. Stub D, Smith K, Bernard S, Nehme Z, Stephenson M, Bray JE, Cameron P, Barger B, Ellims AH, Taylor AJ, Meredith IT, Kaye DM; AVOID Investigators. Circulation. 2015 Jun 16;131(24):2143-50. [PubMed] [PDF]
  2. The potential harm of oxygen therapy in medical emergencies. Cornet AD, Kooter AJ, Peters MJ, Smulders YM. Crit Care. 2013 Apr 18;17(2):313. [PubMed] [PDF]
  3. Balancing the risks and benefits of oxygen therapy in critically III adults. Budinger GRS, Mutlu GM. Chest. 2013 Apr;143(4):1151-1162. [PubMed] [PDF]
  4. Effect of Conservative vs Conventional Oxygen Therapy on Mortality Among Patients in an Intensive Care Unit: The Oxygen-ICU Randomized Clinical Trial. Girardis M, Busani S, Damiani E, Donati A, Rinaldi L, Marudi A, Morelli A, Antonelli M, Singer M. JAMA. 2016 Oct 18;316(15):1583-1589.  [PubMed]
  5. Conservative versus Liberal Oxygenation Targets for Mechanically Ventilated Patients. A Pilot Multicenter Randomized Controlled Trial. Panwar R, Hardie M, Bellomo R, Barrot L, Eastwood GM, Young PJ, Capellier G, Harrigan PW, Bailey M; CLOSE Study Investigators; ANZICS Clinical Trials Group. Am J Respir Crit Care Med. 2016 Jan 1;193(1):43-51.  [PubMed] [PDF]
BÚSQUEDA EN PUBMED:
  • Enunciado: Efectos indeseables del oxígeno en pacientes críticos
  • Sintaxis: Harm effects of oxygen therapy in intensive care patients
  • [Resultados]
    

REMI 2231. Bivalirudina frente a heparina en el infarto agudo de miocardio

ARTÍCULO ORIGINAL: Bivalirudin versus Heparin Monotherapy in Myocardial Infarction. Erlinge D, Omerovic E, Fröbert O, Linder R, Danielewicz M, Hamid M, Swahn E, Henareh L, Wagner H, Hårdhammar P, Sjögren I, Stewart J, Grimfjärd P, Jensen J, Aasa M, Robertsson L, Lindroos P, Haupt J, Wikström H, Ulvenstam A, Bhiladvala P, Lindvall B, Lundin A, Tödt T, Ioanes D, Råmunddal T, Kellerth T, Zagozdzon L, Götberg M, Andersson J, Angerås O, Östlund O, Lagerqvist B, Held C, Wallentin L, Scherstén F, Eriksson P, Koul S, James S. N Engl J Med. 2017 Aug 27. [Resumen] [Artículos relacionados] [Texto completo]
  
INTRODUCCIÓN: Hasta la aparición de los nuevos antiagregantes plaquetarios, durante el intervencionismo coronario percutáneo (ICP) se utilizaba con mayor frecuencia bivalirudina, ya que el riesgo de sangrado es menor que con heparina. Sin embargo, hasta el momento no se habían realizado estudios comparativos de la eficacia de diferentes estrategias anticoagulantes en pacientes con infarto agudo de miocardio (IAM) sometidos a ICP con acceso radial y administración previa de inhibidores potentes P2Y12.
   
RESUMEN: Se trata de un ensayo clínico abierto multicéntrico, aleatorizado, en pacientes con IAM con elevación del segmento ST (IAMCEST) o sin elevación del segmento ST (IAMSEST) tratados con ICP (a través de la arteria radial en el 90,3%) y administración de un inhibidor P2Y12 (fundamentalmente ticagrelor: 94,9%), sin el uso planificado de inhibidores de la glicoproteína IIb/IIIa. Los pacientes fueron asignados aleatoriamente a bivalirudina o heparina durante la ICP. La variable principal de estudio fue la combinación de muerte por cualquier causa, infarto de miocardio, o sangrado mayor a los 180 días de seguimiento. Se incluyeron 6.006 pacientes (3.005 con IAMCEST y 3.001 con IAMSEST). A los 180 días, no hubo diferencias significativas entre los dos grupos ni en la variable principal combinada (12,3% en grupo bivalirudina y 12,8% en grupo heparina; HR 0,96; IC 95% 0,83-1,10; P = 0,54) ni en el análisis de variables secundarias: infarto de miocardio (2,0% frente a 2,4%; HR 0,84; IC 95% 0,60-1,19; P = 0,33); sangrado mayor (8,6% frente a 8,6%; HR 1,00; IC 95% 0,84-1,19; P = 0,98), trombosis del stent (0,4% frente a 0,7%; HR 0,54; IC 95% 0,27-1,10; P = 0,09) y muerte (2,9% frente a 2,8%; HR 1,05; IC 95% 0,78-1,41; P = 0,76).
  
COMENTARIO: Los resultados de este ensayo clínico muestran que en el contexto del actual manejo del IAM, no existen diferencias significativas en el desarrollo de complicaciones entre bivalirudina o heparina en monoterapia. Sin embargo el estudio presenta importantes limitaciones, como un posible sesgo de selección, lo que cuestiona la representatividad de los pacientes sometidos a ICP, el diseño abierto, que podría haber sesgado la atención en la identificación de posibles eventos adversos; el seguimiento a través de llamadas telefónicas o registros hospitalarios, y finalmente el hecho de que todos los pacientes recibieron una pequeña dosis de heparina antes de la aleatorización, lo que limita la probabilidad de detectar una clara diferencia de efectos entre los dos fármacos.
  
Domingo Díaz Díaz
Hospital Universitario Infanta Leonor, Madrid.
© REMI, http://medicina-intensiva.com. Septiembre 2017.
  
ENLACES: 
  1. Bivalirudin and provisional glycoprotein IIb/IIIa blockade compared with heparin and planned glycoprotein IIb/IIIa blockade during percutaneous coronary intervention: REPLACE-2 randomized trial. Lincoff AM, Bittl JA, Harrington RA, et al. JAMA 2003; 289: 853-863. [PubMed]
  2. Unfractionated heparin versus bivalirudin in primary percutaneous coronary intervention (HEAT-PPCI): an open-label, single centre, randomised controlled trial. Shahzad A, Kemp I, Mars C, et al. Lancet 2014; 384: 1849-1858. [PubMed]
  3. Bivalirudin vs heparin with or without tirofiban during primary percutaneous coronary intervention in acute myocardial infarction: the BRIGHT randomized clinical trial. Han Y, Guo J, Zheng Y, et al. JAMA 2015; 313: 1336-1346. [PubMed]
  4. Bivalirudin or unfractionated heparin in acute coronary syndromes. Valgimigli M, Frigoli E, Leonardi S, et al. N Engl J Med 2015; 373: 997-1009. [PubMed]
  5. 2014 ESC/EACTS guidelines on myocardial revascularization: the task force on myocardial revascularization of the European Society of Cardiology (ESC) and the European Association for Cardio-Thoracic Surgery (EACTS): developed with the special contribution of the European Association of Percutaneous Cardiovascular Interventions (EAPCI). Windecker S, Kolh P, Alfonso F, et al. Eur Heart J 2014; 35: 2541-2619. [PubMed]
BÚSQUEDA EN PUBMED:
  • Enunciado: Ensayos clínicos con bivalirudina en el infarto agudo de miocardio
  • Sintaxis: bivalirudin AND "myocardial infarction"[mh] AND "randomized controlled trial"[ptyp]
  • [Resultados]

A234. Día mundial del pulmón crítico



Estimado colega:

En nombre de la Federación Panamericana e Ibérica de Sociedades de Cuidados Intensivos os escribimos para invitarlos a participar del "Día Mundial del Pulmón Crítico", que se celebrará el próximo 17 de noviembre. 

El evento, que sera on-line, gratis, en castellano e inglés y sin fines de lucro, consistirá en una serie de conferencias presentadas por algunos de los más influyentes intensivistas y neumólogos del mundo. Usted podrá seguir el evento de forma on line en la web del evento y/o las redes sociales (Facebook, Youtube, etc.) o de forma presencial en el centro INSIMED de Bogota-Colombia (http://www.insimed.org/insimed/) o en el Hospital Universitario HM Sanchinarro - Madrid- España (http://www.hmsanchinarro.com/).

El programa científico y las inscripciones pueden realizarse en http://ebookmedico.net/pulmoncritico/
Información del evento: pablocardinal@hotmail.com

Desde ya muchas gracias.

Comité organizador - Día Mundial del Pulmón Crítico - 17 de noviembre del 2017
Dr. Luis Blanch (España), Dr. Pablo Cardinal-Fernández (España), Dr Carmelo Dueñas (Colombia) y Dr. Guillermo Ortiz (Colombia)
© REMI, http://medicina-intensiva.com. Septiembre 2017.

REMI 2230. ¿Postoperatorio de cirugía electiva en la UCI?

TÍTULO ORIGINAL: Critical care admission following elective surgery was not associated with survival benefit: prospective analysis of data from 27 countries. Kahan BC, Koulenti D, Arvaniti K, Beavis V, Campbell D, Chan M, Moreno R, Pearse RM; International Surgical Outcomes Study (ISOS) group. Intensive Care Med. 2017 Jul;43(7):971-979. [PubMed] [Artículos relacionados]
   
INTRODUCCIÓN: El número de cirugías aumenta y sus complicaciones pueden ser graves. Es necesario definir qué cuidados postoperatorios precisan estos pacientes. El objetivo del estudio fue evaluar si el ingreso en UCI en el postoperatorio inmediato de una cirugía electiva disminuye la mortalidad.
   
RESUMEN: Análisis secundario de una amplia cohorte de más de 44.000 pacientes adultos sometidos a cirugía electiva y sin complicaciones intraoperatorias, en 450 hospitales de 27 países [1]. El 10% de los pacientes ingresaron directamente en UCI y permanecieron en ella entre 1 y 2 días. Tras múltiples análisis estadísticos, los autores no identifican ningún beneficio en el ingreso programado en UCI de estos pacientes. Tampoco en el subgrupo de pacientes de alto riesgo.
  
COMENTARIO: Cuestión que se plantea todas las mañanas en hospitales sin Reanimación. Los datos de este estudio sugieren que en la mayoría de casos, no es necesario el ingreso de estos pacientes en UCI. Las cirugías son cada vez menos agresivas, los pacientes llegan mejor preparados, las prácticas anestésicas han evolucionado y muchas de las complicaciones aparecen en el postoperatorio tardío, cuando el paciente ya ha sido dado de alta. Los sistemas de puntuación predictivos tampoco ayudan [2]. Paradójicamente y respecto al ingreso en planta convencional, los pacientes pueden presentar mayor riesgo de infección nosocomial, sobresedación, alteraciones del sueño, delirio, retardo en la movilización, etc. [3], y hacer buena una frase que me comentó un veterano intensivista poco antes de jubilarse “en la UCI hacemos más graves a los pacientes de lo que realmente están”. Cada centro debe organizarse en función de sus posibilidades pero ofrecer un mayor nivel de cuidados en planta al estilo de las unidades de ictus, podría ser suficiente en la mayoría de casos. Lo mismo podemos preguntarnos respecto los síndromes coronarios agudos no complicados [4]. Claro que para muchas UCI, esto significaría perder un elevado porcentaje de pacientes. El modelo debe repensarse. ¿Podemos simplificar las cosas y ser más eficientes? [5], ¿podemos acercarnos al paciente allí donde esté y no esperar que el paciente se acerque a nosotros? [6]. 
  
Ferran Roche Campo
Hospital Verge de la Cinta, Tortosa, Tarragona.
© REMI, http://medicina-intensiva.com. Septiembre 2017.
  
ENLACES:
  1. Global patient outcomes after elective surgery: prospective cohort study in 27 low-, middle- and high-income countries. International Surgical Outcomes Study group. Br J Anaesth. 2016 Oct 31;117(5):601-609. [PubMed] [PDF]
  2. Current research priorities in perioperative intensive care medicine. Gillies MA, Sander M, Shaw A, Wijeysundera DN, Myburgh J, Aldecoa C, Jammer I, Lobo SM, Pritchard N, Grocott MPW, Schultz MJ, Pearse RM. Intensive Care Med. 2017 Jun 8. Review. [PubMed]
  3. La espiral de (no) violencia en la UCI. ¿Tratamiento "agresivo", o "conservador"? Baigorri F. [REMI 2014; 14(8): A196]
  4. Do stable non-ST-segment elevation acute coronary syndromes require admission to coronary care units? an Diepen S, Lin M, Bakal JA, McAlister FA, Kaul P, Katz JN, Fordyce CB, Southern DA, Graham MM, Wilton SB, Newby LK, Granger CB, Ezekowitz JA. Am Heart J. 2016 May;175:184-192. [PubMed]
  5. Avances en Gestión clínica. Noviembre 2016. [Enlace]
  6. Intensive care unit without walls: seeking patient safety by improving the efficiency of the system. Gordo F, Abella A. Med Intensiva. 2014 Oct;38(7):438-443. [PubMed] [PDF]
BÚSQUEDA EN PUBMED:
  • Enunciado: Ingreso en UCI tras cirugía electiva
  • Sintaxis: Critical care admission following elective surgery
  • [Resultados]

REMI 2229. Fijación precoz o tardía de las fracturas pélvicas graves

ARTÍCULO ORIGINAL: Impact of early operative pelvic fixation on long-term self-reported outcome following severe pelvic fracture. Sharpe JP, Magnotti LJ, Gobbell WC, Huang X, Perez EA, Fabian TC, Croce MA. J Trauma Acute Care Surg. 2017; 82 (3): 444-450. [Resumen]
   
INTRODUCCIÓN: La cavidad pélvica posee una rica vascularización, lo que contribuye al shock hemorrágico de la fractura pélvica grave (FPG). La estabilización precoz ayuda al control de la hemorragia; sin embargo, los pacientes precisan de inmovilización prolongada y rehabilitación, siendo frecuentes los déficit funcionales a largo plazo.
   
RESUMEN: Estudio retrospectivo de 18 años de las FPG, definidas como: fractura pélvica múltiple con lesión vascular y gran hematoma retroperitoneal, pelvis “abierta en libro” por diástasis de la sínfisis púbica y fractura-luxación sacroiliaca con línea de fractura vertical. Se analizaron entre otras variables: Injury Severity Score (ISS), días de estancia hospitalaria y de UCI, lesiones asociadas, tiempo hasta la fijación definitiva y resultados. Se midieron los resultados según el test Boston University Activity Measure for Post-Acute Care (AM-PAC), que valora la funcionalidad a tres niveles: movilidad, actividades diarias y capacidad cognitiva. La independencia funcional y de actividad fue definida con una puntuación mayor de 84 y el nivel cognitivo normal mayor de 56. Hubo un total de 401 pacientes, lográndose un seguimiento en aproximadamente la mitad (media de seguimiento 8 años; rango: 15 meses-20 años); el 60% fueron varones y la mortalidad global fue 29%. El tipo de fractura más frecuente fue: “pelvis abierta en libro” (51%), fractura-luxación sacroiliaca (30%) y fracturas pélvicas múltiples con gran hematoma retroperitoneal (19%). Las lesiones asociadas fueron: abdominales (61%), torácicas (57%) y craneales (19%); ISS de 27, estancia hospitalaria 28 días y de UCI 13. El tiempo medio hasta la fijación definitiva de la FPG fue de 5,8 días en los pacientes seguidos, estando determinado por el estado hemodinámico y otras lesiones asociadas. En las puntuaciones medidas, la medida de movilidad fue de 55±17, media de actividad diaria 63±23 y la media de capacidad cognitiva 59±16. En el análisis estadístico el único predictor del estado funcional y movilidad a largo plazo fue la fijación precoz de la FPG. 
   
COMENTARIO: Aunque es un estudio retrospectivo con un seguimiento a largo plazo en solo el 51% de los casos, es una serie amplia de pacientes. El AM-PAC demostró que la mayoría llegaron a ser independientes para caminar por su casa, aunque con dificultad para realizar determinadas actividades como sentarse o subir escaleras. En relación con las actividades diarias, los pacientes no eran del todo independientes para algunas actividades y desde el punto de vista neurológico la mayoría podían leer y escribir, aunque en este dato influyó si hubo TCE asociado. Aún no se ha establecido el momento óptimo de fijación de las FPG, debiendo ser individualizado en el paciente crítico. Sin embargo, los resultados analizados en esta serie empeoraron significativamente si la cirugía definitiva se difería hasta el 7º a 10º día del traumatismo. Un dato importante es que la fijación precoz de la pelvis fue el único factor que influyó en el mejor pronóstico funcional de los pacientes. 

Encarnación Molina Domínguez
Hospital General Universitario de Ciudad Real.
© REMI, http://medicina-intensiva.com. Septiembre 2017.
      
ENLACES:
  1. Current management of hemorrhage from severe pelvic fractures: Results of an American Association for the Surgery of Trauma multi-institutional trial. Costantini TW, Coimbra R, Holcomb JB, Podbielski JM, Catalano R, Blackburn A, Scalea TM, Stein DM, Williams L, Conflitti J, Keeney S, Suleiman G, Zhou T, Sperry J, Skiada D, Inaba K, Williams BH, Minei JP, Privette A, Mackersie RC, Robinson BR, Moore FO; AAST Pelvic Fracture Study Group. J Trauma Acute Care Surg. 2016 May;80(5):717-23; discussion 723-5. [PubMed]
  2. Complications are reduced with a protocol to standardize timing of fixation based on response to resuscitation. Vallier HA, Moore TA, Como JJ, Wilczewski PA, Steinmetz MP, Wagner KG, Smith CE, Wang XF, Dolenc AJ. J Orthop Surg Res. 2015 Oct 1;10:155. [PubMed]
BÚSQUEDA EN PUBMED:
  • Enunciado: pronóstico de las fracturas de pelvis y fijación precoz
  • Sintaxis: pelvic fracture early fixation prognosis
  • [Resultados]

REMI 2228. Mortalidad de pacientes tratados por médicos hombres o mujeres

TÍTULO ORIGINAL: Comparison of Hospital Mortality and Readmission Rates for Medicare Patients Treated by Male vs Female Physicians. Tsugawa Y, Jena AB, Figueroa JF, Orav EJ, Blumenthal DM, Jha AK. JAMA Intern Med. 2017 Feb 1;177(2):206-213. [Resumen] [Artículos relacionados
  
INTRODUCCIÓN: Algunos estudios muestran diferencias en la práctica clínica entre médicos hombres y mujeres [1, 2], pero se desconoce si éstas pueden tener alguna implicación. El objetivo de este estudio fue evaluar la mortalidad y la tasa de reingresos de los pacientes en función de si eran tratados por médicos hombres o mujeres.
  
RESUMEN: Estudio observacional americano. Se analizó una muestra aleatoria de más de 1 millón y medio de pacientes mayores de 65 años dados de alta por una aseguradora americana. Se evaluaron 60.000 médicos especialistas en Medicina Interna, de los cuales un 70% eran hombres y un 30% mujeres. Las mujeres eran más jóvenes, trabajaban en hospitales más grandes y estaban al cargo de menos pacientes. Tras numerosos ajustes estadísticos, la mortalidad entre los pacientes tratados por mujeres fue significativamente inferior a la de los tratados por hombres [11,1% frente 11,5%; IC 95% -0,57% a -0,28%; P< 0,001; el número de pacientes tratados necesario para prevenir una muerte es de 233], y también menos reingresos [15% frente 15,6%; IC 95% (-0,71% a -0,39%; P < 0,001; el número de pacientes tratados necesario para prevenir un reingreso es de 182]. Los autores concluyen que los pacientes mayores de 65 años tratados por mujeres presentan una menor mortalidad y tasa de reingreso que los tratados por hombres.
  
COMENTARIO: Provocativo estudio enmarcado en una serie realizada por el mismo grupo [3, 4]. Los resultados podrían justificarse porque las mujeres sigan mejor las guías clínicas, dediquen más tiempo a los pacientes y/o tengan mayor empatía con los pacientes y cuidadores. La principal limitación viene dada por las escasas diferencias encontradas que son estadísticamente significativas por el gran tamaño de muestra evaluado. Este hecho puede generar dudas sobre su significación clínica y sobre si más que una relación causal, es simplemente un factor de confusión residual. Cabe recordar que en los estudios observacionales, las variables independientes (en este caso, sexo del médico) no están controladas por los investigadores y las propias diferencias entre mujeres y hombres (edad, lugar de trabajo y número de pacientes asignados) podrían justificar los resultados.
  
Ferran Roche Campo
Hospital Verge de la Cinta, Tortosa, Tarragona.
©REMI; http://medicina-intensiva.com. Agosto 2017.
  
ENLACES:
  1. Influence of gender of physicians and patients on guideline-recommended treatment of chronic heart failure in a cross-sectional study. Baumhäkel M, Müller U, Böhm M. Eur J Heart Fail. 2009 Mar;11(3):299-303. [PubMed] [PDF]
  2. Physician gender effects in medical communication: a meta-analytic review. Roter DL, Hall JA, Aoki Y. JAMA. 2002 Aug 14;288(6):756-64. [PubMed]
  3. Quality of care delivered by general internists in US hospitals who graduated from foreign versus US medical schools: observational study. Tsugawa Y, Jena AB, Orav EJ, Jha AK. BMJ. 2017 Feb 2;356:j273. [PubMed] [PDF]
  4. Physician age and outcomes in elderly patients in hospital in the US: observational study. Tsugawa Y, Newhouse JP, Zaslavsky AM, Blumenthal DM, Jena AB. BMJ.2017 May 16;357:j1797. [PubMed] [PDF]
BÚSQUEDA EN PUBMED:
  • Enunciado: Mortalidad comparada en pacientes tratados por médicos hombres o mujeres
  • Sintaxis: Comparison of mortality in patients treated by male vs female physicians
  • [Resultados]
  

REMI 2227. Manejo antibiótico ante pacientes intubados por coma

ARTÍCULO ORIGINAL: Antibiotic Therapy in Comatose Mechanically Ventilated Patients Following Aspiration: Differentiating Pneumonia From Pneumonitis. Lascarrou JB, Lissonde F, Le Thuaut A, Bachoumas K, Colin G, Henry Lagarrigue M, Vinatier I, Fiancette M, Lacherade JC, Yehia A, Joret A, Lebert C, Bourdon S, Martin Lefèvre L, Reignier J. Crit Care Med. 2017 Aug;45(8):1268-1275.  [PubMed] [Artículos relacionados].
  
INTRODUCCIÓN: Los pacientes en coma presentan elevado riesgo de broncoaspiración. De entre los que la presentan, diferenciar entre neumonitis (por acción del ácido) y neumonía bacteriana (por las bacterias del tracto digestivo) es difícil, y de ello depende el uso de antibióticos [1, 2]. El objetivo de este estudio fue estimar la frecuencia de neumonía bacteriana en pacientes intubados por coma.
  
RESUMEN: Estudio pragmático prospectivo monocéntrico francés. Se incluyeron todos los pacientes que recibieron intubación traqueal por coma que no hubieran recibido antes antibióticos. Si en las primeras 48 horas había sospecha de neumonía por aspiración (infiltrado en la radiografía más fiebre, leucocitosis y aspiración purulenta), se recogía una muestra microbiológica y se iniciaba antibiótico. Si no había sospecha de neumonía, no se iniciaba antibiótico. Si la muestra era negativa, se retiraba el antibiótico y si era positiva se mantenía. Se incluyeron 250 pacientes, de los cuales 152 (60%) no presentaron sospecha de neumonía y 98 (40%) sí la presentaron. De entre estos, el 50% (el 20% del total) presentaron microbiología positiva (S. aureus, Haemophilus y S. pneumoniae). Del 50% con microbiología negativa, sólo el 5% presentó posteriormente una infección respiratoria. Los pacientes que no presentaron sospecha inicial de neumonía, más tarde tampoco la presentaron. Los autores concluyen que si no hay sospecha clínica fundada, parece seguro no iniciar antibióticos y ante la sospecha, debe extraerse una muestra de microbiología e iniciar antibióticos. Si la muestra es negativa, éstos pueden retirarse con seguridad.
  
COMENTARIO: El estudio aportar luz a un tema controvertido. Personalmente destacaría: 1) más de la mitad de los pacientes intubados en coma no presentan una broncoaspiración significativa y por lo tanto, no se debería administrar antibióticos de manera sistemática y prolongada; 2) tampoco estaría justificada la administración de una dosis única de antibiótico en el momento de la intubación para prevenir la neumonía precoz [3, 4]. Con los datos de este estudio, en un 80% de los casos, no sería necesario; 3) si se han iniciado antibióticos, éstos pueden retirarse con seguridad si la microbiología es negativa. Finalmente, recordar que la procalcitonina, tan sobreutilizada últimamente, tampoco sirve para diagnosticar infección bacteriana en estos casos [5].
  
Ferran Roche Campo
Hospital Verge de la Cinta, Tortosa, Tarragona.
© REMI, http://medicina-intensiva.com. Agosto 2017.
  
ENLACES:
  1. Aspiration pneumonitis and aspiration pneumonia. Marik PE. N Engl J Med. 2001 Mar 1;344(9):665-71. [PubMed]
  2. Aspiration pneumonia: a review of modern trends. DiBardino DM, Wunderink RG. J Crit Care. 2015 Feb;30(1):40-8. [PubMed]
  3. Protective effect of intravenously administered cefuroxime against nosocomial pneumonia in patients with structural coma. Sirvent JM, Torres A, El-Ebiary M, Castro P, de Batlle J, Bonet A. Am J Respir Crit Care Med. 1997 May;155(5):1729-34. [PubMed]
  4. Efficacy of single-dose antibiotic against early-onset pneumonia in comatose patients who are ventilated. Vallés J, Peredo R, Burgueño MJ, Rodrigues de Freitas AP, Millán S, Espasa M, Martín-Loeches I, Ferrer R, Suarez D, Artigas A. Chest. 2013 May;143(5):1219-1225. [PubMed]
  5. Diagnostic use of serum procalcitonin levels in pulmonary aspiration syndromes. El-Solh AA, Vora H, Knight PR 3rd, Porhomayon J. Crit Care Med. 2011 Jun;39(6):1251-6. [PubMed] [PDF]
BÚSQUEDA EN PUBMED:
  • Enunciado: Neumonía en pacientes intubados en coma
  • Sintaxis: Pneumonia in comatose mechanically ventilated patients
  • [Resutados]

A233. Big data en la asistencia sanitaria (II)

Autor: Juan B. López-Messa
Complejo Universitario Hospitalario de Palencia.
© REMI, http://medicina-intensiva.com. Julio 2017.
 
FUENTES Y APLICACIONES DEL BIG DATA EN SALUD
  
Un sistema sanitario en continuo aprendizaje debe utilizar la tecnología de la información y la infraestructura de datos sanitarios para aplicar la evidencia científica a nivel asistencial, al mismo tiempo que registra información de dicha asistencia para promover la innovación en los cuidados sanitarios y alimentar nuevos descubrimientos científicos. En un círculo continuo los avances científicos alimentarían la evidencia, ésta a su vez alimentaría la asistencia sanitaria y finalmente ésta última y a través de los datos obtenidos de ella alimentaría la ciencia en sí misma. Se produce un cambio de concepto. La evidencia científica informa la práctica clínica, pero al mismo tiempo la propia práctica clínica alimenta la evidencia.
  
Los datos procedentes del sistema sanitario son necesarios para determinar si se cumplen los criterios de calidad de la asistencia y las fuentes de datos pueden tener diferentes orígenes:
  
1. Registros sanitarios electrónicos (RSE)
2. Registros clínicos
3. Registros de datos administrativos
  
Los RSE están disponibles en la gran mayoría de los hospitales y pueden ser utilizados a nivel local, regional, nacional o internacional. En general incluyen datos demográficos de los pacientes, historial médico, tratamientos y consumo de recursos, y pueden ser fuente de investigación.
  
Los registros clínicos, definidos como bases de datos observacionales de condiciones clínicas y tratamientos, proporcionan la mayor fuente de datos para generar evidencia e investigación. Por ejemplo encontraríamos el Registro de la AHA (Get with de Guidelines) de ictus, parada cardiaca o insuficiencia cardiaca.
  
Los registros de datos administrativos, como los del CMBD, pueden ser de gran utilidad para analizar incidencia de enfermedades, manejo de las mismas y resultados asistenciales. Tienen sus limitaciones, pues generalmente no están basados en codificación adecuada, no incluyen algunos aspectos de la asistencia como las preferencias de los pacientes o nivel socio-económico, no detectan eventos relativos a la calidad asistencial ni las indicaciones para la realización de muchos procedimientos [16, 17].
  
Existen otras fuentes suplementarias de datos, unos procedentes de los propios pacientes, como síntomas, estado funcional, calidad de vida, nivel socioeconómico, lugar de residencia o incluso variables fisiológicas como presión arterial, frecuencia cardiaca, peso, temperatura corporal o glucemia. Las primeras obtenidas a través de cuestionarios, y las segundas a través de modernos dispositivos de mediciones fisiológicas mediante dispositivos implantables internos o externos (dispositivos de prenda o “wearables”). Y otros tipo censales, relativos al entorno donde viven los pacientes, como tipo de vivienda, características de la ciudad donde habitan (polución, transporte, etc.), climatología, tipo de alimentación, situación económica y política, etc. [18].
  
Monitorizar de forma continua la situación de salud de los pacientes aportará una ingente cantidad de datos y podrá por una lado servir para prevenir o detectar situaciones de riesgo, y por otro para aportar la información que podría ser utilizada en el futuro por los profesionales para tratar y predecir la evolución de otros pacientes.
   
Entre los objetivos fundamentales de la utilización de los datos estarían el diseño de métodos de tratamiento y cuidados para pacientes y poblaciones, y el estudio y mejora de métodos de asistencia sanitaria, tratando de innovar y conducir la futura investigación clínica.
   
Y como aplicaciones finales podrían considerarse el análisis predictivo y apoyo a las decisiones clínicas, la mejora de la calidad e implementación de los avances científicos y la utilización de los RSE para seleccionar los pacientes para futuros estudios clínicos y apoyar la propia realización de nuevos ensayos clínicos.
  
Debemos destacar las aplicaciones de tipo predictivo, de gran interés para clínicos, pacientes y el propio sistema. Estas serían:
  
- De los pacientes con alto consumo de recursos
- De reingresos hospitalarios
- De riesgo de eventos adversos y complicaciones
- De descompensaciones clínicas
- De la trayectoria del proceso patológico
  
Entre otras experiencias desarrolladas podemos mencionar el Registro Electrónico de Anestesia (AIMS; Anesthesia Information Management System), que genera una gran base de datos de los pacientes, los tipos de cirugía y anestesia, así como las medicaciones utilizadas y los eventos aparecidos. Su explotación puede ayudar a predecir los posibles eventos que puedan aparecer y las respuestas a los diferentes tipos de anestesia ante distintos tipos de cirugía [19].
  
Por otro lado, muy recientemente se han presentado los resultados de una encuesta realizada entre profesionales, clínicos, líderes médicos y ejecutivos de áres relativas a la salud, sobre qué aspectos consideran más importantes como fuentes de datos dentro del sistema sanitario, así como su evolución en los próximos 5 años. Los datos clínicos son los considerados más relevantes para el 95% en la actualidad y el 82% en 5 años. Le siguen los datos relativos a costes con 56%. Los relativos a los datos proporcionados por los propios pacientes estarían en un 30% pero llegarian al 40% en 5 años. Las preferencias de los pacientes estarían en un 21%, y detacarían la importancia de los datos de la genómica que estarían en el 17% en la actualidad, pero creciendo hasta el 40% en 5 años.
  
Se incrementará por tanto la información generada por los propios pacientes y por los datos de genómica, en lo que denominaríamos medicina personalizada, reforzada por los datos, y que podría mejorar los resultados de la atención a los pacientes e incluso reducir los costes sanitarios.
  
Así mismo, los encuestados consideraron que en la actualidad el uso de los datos de los RSE solo es efectivo para el 36% y que su utilidad podría llegar a se de utilidad para el 81% en coordinación, el 79% en mejorar la toma de decisiones y el 68% en análisis de predicción. Finalmente, sobre la situación actual de los Big data en la asistencia sanitaria, el 32% consideraron que ya hoy en día tiene aplicaciones y un 44% que tendrá aplicaciones en años venideros [20].
  
Muy recientemente también se ha publicado en la revista Medicina Intensiva [21] un artículo de opinión sobre los sistemas de información clínica, de progresiva implantación en las unidades de cuidados intensivos (UCI) y que representan un claro modelo específico de RSE. Los autores concluyen que los datos son y serán el eje de la asistencia y la investigación, y resaltan la importancia de su desarrollo en las UCI por su valor como Big data, a partir de los cuales facilitar la toma de decisiones clínicas de los profesionales, la investigación y proporcionar a pacientes y profesionales valoraciones pronósticas incluso instantáneas, así como de predicción y prevención de posibles eventos [22, 23]. En clara concordancia con lo anterior, Cowie y col. [24] consideran que los RSE generalmente contienen datos demográficos, de estadísticas vitales, datos administrativos, elementos de información adicional o complementaria, información farmacológica, datos clínicos y finalmente datos de los propios pacientes, bien en relación a su situación de fragilidad o calidad de vida, o bien obtenidos a través de dispositivos que analizan su estado fisiológico de forma instantánea. Y por tanto son de gran utilidad para mejorar la eficiencia de los estudios clínicos, ofrecer nuevos campos de investigación, soportar análisis de efectividad comparada y diseños de nuevos ensayos clínicos.
  
UTILIDADES Y DESARROLLOS
   
Las áreas de investigación potenciales para el uso del Big data incluyen los estudios de efectividad comparativa, sobre resultados en salud y el desarrollo e innovación. Esta última es un área con un tremendo potencial de impacto en sanidad. Utilizando y analizando herramientas del Big data tales como sistemas de predicción y algoritmos con datos de estudios clínicos, patrón de enfermedades y datos genómicos, pueden aportar información a la denominada medicina personalizada que pueden llevar a una mayor eficiencia del sistema sanitario. 
   
Por otro lado, aumentar la transparencia de los datos a través de una disponibilidad pública de los mismos podrá tener un importante impacto en proveedores y pacientes. Esta disponibilidad pública servirá para que los pacientes estén mejor informados y los profesionales sanitarios realicen un mejor desempeño. 
  
La llegada del Big data a los cuidados sanitarios marca un punto de inflexión para los proveedores de cuidados sanitarios, y quienes valoren las oportunidades de su uso mejorarán el valor de su desempeño y les convertirá en líderes, dejando atrás a quienes no los utilicen [25].
  
Se han desarrollado y experimentado ya diversas experiencias en el uso del Big data. Na y col. han presentado un estudio en pacientes con insuficiencia cardiaca, sobre un RSE. Analizaron el funcionamiento del modelo de “aprendizaje automático” para pre-diagnosticar insuficiencia cardiaca usando un RSE longitudinal de atención primaria. Las fuentes de datos correspondían a los dominios de diagnóstico, medicaciones, datos de laboratorio, hospitalizaciones, datos demográficos y hábitos, imágenes médicas, signos vitales y signos y síntomas generalmente relacionados con la insuficiencia cardiaca (edema de pulmón, disnea, disnea paroxística nocturna, edemas de extremidades). El modelo se desarrolló en varios periodos o ventanas, uno inicial u observacional, tras el que se establece el riesgo de enfermedad, seguido de otro de predicción, que al finalizar determina un diagnóstico, para finalmente establecer un vector de proceso [26]. Otras experiencias han analizado el campo de la emergencia. Janke y col. han estudiado la utilidad de las grandes bases de datos de pacientes en medicina de emergencias y su valor predictivo, alejándose de los métodos de análisis tradicionales de búsqueda de asociación causal o de estratificación de riesgo. Resaltan las ventajas del análisis de datos en tiempo real para predecir evolución clínica, pero ponen de manifiesto las dificultades de su desarrollo en cuanto al adecuado diseño e infraestructura de las bases de datos, su operatividad para los usuarios y la autorización de los propios pacientes [27].
  
Otro ejemplo de utilización de datos fisiológicos de los pacientes y empleo de métodos analíticos distintos, es el estudio basado en información del proyecto “Telemonitoring to Improve Heart Failure Outcomes” que compara métodos de “aprendizaje automático” con regresión logística, aplicados sobre una extensa base de datos, para la predicción de reingresos de pacientes con insuficiencia cardiaca, demostrando mayor grado de predicción de estos nuevos métodos [15].
  
También, analizando bases de datos de pacientes con insuficiencia cardiaca, como el registro de la AHA de esta patología, mediante estos nuevos métodos, han logrado comparar la calidad de cuidados según distintos tipos de hospital [28]. 
  
Finalmente, utilizando métodos de “aprendizaje automático,” sobre una gran base de datos de 24 hospitales Spertus y col. encontraron los factores asociados a la evolución de los pacientes, con mayor fiabilidad que los análisis convencionales de modelos de regresión logística [29].
  
En resumen, existirían 4 maneras en que el Big data puede ayudar a avanzar en la misión de la prestación de servicios de salud mejorando la calidad y la eficiencia: 1) ampliando considerablemente la capacidad de generar nuevos conocimientos; 2) ayudando en la difusión más simple del mismo, compartiendo los análisis a través de la red; 3) trasladando iniciativas de medicina personalizada a la práctica clínica, integrando sistemas biológicos (genómica) con los RSE, y 4) transfiriendo la información de forma rápida y directa a los pacientes, por un lado asociando datos médicos a otros datos personales (hábitos, situación económica, educación, tipo de trabajo) y por otro facilitando su acceso a dicha información [2].
  
ALGUNOS MODELOS CERCANOS DE LA UTILIZACIÓN DEL BIG DATA EN EL CAMPO DE LA SALUD
  
Próximos a nuestro entorno al menos dos proyectos se están desarrollando en España. En Cataluña se está trabajando en un proceso participativo y deliberativo del programa público de analítica de datos en investigación e innovación en salud [30]. Y por otro lado el Proyecto Savana Médica [31]. Este último es una plataforma que se asienta sobre cualquier Historia Clínica Electrónica, combinando datos estructurados y no estructurados y a través de tecnología de inteligencia artificial da valor a la documentación clínica existente y ofrece diferentes productos relativos a consultas específicas; en estos momentos ya se utiliza en algunos centros sanitarios españoles.
  
Estos modelos, utilizando las grandes bases de datos junto con lo que aportarían los propios datos de los pacientes, en genómica o microbiótica, así como de información sobre su situación fisiológica a través de dispositivos de prenda o wearables, conducirían a lo que se denominaría Medicina de Precisión. Con sistemas como estos se podría evolucionar hacia la denominada Medicina Personalizada y sería un área de Medicina Generadora de Evidencia, a diferencia de la hasta ahora denominada Medicina Basada en la Evidencia
  
DESAFÍOS Y LIMITACIONES
  
Aunque la ciencia actual presenta ciertas limitaciones centradas fundamentalmente en un tamaño limitado de ensayos, no tener en cuenta objetivos primarios que cumplan con los deseos de los pacientes y otros objetivos, como calidad de vida, estado mental, etc., no medición o evaluación de interacciones de los fármacos o dispositivos ensayados, un elevado coste y la no publicación de resultados no convenientes para los patrocinadores, la utilización de la ciencia basada en el Big data también tienen grandes limitaciones, pues sirve para encontrar asociaciones y no causalidad, precisa métodos analíticos sofisticados y no por todos los actores considerados fiables, presenta datos incompletos en muchos registros y sobre todo y generalmente falta de datos importantes de los pacientes, como socioeconómicos, psicológicos y biológicos.
  
Por tanto, se sugiere que lo ideal sería una interacción entre la ciencia clásica actual y la ciencia del Big data, en lo que se denominaría Big Science, cuyas características serían aunar los ensayos clínicos con el Big data, analizar gran número de pacientes y de diferentes orígenes, culturales, geográficos, requiriendo una amplia colaboración internacional y una necesaria filosofía de colaboración en lugar de competitividad [32].
  
El progreso de la medicina se ha producido fundamentalmente en el paso de la creencia al conocimiento basado en la ciencia. Sin embargo, está limitada en su habilidad de aprendizaje de la práctica clínica incluso ante los procesos experimentales que ocurren en el día a día. Disponemos en la actualidad de la posibilidad de manejar bases de datos complejas de diversas dimensiones y de gran tamaño procedentes de ese día a día y de aplicaciones matemáticas capaces de reducir la complejidad de los datos. Esta disponibilidad de datos se debe a la transformación de información médica y documentación clínica en formato digital. El conocimiento adquirido de esta manera proporcionará la oportunidad de disponer de información relevante, segura y significativa. Pero para un adecuado progreso son necesarios elementos de correcto entrenamiento en el manejo de esas grandes bases de datos, el desarrollo de herramientas analíticas para su adecuada aplicación, la posibilidad de una replicación de resultados y fundamentalmente la transparencia y diseminación compartida de toda la información. Para ello serán necesarios dos elementos importantes, por un lado la adecuada inversión económica necesaria para el desarrollo tanto de las bases de datos como de los elementos de análisis, y la colaboración de diversas organizaciones para el desarrollo de la investigación y la necesidad de compartir dicha información [33].
   
Así mismo, no deberá desestimarse que en la utilización de grandes registros sanitarios existe la posibilidad de violaciones de la seguridad, bien por fallos involuntarios o intervenciones maliciosas, siendo imprescindibles adecuadas medidas de seguridad, en lo que se ha denominado “buena higiene de datos” [34]. A diferencia de otras industrias, en el ámbito de la salud, resulta difícil obtener valor de fuentes de datos heterogéneas para su integración y análisis. Las bases de datos de salud suelen estar protegidas por las instituciones que las controlan y aisladas con el fin de proteger la privacidad de los datos personales de los pacientes. Es necesario, por tanto, enlazar las diferentes bases de datos a fin de obtener resultados que influyan sobre los cuidados sanitarios tras su análisis, pero es necesaria también una legislación adecuada al respecto y avanzar incluso a la obtención sistemática de permisos o “consentimientos informados” de los propios pacientes, para facilitar compartir los datos, permitir un análisis global en beneficio de otros pacientes y del propio sistema sanitario [35].
  
Otro aspecto importante es prestar atención a la calidad de los datos que se incluyan en el Big data para su análisis. El valor derivado del análisis de datos debe ser el primer determinante de la calidad de los mismos. Las instituciones que se embarquen en el análisis del Big data deben disponer de un “mapa de ruta” para una aproximación sistemática a la calidad de los datos y deben generar sus propios sistemas de valoración, verificación y control de la calidad de la información [36, 37]. Este aspecto relativo a la calidad de los datos se pone de manifiesto claramente en el reciente estudio publicado por Ahsmad y col., en el que se demuestran importantes diferencias de exactitud entre un registro específico clásico y los registros electrónicos automatizados en enfermedades cardiovasculares, donde los primeros consiguen mayor exactitud [38].
  
Por otro lado, existen varias barreras importantes para la adopción generalizada de grandes datos en la atención de la salud. A primera vista, parece que no hay incentivos fuertes o patrocinadores que potencien su uso dentro en los grupos clínicos u hospitales; no parecen resueltos los problemas de seguridad; y además, las plataformas actuales de RES están fragmentadas y tienen una interoperabilidad limitada. Finalmente, habrá considerables problemas de privacidad, que requerirán soluciones similares y quizás incluso más extensas que aquellos necesarios para proteger los datos financieros confidenciales en otros sectores [2].
  
A pesar de todas las limitaciones del Big data, en la actualidad muchos procesos son difíciles de analizar a través de ensayos clínicos, como podría ser el caso de la parada cardiaca. La utilización de grandes registros o bases de datos y el empleo de herramientas analíticas, puede aportar información y evidencia para la práctica asistencial [39].
  
Un posible paso intermedio ya bastante extendido, es la aplicación de los análisis de propensión a grandes bases de datos intentando suplantar de alguna manera a los ensayos clínicos, comparando retrospectivamente grupos homogéneos de pacientes y su respuesta ante diferentes procedimientos o terapias [40-44].
   
BIG DATA Y BIOÉTICA
  
La innovación no debe olvidar los aspectos éticos y los derechos fundamentales de las personas. Hasta ahora la anonimización de los datos ha representado la garantía que permitía cumplir con las regulaciones de protección de datos personales. Pero actualmente está acreditado que dicha anonimización no garantiza la privacidad de los datos personales, puesto que mediante técnicas de ingeniería informática es posible volver a conectar los datos con la persona a quien pertenecen. Es necesario por tanto, encontrar una base que legitime el análisis de datos personales de salud a gran escala. Por todo ello, el Grupo de Opinión del Observatorio de Bioética y Derecho de la Universidad de Barcelona ha presentado algunas recomendaciones [45], de las que entre otras se podrían destacar. Exigir se solicite y se obtenga el consentimiento expreso de los usuarios para la utilización de datos de salud con fines diferentes para los que se obtuvieron, estableciendo excepciones a dicha exigencia en estudios de vigilancia epidemiológica, registros sanitarios oficiales y estudios observacionales de salud pública que cuenten con un dictamen favorable de un comité de ética en investigación. Establecer mecanismos de control en el tratamiento de los datos con responsabilidad de los organismos públicos. Promover un código ético para la reutilización de datos de salud. Reforzar la formación en deontología y ética profesional de los implicados en la custodia y manejo de los datos. Y contribuir al desarrollo de una cultura de respeto a la intimidad y la confidencialidad de los datos personales, dada la especial protección que requieren los datos sanitarios. 
   
CONCLUSIONES
   
La era digital ha provocado la confluencia de la medicina con la tecnología y la ciencia básica para desarrollar nuevas aplicaciones para mejorar la asistencia sanitaria, la medicina de precisión y la obtención automática de información médica para facilitar la toma de decisiones. El rápido progreso de la ciencia sanitaria se basaría en tres aspectos:
  
1- Big data, con la agregación de información de gran volumen y compleja procedente de RSE, redes sociales, bases de datos genómicas y datos fisiológicos proporcionados por dispositivos móviles. 
  
2- Iniciativas abiertas para facilitar la disponibilidad de datos clínicos, de investigación y de fuentes procedentes de los propios pacientes, que puedan ser compartidas.
  
3- Técnicas analíticas de los Big data, de inteligencia artificial, que pueden realizar análisis de información estructurada y no estructurada.
  
Pero el desarrollo de todo ello tiene importantes implicaciones, como la necesidad de formación en la ciencia de los datos, la creación de equipos de trabajo e investigación formados por investigadores básicos, bioinformáticos, ingenieros, clínicos, gestores sanitarios, empresas, etc, y la financiación, a través de inversiones de instituciones sanitarias, empresas, sociedades científicas y profesionales, etc. [46].
  
Los rendimientos finales, serán la elaboración de nuevos sistemas de medida basados en la innovación, la creación de nuevas revistas dedicadas en exclusiva a la ciencia de los datos como las ya existentes “Big Data Research” o “Journal of Big Data”, redes sociales del sector de salud, etc.
   
La implicación de los futuros profesionales en el conocimiento y manejo de las grandes bases de datos será imprescindible. Los clínicos implicados en la práctica diaria deberán participar en la elaboración de las bases de datos, para así ser de utilidad para el futuro desarrollo de dicha práctica.[47]. El Big data promete transformar la rápida colección de datos en salud y convertirlos en conocimiento de utilidad para aplicar una medicina personalizada. Los métodos tradicionales de investigación clínica no pueden manejar la gran cantidad de datos en volumen, variedad, velocidad y veracidad. Los estudios observacionales podrían complementar los ensayos clínicos en la generación de hipótesis, establecer preguntas para futuros estudios y definir las condiciones clínicas, aunque de ninguna manera cuestionar su valor como método para la experimentación científica [48, 49].
  
Los ejemplos de utilización del Big data en sanidad son todavía escasos y plantean problemas no resueltos sobre si se producirá una transformación del modelo asistencial o simplemente supondrá un incremento de información sin utilidad práctica [50].
  
Aunque el Big data promete transformar el cuidado de la salud, en el ciclo de las tecnologías emergentes, probablemente “el aprendizaje automático y otras herramientas informáticas cabalgan por encima del pico de expectativas infladas" y es necesario apreciar mejor las capacidades y limitaciones de la tecnología [51].
  
La gran cantidad de datos que se pueden conseguir precisa de un claro y definido sistema de gobierno, regulación de su utilización, protección de privacidad y seguridad en su administración y almacenaje.
  
Finalmente, dos grandes incógnitas se plantean por tanto. ¿Sustituirá el Big data los clásicos sistemas de recogida de datos y su análisis? ¿podrá la tecnología substituir el pensamiento médico?

Autor: Juan B. López-Messa
Complejo Universitario Hospitalario de Palencia.
© REMI, http://medicina-intensiva.com. Julio 2017.
   
BIBLIOGRAFÍA
  1. Viktor Mayer-Schönberger y Kenneth Cukier. Big data, la revolución de los datos masivos. Noema, 2015.
  2. Murdoch TB, Detsky AS. The inevitable application of Big data to health care. JAMA 2013; 309: 1351-1352.
  3. José María Alvarez-Pallete, presidente de Telefónica. El Pais 19/06/2017.
  4. Pallarés G. Big data. Cómo usar los datos para que nadie se quede atrás. El País 18/01/2017.
  5. Poterack KA, Ramakrishna H. Converting data into information and knowledge: The promise and the reality of electronic medical records. Ann Card Anaesth 2015; 18: 290-292.
  6. Weil AR. Big Data In Health: A New Era For Research And Patient Care. Health Aff 2014; 33: 1110.
  7. Kesselheim AS, Avorn J. New "21st Century Cures" Legislation: Speed and Ease vs science. JAMA 2017; 317: 1481-1482.
  8. Sherman RE, Anderson SA, Dal Pan GJ eta l. Real-world evidence-what can it tell us? N Engl J Med 2016; 375: 2293-2297.
  9. Kim J. Big data, health informatics, and the future of cardiovascular medicine. J Am Coll Cardiology 2017; 69: 899-901.
  10. Wang L, Alexander CA. Big data in medical applications and health care. Am Med J 2015; 6: 1-8.
  11. Herland M, Khoshgoftaar TM, Wald R. A review of data mining using big data in health informatics. Journal of Big data 2014; 1: 2.
  12. Sakr S, Elgamma A. Towards a comprehensive data analytics framework for smart healthcare services. Big Data Research 2016; 4: 44-58.
  13. Groenevld PW, Rumsfeld JS. Can Big data fulfill his promise? Circ Cardiovasc Qual Outcomes 2016; 9: 679-682. 
  14. Simpao AF, Ahumada LM, Rehman MA. Big data and visual analytics in anaesthesia and health care. Br J Anaesthesia 2015; 115: 350-356.
  15. Mortazavi BJ, Downing NS, Bucholz EM, et al. Analysis of machine learning techniques for heart failure readmissions. Circ Cardiovasc Qual Outcomes 2016; 9: 629-640.
  16. Maddox TM, Albert NM, Borden WB, et al. The learning healthcare system and cardiovascular care. Circulation 2017; DOI:10.1161/CIR.0000000000000480.
  17. Smith MD, Institute of Medicine (US). Committee on the Learning Health Care System in America. Best Care at Lower Cost:The Path to Continuously Learning Health Care in America. Washington, DC: National Academies Press; 2013. https://www.nap.edu/catalog/13444/best-care-at-lower-cost-the-pathto-continuously-learning.
  18. Ser protagonista de tu salud. Diario El Pais 18/04/2017.
  19. Poterack KA, Ramakrishna. Converting data into information and knowledge: the promise and the reality of electronic medical records. Ann Card Anaesth 2015; 18: 290-292.
  20. Compton-Philips A. Care redesign. What data can really do for health care. NEJM Catalyst March 2017.
  21. Bodí M, Blanch Ll, Maspons R. Los sistemas de información clínica: una oportunidad para medir valor, investigar e innovar a partir del mundo real. Med Intensiva 2017; 41: 316-318.
  22. Ghassemi M, Celi LA, Stone DJ. State of the art review: The data revolution in critical care. Crit Care 2015; 19: 118.
  23. Cooke CR, Iwashyna TJ. Using existing data to address important clinical questions in critical care. Crit Care Med 2013; 41: 886-896.
  24. Cowie MR, Blomster JI, Curtis LH, et al. Electronic health records to facilitate clinical research. Clin Res Cardiol 2017; 106: 1-9.
  25. Cisami RJ, Zigrang TA, Sharamitaro AP. Application of big data in today’s healthcare environment. Health Capital Topics 2013; 6: 8.
  26. K, Steinhubl SR, de Filippi C, Dey S, Stewart WF. Early detection of heart failure using electronic health records. Practical implications for time before diagnosis, data diversity, data quantity, and data density. Circ Cardiovasc Qual Outcomes 2016; 9: 649-658.
  27. Janke AT, Overbeek DL, Kocher KE, Levy PD. Exploring the potential of predictive analytics and big data in emergency care. Ann Emerg Med 2016; 67: 227-236.
  28. Patel DB, Shah RM, Bhatt DL, et al. Guideline-appropiate care and in-hospital outcomes in patients with heart failure in teaching and non-teaching hospitals. Findings from get with the guidelines-Heart Failure. Circ Cardiovasc Qual Outcomes 2016; 9: 757-766.
  29. Spertus JV, Normand S-L, Wolf RMS, et al. Assessing hospital performance after percutaneous coronary intervention using big data. Circ Cardiovasc Qual Outcomes 2016;9:659-669 Murdoch TB, Detsky AS. The inevitable application of Big data to health care. JAMA 2013; 309: 1351-1352.
  30. Proyecto VISC+ Disponible en: http://aquas.gencat.cat/ca/projectes/analitica.dades.
  31. Savana Médica. https://www.savanamed.com.
  32. Montori VM. Big Science. Research collaboration for evidence-based care. Circ Caviovasc Qual Outcomes 2016; 9: 688-692.
  33. Krumholz HM. The promise of bib data. Opportunities and challenges. Circ Cardiovasc Qual Outcomes 2016; 9: 616-617.
  34. Bai G, Jiang J, Flasher R. Hospital risk of data breaches. JAMA Intern Med 2017; 273: 1-9.
  35. Weber GM, Mandl KD, Kohane IS. Finding the missing link for big biomedical data. JAMA 2014; 311: 2479-2480.
  36. Sukumar SR, Natarajan R, Ferrell RK. Quality of big data in health care. Int J Health Care Qual Assur 2015; 28: 621-634.
  37. Cresswell KM, Bates DW, Sheikh A. Why Every Health Care Organization Needs a Data Science Strategy? N Engl J Med Catalyst March 22, 2017.
  38. Ahmad FS, Chan C, Rosenman MB, et al. Validity of cardiovascular data from electronic sources: The Multi-Ethnic study of aterosclerosis and HealthLNK. Circulation 2017; DOI: 10.1161/CIRCULATIONAHA.117.027436.
  39. Angus DC. Wheter to intubate during cardiopulmonary resuscitation. Conventional wisdom vs Big data. JAMA 2017; 317: 477-478.
  40. Perman S, Stanton E, Soar J, et al. Location of in-hospital cardiac arrest in the United States-Variability in event rate and outcomes. J Am Heart Assoc 2016; 1: 37-45.
  41. Andersen L, Raymond TT, Berg RA, et al. Association between tracheal intubation during pediatric in-hospital cardiac arrest and survival. JAMA 2016; 316: 1786-1797.
  42. Sutton RM, French B, Meaney PA, et al. Physiologic monitoring of CPR quality during adult cardiac arrest: A propensity-matched cohort study. Resuscitation 2016; 106: 76-82.
  43. Haukoos JS, Lewis RJ. The propensity score. JAMA 2015; 314: 1637-1638.
  44. Bosch-Gaya, L. Matute-Blanco, D. Fernández-Rodríguez. Análisis estadísticos comparativos en los estudios epidemiológicos observacionales. Med Intensiva 2017. http://dx.doi.org/10.1016/j.medin.2017.02.005.
  45. Llàcer MR, Casado M, Buisán L (coordinadores). Grupo de Opinión del Observatori de Bioètica i Dret de la Universitat de Barcelona. Observatori de Bioètica i Dret. Documento sobre Bioética y Big data de salud: explotación y comercialización de los datos de los usuarios de la sanidad. Barcelona 2015.
  46. Bhavnani SP, Muñoz D, Bagai A. Data science in healthcare. Implicactions for early career investigators. Circ Cardiovasc Qual Outcomes 2016; 9: 683-687.
  47. Moskowitz A, McSparron J, Stone DJ, Celi LA. Preparing a New Generation of Clinicians for the era of Big Data. Harv Med Stud Rev 2015; 2: 24-27. 
  48. Nallamothu BK. Moving from big data to vital insights. Circ Cardiovasc Qual Outcomes 2016; 9: 615.
  49. Roski J, Bo-Linn GW, Andrews TA. Creating Value In Health Care Through Big Data: Opportunities and Policy Implications. Health Aff 2014; 33: 1115-1122.
  50. Van Poucke S, Thomeer M, Heath J, Vukicevic M. Are randomized controlled trials the gold standard? From clinical intelligence to prescriptive analytics. J Med Internet Res 2016; 18: e185.
  51. Chen JH, Asch SM. Machine Learning and Prediction in Medicine - Beyond the Peak of Inflated Expectations. N Engl J Med 2017; 376: 2507-2509.
 
(primera parte: A232)

REMI 2232. Oxígeno en el infarto agudo de miocardio

ARTÍCULO ORIGINAL: Oxygen Therapy in Suspected Acute Myocardial Infarction. Hofmann R, James SK, Jernberg T, Lindahl B, Erlinge D, Witt N...