Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad

Título: Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad Justificación: El dengue es una enfermedad infecciosa endo-epidémica de etiología viral. Constituye un p...

Full description

Autores:: Quiroga Castañeda, Sandra Milena

Tipo de recurso:

Fecha de publicación:: 2024

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_8785f41d74faa5d1da6198278d60df05
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/26824
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad
dc.title.translated.spa.fl_str_mv	Development of a prediction model to estimate progression to severe dengue (shock or transfer to higher-complexity- level center) among patients with confirmed dengue infection
title	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad
spellingShingle	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad Medical sciences Health sciences Prediction model Transfer Shock Prognosis Hemorrhagic fever Epidemiology Public health Vector insects Medical prognosis Ciencias médicas Fiebre hemorrágica Epidemiología Salud pública Insectos vectores Pronóstico médico Ciencias de la salud Dengue Modelo de predicción Pronóstico Choque Remisión Transferencia
title_short	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad
title_full	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad
title_fullStr	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad
title_full_unstemmed	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad
title_sort	Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad
dc.creator.fl_str_mv	Quiroga Castañeda, Sandra Milena
dc.contributor.advisor.none.fl_str_mv	Villar Centeno, Luis Ángel
dc.contributor.author.none.fl_str_mv	Quiroga Castañeda, Sandra Milena
dc.contributor.cvlac.spa.fl_str_mv	Villar Centeno, Luis Ángel [0000048488]
dc.contributor.orcid.spa.fl_str_mv	Quiroga Castañeda, Sandra Milena [0009-0002-8824-0545]
dc.subject.keywords.spa.fl_str_mv	Medical sciences Health sciences Prediction model Transfer Shock Prognosis Hemorrhagic fever Epidemiology Public health Vector insects Medical prognosis
topic	Medical sciences Health sciences Prediction model Transfer Shock Prognosis Hemorrhagic fever Epidemiology Public health Vector insects Medical prognosis Ciencias médicas Fiebre hemorrágica Epidemiología Salud pública Insectos vectores Pronóstico médico Ciencias de la salud Dengue Modelo de predicción Pronóstico Choque Remisión Transferencia
dc.subject.lemb.spa.fl_str_mv	Ciencias médicas Fiebre hemorrágica Epidemiología Salud pública Insectos vectores Pronóstico médico
dc.subject.proposal.spa.fl_str_mv	Ciencias de la salud Dengue Modelo de predicción Pronóstico Choque Remisión Transferencia
description	Título: Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad Justificación: El dengue es una enfermedad infecciosa endo-epidémica de etiología viral. Constituye un problema de salud pública a nivel mundial. Múltiples factores favorecen la propagación tanto del vector como del virus, así como también la circulación permanente de todos los serotipos de éste último. La carga de enfermedad asociada es alta, tiene un amplio espectro de presentación clínica, desde asintomática hasta letal. Existe una brecha del conocimiento amplia relacionada con la estimación temprana del riesgo de complicar. Objetivo: Desarrollar un modelo de predicción pronóstico que permita estimar en el sujeto con dengue en estadio febril, el riesgo de complicar con choque o requerir manejo en centro de alta complejidad de atención. Metodología Diseño: Desarrollo de modelo de predicción pronóstico. Estudio secundario derivado de cohorte prospectiva. Población : participantes con edad ≥ 2 años, cualquier sexo, con dengue confirmado en etapa febril (clínica + NS1 y/o IgM positiva), procedentes de Bucaramanga y su área metropolitana, atendidos por primera vez en institución de primer nivel. Tamaño de muestra: Al menos 10 eventos por cada parámetro predictor candidato. El modelo se desarrolló en 254 participantes. Se realizó validación interna a través de remuestreo usando bootstrapping. Predictores: El modelo seleccionado incluyó los siguientes predictores: edad, índice de choque (frecuencia cardiaca / presión arterial sistólica), NLR (relación neutrófilos/linfocitos), hemoglobina, hematocrito y plaquetas. Desenlace compuesto: presentar choque por dengue o requerir transferencia a centro de alta complejidad de atención por empeoramiento clínico. Análisis estadístico y resultados Se utilizó el programa RStudio versión 4.4.0. Se realizó regresión logística múltiple, con selección de predictores utilizando el método forward. Se estimaron coeficientes de regresión, log odds, odds ratios, interceptos, pendientes y likelihood ratio. El evento compuesto se presentó en el 20,08% de los participantes. Se encontró que por cada unidad de cambio en el NLR el riesgo de desarrollar el evento compuesto se incrementa en un 29% (p: 0,008); independientemente del índice de choque, las plaquetas, la edad, la hemoglobina o el hematocrito. Se obtuvo una p de 0,52 para la prueba de Hosmer Lemeshow, el estadístico C resultó en 0,7273 con un intervalo de confianza del 95% (IC95%) de 0,65 a 0,81. El IC 95% del estadístico C, al probar el modelo luego de hacer boostraping en muestreos al azar durante 100 réplicas, es de 0,63 a 0,78. Se creó una calculadora de estimación de riesgo individual utilizando los coeficientes, de uso fácil, práctico y asequible. Conclusión: El modelo de predicción desarrollado en el presente estudio se basa en un enfoque pragmático e incluye predictores de sencilla obtención. Tiene una bondad de ajuste favorable, un buen rendimiento en términos de calibración y discriminación. Su uso puede traer beneficios, no atañe más costos, ni representa riesgos o cambios desfavorables respecto al cuidado estándar y constituye una herramienta (regla de predicción de asistencia) que promete puede ser valiosa a la hora de tomar decisiones.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-10-05T15:57:35Z
dc.date.available.none.fl_str_mv	2024-10-05T15:57:35Z
dc.date.issued.none.fl_str_mv	2024-09-27
dc.type.eng.fl_str_mv	Thesis
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.local.spa.fl_str_mv	Tesis
dc.type.hasversion.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TM
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/26824
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/26824
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Directrices para el diagnóstico clínico y el tratamiento del dengue, el chikunguña y el zika. [Internet]. Pan American Health Organization; 2021. [Consultado 2023 Feb 15]. Disponible en: https://iris.paho.org/handle/10665.2/55125 Moloney RM, Kmush B, Rudolph KE, Cummings DAT, Lessler J. Incubation Periods of Mosquito-Borne Viral Infections: A Systematic Review. Am J Trop Med Hyg. 2014;90:882–91. DeHart RL. Health Issues of Air Travel. Annu Rev Public Health. 2003;24:133–51. Abdel-Haq N, Asmar BI. Fever in the Returned Pediatric Traveler. Glob Pediatr Health. 2021;8:2333794X2110261. Roy SK, Bhattacharjee S. Dengue virus: epidemiology, biology, and disease aetiology. Can J Microbiol. 2021;67:687–702. Bhatt S, Gething PW, Brady OJ, Messina JP, Farlow AW, Moyes CL, et al. The global distribution and burden of dengue. Nature. 2013;496:504–7. Shepard DS, Undurraga EA, Halasa YA, Stanaway JD. The global economic burden of dengue: a systematic analysis. Lancet Infect Dis. 2016;16:935–41. Harapan H, Michie A, Sasmono RT, Imrie A. Dengue: A Minireview. Viruses. 2020;12:829. Raafat N, Blacksell SD, Maude RJ. A review of dengue diagnostics and implications for surveillance and control. Trans R Soc Trop Med Hyg. 2019;113:653–60. Muller DA, Depelsenaire ACI, Young PR. Clinical and Laboratory Diagnosis of Dengue Virus Infection. J Infect Dis. 2017;215:S89–95. Low GKK, Kagize J, Faull KJ, Azahar A. Diagnostic accuracy and predictive value in differentiating the severity of dengue infection. Tropical Medicine & International Health. 2019;24:1169–97. Low G-K, Looi S-Y, Yong M-H, Sharma D. Predictive and diagnostic test accuracy of ultrasonography in differentiating severe dengue from nonsevere dengue. J Vector Borne Dis. 2018;55:79. Phakhounthong K, Chaovalit P, Jittamala P, Blacksell SD, Carter MJ, Turner P, et al. Predicting the severity of dengue fever in children on admission based on clinical features and laboratory indicators: application of classification tree analysis. BMC Pediatr. 2018;18:109. Yuan K, Chen Y, Zhong M, Lin Y, Liu L. Risk and predictive factors for severe dengue infection: A systematic review and meta-analysis. PLoS One. 2022;17:e0267186. Steyerberg EW, Vergouwe Y. Towards better clinical prediction models: seven steps for development and an ABCD for validation. Eur Heart J. 2014;35:1925–31. Bennett SN, Drummond AJ, Kapan DD, Suchard MA, Munoz-Jordan JL, Pybus OG, et al. Epidemic Dynamics Revealed in Dengue Evolution. Mol Biol Evol. 2010;27:811–8. Instituto Nacional de Salud. [Internet]. Colombia. Reporte Epidemiológico Nacional. [Consultado 2023 Sep 1]. Disponible en: https://www.ins.gov.co/buscador-eventos/BoletinEpidemiologico/ Instituto Nacional de Salud. [Internet]. Colombia. Reporte Epidemiológico Semanal. [Consultado 2024 Jul 1]. Disponible en: https://www.ins.gov.co/buscador-eventos/Paginas/Vista-Boletin-Epidemilogico.aspx Guzman MG, Harris E. Dengue. The Lancet. 2015;385:453–65. Wong JM, Adams LE, Durbin AP, Muñoz-Jordán JL, Poehling KA, Sánchez-González LM, et al. Dengue: A Growing Problem With New Interventions. Pediatrics. 2022;149. National Library of Medicine. MeSH. [Internet]. United States. [Consultado 2023 Sep 1]. Disponible en: https://www.ncbi.nlm.nih.gov/mesh/?term=dengue. Roy SK, Bhattacharjee S. Dengue virus: epidemiology, biology, and disease aetiology. Can J Microbiol. 2021;67:687–702. Pardo-Martínez DO-MBA-RA. Dinámica de la respuesta inmune en la infección por virus del dengue. . MediSur [en línea]. 2018;16:76–84. St. John AL, Rathore APS. Adaptive immune responses to primary and secondary dengue virus infections. Nat Rev Immunol. 2019;19:218–30. Velandia ML, Castellanos JE. Virus del dengue: estructura y ciclo viral. Infectio. 2011;15:33–43. Guzman MG, Gubler DJ, Izquierdo A, Martinez E, Halstead SB. Dengue infection. Nat Rev Dis Primers. 2016;2:16055. Ciclo de vida de los mosquitos aedes. US Centers for disease control prevention. [Internet]. United States. [Consultado May 1 2023]. Disponible en: https://www.cdc.gov/mosquitoes/es/about/life-cycles/aedes.html. Naranjo-Gómez JS, Castillo-Ramírez JA, Velilla-Hernández PA, Castaño-Monsalve DM. Inmunopatología del dengue: importancia y participación de los monocitos y sus subpoblaciones. Iatreia. 2019;32:204–16. PAHO. Dengue. Información al detalle. Fases de la enfermedad. [Consultado 2023 May 1]. Disponible en: https://www.paho.org/es/temas/dengue. Kok BH, Lim HT, Lim CP, Lai NS, Leow CY, Leow CH. Dengue virus infection – a review of pathogenesis, vaccines, diagnosis and therapy. Virus Res. 2023;324:199018. Shah S, Abbas G, Riaz N, Anees ur Rehman, Hanif M, Rasool MF. Burden of communicable diseases and cost of illness: Asia pacific region. Expert Rev Pharmacoecon Outcomes Res. 2020;20:343–54. Junior JBS, Massad E, Lobao-Neto A, Kastner R, Oliver L, Gallagher E. Epidemiology and costs of dengue in Brazil: a systematic literature review. International Journal of Infectious Diseases. 2022;122:521–8. Gubler DJ. The Economic Burden of Dengue. Am J Trop Med Hyg. 2012;86:4743–4. Rather IA, Parray HA, Lone JB, Paek WK, Lim J, Bajpai VK, et al. Prevention and Control Strategies to Counter Dengue Virus Infection. Front Cell Infect Microbiol. 2017;7. Huang C-H, Tsai Y-T, Wang S-F, Wang W-H, Chen Y-H. Dengue vaccine: an update. Expert Rev Anti Infect Ther. 2021;19:1495–502. Cowley LE, Farewell DM, Maguire S, Kemp AM. Methodological standards for the development and evaluation of clinical prediction rules: a review of the literature. Diagn Progn Res. 2019;3:16. Isaza-Jaramillo S, Jaimes-Barragán F. Ronda clínica y epidemiológica: aproximación a los modelos de predicción clínica. IATREIA. 2017;30:92–9. Moons KGM, Kengne AP, Woodward M, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker. Heart. 2012;98:683–90. Gallagher CA, Chudzinska M, Larsen‐Gray A, Pollock CJ, Sells SN, White PJC, et al. From theory to practice in pattern‐oriented modeling: identifying and using empirical patterns in predictive models. Biological Reviews. 2021;96:1868–88. Moons KGM, Kengne AP, Grobbee DE, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction models: II. External validation, model updating, and impact assessment. Heart. 2012;98:691–8. Ewout W. Steyerberg. Clinical Prediction Models A Practical Approach to Development, Validation, and Updating. 2009 Springer Science+Business Media, LLC. ISBN: 978-0-387-77243-1 e-ISBN: 978-0-387-77244-8. DOI: 10.1007/978-0-387-77244-8. Hyelan Lee, Seungjae Hyun, and Sangshin Park. Comprehensive analysis of multivariable models for predicting severe dengue prognosis: systematic review and meta-analysis. Trans R Soc Trop Med Hyg 2023; 117 : 149–160 https://doi.org/10.1093/trstmh/trac108 Paz-Bailey G, Sánchez-González L, Torres-Velasquez B, Jones ES, Perez-Padilla J, Sharp TM, et al. Predominance of Severe Plasma Leakage in Pediatric Patients With Severe Dengue in Puerto Rico. J Infect Dis. 2022;226:1949–58. Guo C, Zhou Z, Wen Z, Liu Y, Zeng C, Xiao D, et al. Global Epidemiology of Dengue Outbreaks in 1990–2015: A Systematic Review and Meta-Analysis. Front Cell Infect Microbiol. 2017;7. Jasamai M, Yap WB, Sakulpanich A, Jaleel A. Current prevention and potential treatment options for dengue infection. Journal of Pharmacy & Pharmaceutical Sciences. 2019;22:440–56. Gustavo Gómez, Heather Hufstedler, Carlos Montenegro Morales, Yannik Roell , Anyela Lozano-Parra, Adriana Tami, Tereza Magalhaes, Ernesto T A Marques, Angel Balmaseda, Guilherme Calvet, Eva Harris, Patricia Brasil, Victor Herrera, Luis Villar, Lauren Maxwell, Thomas Jaenisch; ReCoDID Arbovirus harmonization study group. Pooled Cohort Profile: ReCoDID Consortium's Harmonized Acute Febrile Illness Arbovirus Meta-Cohort. JMIR Public Health Surveill. 2024 Jul 23:10:e54281. doi: 10.2196/5428. Yiran E Liu, Sirle Saul, Aditya Manohar Rao, Makeda Lucretia Robinson, Olga Lucia Agudelo Rojas, Ana Maria Sanz, Michelle Verghese, Daniel Solis, Mamdouh Sibai, Chun Hong Huang, Malaya Kumar Sahoo, Rosa Margarita Gelvez, Nathalia Bueno, Maria Isabel Estupiñan Cardenas, Luis Angel Villar Centeno, Elsa Marina Rojas Garrido, Fernando Rosso, Michele Donato, Benjamin A Pinsky, Shirit Einav, Purvesh Khatri. An 8-gene machine learning model improves clinical prediction of severe dengue progression. Genome Med. 2022 Mar 29;14(1):33. doi: 10.1186/s13073-022-01034-w. M V Rashmi, Hamsaveena. Haematological and biochemical markers as predictors of dengue infection. Malays J Pathol. 2015 Dec;37(3):247-51. Md Shahid Ansari, Dinesh Jain, Haripriya Harikumar, Santu Rana, Sunil Gupta, Sandeep Budhiraja, Svetha Venkatesh. Identification of predictors and model for predicting prolonged length of stay in dengue patients. Health Care Manag Sci. 2021 Dec;24(4):786-798. doi: 10.1007/s10729-021-09571-3. Epub 2021 Aug 14. Afsheen Mahmood, Anwar Ul Haq, Said Amin, Fawad Rahim, Mohammad Noor, Huma Gul, Sheraz Zafar, Sobia Ahmed Qureshi, Khaula Batul, Mohsina Haq. Predictors of Mortality in Patients With Dengue Fever: Insights From a Comparative Analysis. Cureus. 2023 Mar 12;15(3):e36040. doi: 10.7759/cureus.36040. eCollection 2023 Mar. Juan Fidel Osuna-Ramos, José Manuel Reyes-Ruiz, Luis Antonio Ochoa-Ramírez, Luis Adrián De Jesús-González, Rosalío Ramos-Payán, Carlos Noe Farfan-Morales, Alejandra Romero-Utrilla, Efrén Rafael Ríos-Burgueño, José Rodríguez-Millán, Rosa María Del Ángel, Jesús Salvador Velarde-Félix. The Usefulness of Peripheral Blood Cell Counts to Distinguish COVID-19 from Dengue during Acute Infection. Trop Med Infect Dis. 2022 Jan 30;7(2):20. doi: 10.3390/tropicalmed7020020. Zhiwei Huang, Zhaoyin Fu, Wujun Huang, Kegang Huang. Prognostic value of neutrophil-to-lymphocyte ratio in sepsis: A meta-analysis Am J Emerg Med. 2020 Mar; 38(3):641-647. doi: 10.1016/j.ajem.2019.10.023. Patrice Forget, Céline Khalifa, Jean-Philippe Defour, Dominique Latinne, Marie-Cécile Van Pel, Marc De Kock. What is the normal value of the neutrophil-to-lymphocyte ratio?. BMC Res Notes. 2017 Jan 3;10(1):12. doi: 10.1186/s13104-016-2335-5. Parisa Hashemi Moghanjoughi, Sina Neshat, Abbas Rezaei, Kiyan Heshmat-Ghahdarijani. Is the Neutrophil-to-Lymphocyte Ratio an Exceptional Indicator for Metabolic Syndrome Disease and Outcomes? Endocr Pract. 2022 Mar;28(3):342-348. doi: 10.1016/j.eprac.2021.11.083. Epub 2021 Nov 24. Tariq M Bhat, Maxwell E Afari, Lawrence A Garcia. Neutrophil lymphocyte ratio in peripheral vascular disease: a review. Expert Rev Cardiovasc Ther. 2016 Jul;14(7):871-5. doi: 10.1586/14779072.2016.1165091. Epub 2016 Apr 12. Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS) en colaboración con la Organización Mundial de la Salud (OMS). Cuarta Edición. Ginebra: Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS); 2016. Pautas éticas internacionales para la investigación relacionada con la salud con seres humanos. 2016. Ezequiel Emanuel. Pautas Éticas de Investigación en Sujetos Humanos. Nuevas perspectivas. ¿Qué hace que la investigación clínica sea ética? Siete requisitos. 2002. p. 83–95. Ministerio de Salud República de Colombia. Resolución 8430 de 1993. Por la cual se establecen las normas científicas, técnicas y administrativas para la investigación en salud. 1993. p. 1–19. Disponible en: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/DIJ/RESOLUCION-8430-DE-1993.PDF Sorawat Sangkaew, Damien Ming, Adhiratha Boonyasiri, Kate Honeyford, Siripen Kalayanarooj, Sophie Yacoub, Ilaria Dorigatti, Alison Holmes. Risk predictors of progression to severe disease during the febrile phase of dengue: a systematic review and meta-analysis. Lancet Infect Dis. 2021 Jul;21(7):1014-1026. doi: 10.1016/S1473-3099(20)30601-0. Epub 2021 Feb 25. Karel G M Moons, Douglas G Altman, Johannes B Reitsma, John P A Ioannidis, Petra Macaskill, Ewout W Steyerberg, Andrew J Vickers, David F Ransohoff, Gary S Collins. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015 Jan 6;162(1):W1-73. doi: 10.7326/M14-0698.
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Bucaramanga (Santander, Colombia) Floridablanca (Santander, Colombia) Girón (Santander, Colombia)
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ciencias de la Salud
dc.publisher.program.spa.fl_str_mv	Maestría en Métodos para la Producción y Aplicación de Conocimiento Científico en Salud
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/26824/1/Tesis_SandraQuiroga.pdf https://repository.unab.edu.co/bitstream/20.500.12749/26824/5/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/26824/4/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/26824/6/Tesis_SandraQuiroga.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/26824/7/Licencia.pdf.jpg
bitstream.checksum.fl_str_mv	ba54a3e76017addfa512f0a38e1aa112 a13fbd4c6c0cceacf695bd4a6a998f78 3755c0cfdb77e29f2b9125d7a45dd316 50e8d3608522e975dfe27d312c61aac5 1e083ee1cb62f9fda2e31294cd46bf39
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1828219825508319232
spelling	Villar Centeno, Luis Ángel5b96199b-cc00-41e7-af12-18a37bff36c6Quiroga Castañeda, Sandra Milena723749fa-8704-4782-b665-e0b75f460e9cVillar Centeno, Luis Ángel [0000048488]Quiroga Castañeda, Sandra Milena [0009-0002-8824-0545]Bucaramanga (Santander, Colombia)Floridablanca (Santander, Colombia)Girón (Santander, Colombia)UNAB Campus Bucaramanga2024-10-05T15:57:35Z2024-10-05T15:57:35Z2024-09-27http://hdl.handle.net/20.500.12749/26824instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coTítulo: Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad Justificación: El dengue es una enfermedad infecciosa endo-epidémica de etiología viral. Constituye un problema de salud pública a nivel mundial. Múltiples factores favorecen la propagación tanto del vector como del virus, así como también la circulación permanente de todos los serotipos de éste último. La carga de enfermedad asociada es alta, tiene un amplio espectro de presentación clínica, desde asintomática hasta letal. Existe una brecha del conocimiento amplia relacionada con la estimación temprana del riesgo de complicar. Objetivo: Desarrollar un modelo de predicción pronóstico que permita estimar en el sujeto con dengue en estadio febril, el riesgo de complicar con choque o requerir manejo en centro de alta complejidad de atención. Metodología Diseño: Desarrollo de modelo de predicción pronóstico. Estudio secundario derivado de cohorte prospectiva. Población : participantes con edad ≥ 2 años, cualquier sexo, con dengue confirmado en etapa febril (clínica + NS1 y/o IgM positiva), procedentes de Bucaramanga y su área metropolitana, atendidos por primera vez en institución de primer nivel. Tamaño de muestra: Al menos 10 eventos por cada parámetro predictor candidato. El modelo se desarrolló en 254 participantes. Se realizó validación interna a través de remuestreo usando bootstrapping. Predictores: El modelo seleccionado incluyó los siguientes predictores: edad, índice de choque (frecuencia cardiaca / presión arterial sistólica), NLR (relación neutrófilos/linfocitos), hemoglobina, hematocrito y plaquetas. Desenlace compuesto: presentar choque por dengue o requerir transferencia a centro de alta complejidad de atención por empeoramiento clínico. Análisis estadístico y resultados Se utilizó el programa RStudio versión 4.4.0. Se realizó regresión logística múltiple, con selección de predictores utilizando el método forward. Se estimaron coeficientes de regresión, log odds, odds ratios, interceptos, pendientes y likelihood ratio. El evento compuesto se presentó en el 20,08% de los participantes. Se encontró que por cada unidad de cambio en el NLR el riesgo de desarrollar el evento compuesto se incrementa en un 29% (p: 0,008); independientemente del índice de choque, las plaquetas, la edad, la hemoglobina o el hematocrito. Se obtuvo una p de 0,52 para la prueba de Hosmer Lemeshow, el estadístico C resultó en 0,7273 con un intervalo de confianza del 95% (IC95%) de 0,65 a 0,81. El IC 95% del estadístico C, al probar el modelo luego de hacer boostraping en muestreos al azar durante 100 réplicas, es de 0,63 a 0,78. Se creó una calculadora de estimación de riesgo individual utilizando los coeficientes, de uso fácil, práctico y asequible. Conclusión: El modelo de predicción desarrollado en el presente estudio se basa en un enfoque pragmático e incluye predictores de sencilla obtención. Tiene una bondad de ajuste favorable, un buen rendimiento en términos de calibración y discriminación. Su uso puede traer beneficios, no atañe más costos, ni representa riesgos o cambios desfavorables respecto al cuidado estándar y constituye una herramienta (regla de predicción de asistencia) que promete puede ser valiosa a la hora de tomar decisiones.1. Resumen / abstract ……………………………………………………………….. 10 2. Descripción del proyecto ………………………………………………………...14 2.1 Planteamiento del problema de investigación y su justificación en términos de necesidades y pertinencia …………………………………………………….14 2.2. Marco teórico ………………………………………………………………. 18 2.2.1 Dengue …………………………………………………………….. 18 2.2.1.1 Agente etiológico ………………………………………..18 2.2.1.2 Vector ……………………………………………………. 18 2.2.1.3 Respuesta inmune del hospedero ………………………..19 2.2.1.4 Evolución natural ………………………………………..20 2.2.1.5 Clasificación …………………………………………….. 21 2.2.1.6 Herramientas de diagnóstico ……………………………. 22 2.2.1.7 Tratamiento ………………………………………………22 2.2.1.8 Carga económica asociada al dengue …………………… 23 2.2.1.9 Prevención ………………………………………………. 23 2.2.2 Modelos de predicción …………………………………………….24 2.2.2.1 Pasos para el desarrollo y evaluación de un modelo de predicción ………………………………………………………..24 3. Estado del arte ……………………………………………………………………….. 26 3.1 Factores predictores ………………………………………………………….26 3.2 Importancia de los desenlaces considerados ………………………………...43 3.2.1 Transferencia a centro de alta complejidad ………………………..43 3.2.2 Choque ……………………………………………………………..43 4. Objetivos ……………………………………………………………………………... 44 4.1 Objetivo general ……………………………………………………………. 44 4.2 Objetivos específicos ………………………………………………………...44 5. Metodología …………………………………………………………………………...45 5.1 Diseño del estudio ……………………………………………………………45 5.2 Fuente de los datos ………………………………………………………….46 5.3 Participantes …………………………………………………………………47 5.4 Desenlaces …………………………………………………………………..48 5.5 Cómo lidiar con el efecto del tratamiento en los análisis pronóstico ……….49 5.6 Variables……………………………………………………………………..49 5.7 Tamaño de la muestra ………………………………………………………59 5.8 Análisis ………………………………………………………………………59 5.8.1 Análisis univariado ………………………………………………..59 5.8.2 Análisis multivariado ……………………………………………...60 5.8.2.1 Desarrollo del modelo…………………………………...60 5.8.2.2 Validación interna ……………………………………….61 5.8.2.3 Creación de calculadora de probabilidad individual ……61 5.8.3 Análisis adicionales ………………………………………………...61 5.8.4 Datos perdidos ……………………………………………………...62 5.8.5 Paquete estadístico …………………………………………………62 6. Consideraciones éticas y disposiciones vigentes ……………………………………...63 7. Resultados …………………………………………………………………………….64 7.1 Participantes …………………………………………………………………...64 7.2 Cumplimiento de los criterios de elegibilidad ………………………………...65 7.3 Análisis descriptivo de la población de estudio ……………………………….65 7.3.1 Caracterización sociodemográficas y clínica ……………………...65 7.3.2 Caracterización del centro - servicio de captación y clasificación diagnóstica ……………………………………………68 7.4 Desenlace ……………………………………………………………………...69 7.5 Análisis univariado entre predictores y el desenlace del estudio ……………..71 7.6 Especificación del modelo ……………………………………………………..73 7.6.1 Modelo de predicción seleccionado………………………………. 73 7.6.2 Rendimiento del modelo…………………………………………..76 7.6.3 Bondad de ajuste ………………………………………………….76 7.6.4 Estadístico C y curva ROC ……………………………………….77 7.6.5 Calculadora de probabilidad individual…………………………...78 7.7 Validación interna del modelo………………………………………………….82 7.8 Análisis adicionales…………………………………………………………….83 7.8.1 Rendimiento del modelo en sujetos con dengue sin signos de alarma… 83 7.8.2 Rendimiento del modelo en sujetos con dengue con signos de alarma...85 8. Discusión……………………………………………………………………………… 88 9. Conclusiones ………………………………………………………………………….91 10. Información adicional…………………………………………………………………92 11. Referencias bibliográficas …………………………………………………………...93 12. Anexos ………………………………………………………………………………..100MaestríaTitle: Development of a prediction model to estimate progression to severe dengue (shock or transfer to higher-complexity- level center) among patients with confirmed dengue infection Background: Dengue is an endo-epidemic infectious disease of viral etiology. It constitutes a public health problem worldwide. Multiple factors favor the spread of both the vector and the virus, as well as the permanent circulation of all serotypes of the virus. The associated disease burden is high, and it has a wide spectrum of clinical presentation, from asymptomatic to lethal. There is a wide knowledge gap related to the early estimation of the risk of complications. Aim of the study: To develop a prognostic prediction model which allows estimating the increased chance of progression to shock or requiring transfer to a high-complexity care center in patients with dengue. Methodology Design: Development of a prognostic prediction model. Multivariable logistic regression of a prospective cohort of dengue patients. Participants and Setting: Participants aged ≥ 2 years, either sex, with confirmed dengue in the febrile stage (clinical + NS1 and/or positive IgM), from Bucaramanga and its metropolitan area, treated for the first time in a first-level hospital. Sample size: 10 events for each candidate predictor parameter. The model was developed on 254 participants. Internal validation was performed through resampling using bootstrapping. Predictors: The selected model included the following predictors: age, shock index (heart rate/systolic blood pressure), NLR (neutrophil/lymphocyte ratio), hemoglobin, hematocrit, and platelets. Composite outcome: presenting dengue shock or requiring transfer to a high-complexity care center due to clinical worsening. Statistical analysis and results The RStudio version 4.4.0 program was used as a statistical package. Multiple logistic regression was performed, with selection of predictors using the forward method. Regression coefficients, log odds, odds ratios, intercepts, slopes, and likelihood ratios were estimated. The composite event occurred in 20.08% of participants. It was found that for each unit of change in the NLR, the risk of developing the composite event increased by 29% (p: 0.008); independently of the shock index, platelets, age, hemoglobin, or hematocrit. The Hosmer Lemeshow test showed a p of 0.52, the C statistic resulted in 0.7273 with a 95% confidence interval (95%IC) of 0.65 to 0.81. The 95%IC of the C statistic, when testing the model after bootstrapping on random samples for 100 replicates, is 0.63 to 0.78. An individual risk estimation calculator was created using the coefficients, which is easy to use, practical and affordable. Conclusion: The prediction model developed in the present study is based on a pragmatic approach and includes predictors that are easy to obtain. It has a favorable goodness of fit, good performance in terms of calibration and discrimination. Its use can bring benefits, it does not involve additional costs, nor does it represent risks or unfavorable changes with respect to standard care. The new model promises favorable scenarios to become an assistance prediction tool.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidadDevelopment of a prediction model to estimate progression to severe dengue (shock or transfer to higher-complexity- level center) among patients with confirmed dengue infectionThesisinfo:eu-repo/semantics/masterThesisTesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TMMagíster en Métodos para la Producción y Aplicación de Conocimiento Científico en SaludUniversidad Autónoma de Bucaramanga UNABFacultad Ciencias de la SaludMaestría en Métodos para la Producción y Aplicación de Conocimiento Científico en SaludMedical sciencesHealth sciencesPrediction modelTransferShockPrognosisHemorrhagic feverEpidemiologyPublic healthVector insectsMedical prognosisCiencias médicasFiebre hemorrágicaEpidemiologíaSalud públicaInsectos vectoresPronóstico médicoCiencias de la saludDengueModelo de predicciónPronósticoChoqueRemisiónTransferenciaDirectrices para el diagnóstico clínico y el tratamiento del dengue, el chikunguña y el zika. [Internet]. Pan American Health Organization; 2021. [Consultado 2023 Feb 15]. Disponible en: https://iris.paho.org/handle/10665.2/55125Moloney RM, Kmush B, Rudolph KE, Cummings DAT, Lessler J. Incubation Periods of Mosquito-Borne Viral Infections: A Systematic Review. Am J Trop Med Hyg. 2014;90:882–91.DeHart RL. Health Issues of Air Travel. Annu Rev Public Health. 2003;24:133–51.Abdel-Haq N, Asmar BI. Fever in the Returned Pediatric Traveler. Glob Pediatr Health. 2021;8:2333794X2110261.Roy SK, Bhattacharjee S. Dengue virus: epidemiology, biology, and disease aetiology. Can J Microbiol. 2021;67:687–702.Bhatt S, Gething PW, Brady OJ, Messina JP, Farlow AW, Moyes CL, et al. The global distribution and burden of dengue. Nature. 2013;496:504–7.Shepard DS, Undurraga EA, Halasa YA, Stanaway JD. The global economic burden of dengue: a systematic analysis. Lancet Infect Dis. 2016;16:935–41.Harapan H, Michie A, Sasmono RT, Imrie A. Dengue: A Minireview. Viruses. 2020;12:829.Raafat N, Blacksell SD, Maude RJ. A review of dengue diagnostics and implications for surveillance and control. Trans R Soc Trop Med Hyg. 2019;113:653–60.Muller DA, Depelsenaire ACI, Young PR. Clinical and Laboratory Diagnosis of Dengue Virus Infection. J Infect Dis. 2017;215:S89–95.Low GKK, Kagize J, Faull KJ, Azahar A. Diagnostic accuracy and predictive value in differentiating the severity of dengue infection. Tropical Medicine & International Health. 2019;24:1169–97.Low G-K, Looi S-Y, Yong M-H, Sharma D. Predictive and diagnostic test accuracy of ultrasonography in differentiating severe dengue from nonsevere dengue. J Vector Borne Dis. 2018;55:79.Phakhounthong K, Chaovalit P, Jittamala P, Blacksell SD, Carter MJ, Turner P, et al. Predicting the severity of dengue fever in children on admission based on clinical features and laboratory indicators: application of classification tree analysis. BMC Pediatr. 2018;18:109.Yuan K, Chen Y, Zhong M, Lin Y, Liu L. Risk and predictive factors for severe dengue infection: A systematic review and meta-analysis. PLoS One. 2022;17:e0267186.Steyerberg EW, Vergouwe Y. Towards better clinical prediction models: seven steps for development and an ABCD for validation. Eur Heart J. 2014;35:1925–31.Bennett SN, Drummond AJ, Kapan DD, Suchard MA, Munoz-Jordan JL, Pybus OG, et al. Epidemic Dynamics Revealed in Dengue Evolution. Mol Biol Evol. 2010;27:811–8.Instituto Nacional de Salud. [Internet]. Colombia. Reporte Epidemiológico Nacional. [Consultado 2023 Sep 1]. Disponible en: https://www.ins.gov.co/buscador-eventos/BoletinEpidemiologico/Instituto Nacional de Salud. [Internet]. Colombia. Reporte Epidemiológico Semanal. [Consultado 2024 Jul 1]. Disponible en: https://www.ins.gov.co/buscador-eventos/Paginas/Vista-Boletin-Epidemilogico.aspxGuzman MG, Harris E. Dengue. The Lancet. 2015;385:453–65.Wong JM, Adams LE, Durbin AP, Muñoz-Jordán JL, Poehling KA, Sánchez-González LM, et al. Dengue: A Growing Problem With New Interventions. Pediatrics. 2022;149.National Library of Medicine. MeSH. [Internet]. United States. [Consultado 2023 Sep 1]. Disponible en: https://www.ncbi.nlm.nih.gov/mesh/?term=dengue.Roy SK, Bhattacharjee S. Dengue virus: epidemiology, biology, and disease aetiology. Can J Microbiol. 2021;67:687–702.Pardo-Martínez DO-MBA-RA. Dinámica de la respuesta inmune en la infección por virus del dengue. . MediSur [en línea]. 2018;16:76–84.St. John AL, Rathore APS. Adaptive immune responses to primary and secondary dengue virus infections. Nat Rev Immunol. 2019;19:218–30.Velandia ML, Castellanos JE. Virus del dengue: estructura y ciclo viral. Infectio. 2011;15:33–43.Guzman MG, Gubler DJ, Izquierdo A, Martinez E, Halstead SB. Dengue infection. Nat Rev Dis Primers. 2016;2:16055.Ciclo de vida de los mosquitos aedes. US Centers for disease control prevention. [Internet]. United States. [Consultado May 1 2023]. Disponible en: https://www.cdc.gov/mosquitoes/es/about/life-cycles/aedes.html.Naranjo-Gómez JS, Castillo-Ramírez JA, Velilla-Hernández PA, Castaño-Monsalve DM. Inmunopatología del dengue: importancia y participación de los monocitos y sus subpoblaciones. Iatreia. 2019;32:204–16.PAHO. Dengue. Información al detalle. Fases de la enfermedad. [Consultado 2023 May 1]. Disponible en: https://www.paho.org/es/temas/dengue.Kok BH, Lim HT, Lim CP, Lai NS, Leow CY, Leow CH. Dengue virus infection – a review of pathogenesis, vaccines, diagnosis and therapy. Virus Res. 2023;324:199018.Shah S, Abbas G, Riaz N, Anees ur Rehman, Hanif M, Rasool MF. Burden of communicable diseases and cost of illness: Asia pacific region. Expert Rev Pharmacoecon Outcomes Res. 2020;20:343–54.Junior JBS, Massad E, Lobao-Neto A, Kastner R, Oliver L, Gallagher E. Epidemiology and costs of dengue in Brazil: a systematic literature review. International Journal of Infectious Diseases. 2022;122:521–8.Gubler DJ. The Economic Burden of Dengue. Am J Trop Med Hyg. 2012;86:4743–4.Rather IA, Parray HA, Lone JB, Paek WK, Lim J, Bajpai VK, et al. Prevention and Control Strategies to Counter Dengue Virus Infection. Front Cell Infect Microbiol. 2017;7.Huang C-H, Tsai Y-T, Wang S-F, Wang W-H, Chen Y-H. Dengue vaccine: an update. Expert Rev Anti Infect Ther. 2021;19:1495–502.Cowley LE, Farewell DM, Maguire S, Kemp AM. Methodological standards for the development and evaluation of clinical prediction rules: a review of the literature. Diagn Progn Res. 2019;3:16.Isaza-Jaramillo S, Jaimes-Barragán F. Ronda clínica y epidemiológica: aproximación a los modelos de predicción clínica. IATREIA. 2017;30:92–9.Moons KGM, Kengne AP, Woodward M, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker. Heart. 2012;98:683–90.Gallagher CA, Chudzinska M, Larsen‐Gray A, Pollock CJ, Sells SN, White PJC, et al. From theory to practice in pattern‐oriented modeling: identifying and using empirical patterns in predictive models. Biological Reviews. 2021;96:1868–88.Moons KGM, Kengne AP, Grobbee DE, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction models: II. External validation, model updating, and impact assessment. Heart. 2012;98:691–8.Ewout W. Steyerberg. Clinical Prediction Models A Practical Approach to Development, Validation, and Updating. 2009 Springer Science+Business Media, LLC. ISBN: 978-0-387-77243-1 e-ISBN: 978-0-387-77244-8. DOI: 10.1007/978-0-387-77244-8.Hyelan Lee, Seungjae Hyun, and Sangshin Park. Comprehensive analysis of multivariable models for predicting severe dengue prognosis: systematic review and meta-analysis. Trans R Soc Trop Med Hyg 2023; 117 : 149–160 https://doi.org/10.1093/trstmh/trac108Paz-Bailey G, Sánchez-González L, Torres-Velasquez B, Jones ES, Perez-Padilla J, Sharp TM, et al. Predominance of Severe Plasma Leakage in Pediatric Patients With Severe Dengue in Puerto Rico. J Infect Dis. 2022;226:1949–58.Guo C, Zhou Z, Wen Z, Liu Y, Zeng C, Xiao D, et al. Global Epidemiology of Dengue Outbreaks in 1990–2015: A Systematic Review and Meta-Analysis. Front Cell Infect Microbiol. 2017;7.Jasamai M, Yap WB, Sakulpanich A, Jaleel A. Current prevention and potential treatment options for dengue infection. Journal of Pharmacy & Pharmaceutical Sciences. 2019;22:440–56.Gustavo Gómez, Heather Hufstedler, Carlos Montenegro Morales, Yannik Roell , Anyela Lozano-Parra, Adriana Tami, Tereza Magalhaes, Ernesto T A Marques, Angel Balmaseda, Guilherme Calvet, Eva Harris, Patricia Brasil, Victor Herrera, Luis Villar, Lauren Maxwell, Thomas Jaenisch; ReCoDID Arbovirus harmonization study group. Pooled Cohort Profile: ReCoDID Consortium's Harmonized Acute Febrile Illness Arbovirus Meta-Cohort. JMIR Public Health Surveill. 2024 Jul 23:10:e54281. doi: 10.2196/5428.Yiran E Liu, Sirle Saul, Aditya Manohar Rao, Makeda Lucretia Robinson, Olga Lucia Agudelo Rojas, Ana Maria Sanz, Michelle Verghese, Daniel Solis, Mamdouh Sibai, Chun Hong Huang, Malaya Kumar Sahoo, Rosa Margarita Gelvez, Nathalia Bueno, Maria Isabel Estupiñan Cardenas, Luis Angel Villar Centeno, Elsa Marina Rojas Garrido, Fernando Rosso, Michele Donato, Benjamin A Pinsky, Shirit Einav, Purvesh Khatri. An 8-gene machine learning model improves clinical prediction of severe dengue progression. Genome Med. 2022 Mar 29;14(1):33. doi: 10.1186/s13073-022-01034-w.M V Rashmi, Hamsaveena. Haematological and biochemical markers as predictors of dengue infection. Malays J Pathol. 2015 Dec;37(3):247-51.Md Shahid Ansari, Dinesh Jain, Haripriya Harikumar, Santu Rana, Sunil Gupta, Sandeep Budhiraja, Svetha Venkatesh. Identification of predictors and model for predicting prolonged length of stay in dengue patients. Health Care Manag Sci. 2021 Dec;24(4):786-798. doi: 10.1007/s10729-021-09571-3. Epub 2021 Aug 14.Afsheen Mahmood, Anwar Ul Haq, Said Amin, Fawad Rahim, Mohammad Noor, Huma Gul, Sheraz Zafar, Sobia Ahmed Qureshi, Khaula Batul, Mohsina Haq. Predictors of Mortality in Patients With Dengue Fever: Insights From a Comparative Analysis. Cureus. 2023 Mar 12;15(3):e36040. doi: 10.7759/cureus.36040. eCollection 2023 Mar.Juan Fidel Osuna-Ramos, José Manuel Reyes-Ruiz, Luis Antonio Ochoa-Ramírez, Luis Adrián De Jesús-González, Rosalío Ramos-Payán, Carlos Noe Farfan-Morales, Alejandra Romero-Utrilla, Efrén Rafael Ríos-Burgueño, José Rodríguez-Millán, Rosa María Del Ángel, Jesús Salvador Velarde-Félix. The Usefulness of Peripheral Blood Cell Counts to Distinguish COVID-19 from Dengue during Acute Infection. Trop Med Infect Dis. 2022 Jan 30;7(2):20. doi: 10.3390/tropicalmed7020020.Zhiwei Huang, Zhaoyin Fu, Wujun Huang, Kegang Huang. Prognostic value of neutrophil-to-lymphocyte ratio in sepsis: A meta-analysis Am J Emerg Med. 2020 Mar; 38(3):641-647. doi: 10.1016/j.ajem.2019.10.023.Patrice Forget, Céline Khalifa, Jean-Philippe Defour, Dominique Latinne, Marie-Cécile Van Pel, Marc De Kock. What is the normal value of the neutrophil-to-lymphocyte ratio?. BMC Res Notes. 2017 Jan 3;10(1):12. doi: 10.1186/s13104-016-2335-5.Parisa Hashemi Moghanjoughi, Sina Neshat, Abbas Rezaei, Kiyan Heshmat-Ghahdarijani. Is the Neutrophil-to-Lymphocyte Ratio an Exceptional Indicator for Metabolic Syndrome Disease and Outcomes? Endocr Pract. 2022 Mar;28(3):342-348. doi: 10.1016/j.eprac.2021.11.083. Epub 2021 Nov 24.Tariq M Bhat, Maxwell E Afari, Lawrence A Garcia. Neutrophil lymphocyte ratio in peripheral vascular disease: a review. Expert Rev Cardiovasc Ther. 2016 Jul;14(7):871-5. doi: 10.1586/14779072.2016.1165091. Epub 2016 Apr 12.Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS) en colaboración con la Organización Mundial de la Salud (OMS). Cuarta Edición. Ginebra: Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS); 2016. Pautas éticas internacionales para la investigación relacionada con la salud con seres humanos. 2016.Ezequiel Emanuel. Pautas Éticas de Investigación en Sujetos Humanos. Nuevas perspectivas. ¿Qué hace que la investigación clínica sea ética? Siete requisitos. 2002. p. 83–95.Ministerio de Salud República de Colombia. Resolución 8430 de 1993. Por la cual se establecen las normas científicas, técnicas y administrativas para la investigación en salud. 1993. p. 1–19. Disponible en: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/DIJ/RESOLUCION-8430-DE-1993.PDFSorawat Sangkaew, Damien Ming, Adhiratha Boonyasiri, Kate Honeyford, Siripen Kalayanarooj, Sophie Yacoub, Ilaria Dorigatti, Alison Holmes. Risk predictors of progression to severe disease during the febrile phase of dengue: a systematic review and meta-analysis. Lancet Infect Dis. 2021 Jul;21(7):1014-1026. doi: 10.1016/S1473-3099(20)30601-0. Epub 2021 Feb 25.Karel G M Moons, Douglas G Altman, Johannes B Reitsma, John P A Ioannidis, Petra Macaskill, Ewout W Steyerberg, Andrew J Vickers, David F Ransohoff, Gary S Collins. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015 Jan 6;162(1):W1-73. doi: 10.7326/M14-0698.ORIGINALTesis_SandraQuiroga.pdfTesis_SandraQuiroga.pdfTesisapplication/pdf24214373https://repository.unab.edu.co/bitstream/20.500.12749/26824/1/Tesis_SandraQuiroga.pdfba54a3e76017addfa512f0a38e1aa112MD51open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf276862https://repository.unab.edu.co/bitstream/20.500.12749/26824/5/Licencia.pdfa13fbd4c6c0cceacf695bd4a6a998f78MD55metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/26824/4/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD54open accessTHUMBNAILTesis_SandraQuiroga.pdf.jpgTesis_SandraQuiroga.pdf.jpgIM Thumbnailimage/jpeg5767https://repository.unab.edu.co/bitstream/20.500.12749/26824/6/Tesis_SandraQuiroga.pdf.jpg50e8d3608522e975dfe27d312c61aac5MD56open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg10104https://repository.unab.edu.co/bitstream/20.500.12749/26824/7/Licencia.pdf.jpg1e083ee1cb62f9fda2e31294cd46bf39MD57metadata only access20.500.12749/26824oai:repository.unab.edu.co:20.500.12749/268242024-10-15 09:31:26.915open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Desarrollo de un modelo de predicción que estima en el estadio febril del dengue la probabilidad de complicar con choque o requerir transferencia para manejo en centro de alta complejidad

Publicaciones similares