Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
11 Med Clin (Barc) 2004;123(7):241-6 241 La bacteriemia se define como la existen- cia en la sangre de bacterias detectadas con la realización de hemocultivos. Su in- cidencia es muy variable y depende de la población sobre la que se analice; en ge- neral, se estima en aproximadamente 20 episodios por 1.000 ingresos hospitala- rios1. En las últimas décadas se ha detec- tado un incremento de su frecuencia y un cambio en su espectro clínico y epi- demiológico, asociados a la utilización de procedimientos diagnósticos y terapéuti- cos invasivos, así como al aumento de la prevalencia de procesos que condicionan una alteración de la inmunidad2. El diag- nóstico de bacteriemia es potencialmente útil por varias razones. En primer lugar, es un marcador pronóstico que contribu- ye a delimitar una población con un ries- go mayor de mortalidad. Por otra parte, proporciona la identificación del agente etiológico de la infección y permite ajus- tar el tratamiento antibiótico y su dura- ción. Por último, permite seleccionar a una población con más posibilidades de beneficiarse de las nuevas estrategias te- rapéuticas basadas en la modulación de la respuesta inflamatoria presente en la sepsis3. La limitación más relevante del diagnóstico microbiológico es el tiempo que se requiere para disponer del resul- tado, derivado de las técnicas de proce- samiento, cultivo e identificación en el la- boratorio4. La sospecha clínica de bacteriemia pro- porciona cifras de sensibilidad, especifi- cidad y valores predictivos poco satisfac- torias, que hacen que no sea útil en el diagnóstico5. Esta situación pone de ma- nifiesto la necesidad de contar con méto- dos diagnósticos alternativos. De forma general, existen 2 enfoques del proble- ma. Por una parte, se ha evaluado la uti- lidad de parámetros de laboratorio que reflejan la intensidad del fenómeno infla- matorio que acompaña a la bacteriemia, como la proteína C reactiva (PCR) o la procalcitonina6,7, o que miden la concen- tración sérica de mediadores implicados en su fisiopatología (interleucinas 6 y 8)8. El segundo enfoque consiste en la elabo- ración de modelos de predicción clínica (MPC) que, utilizando técnicas de análisis estadístico multivariante, permiten com- binar distintas variables con capacidad pre- ORIGINALES Bacteriemia adquirida en la comunidad: elaboración de un modelo de predicción clínica en pacientes ingresados en un servicio de medicina interna Eva Lizarralde Palaciosa, Alfonso Gutiérrez Macíasb, Pedro Martínez Odriozolaa, Ricardo Franco Vicarioa, Nicanor García Jiméneza y Felipe Miguel de la Villaa aServicio de Medicina Interna. Hospital de Basurto. Bilbao. bServicio de Medicina Interna. Hospital de Santa Marina. Bilbao. España. FUNDAMENTO Y OBJETIVO: La sospecha de bacteriemia basada en el juicio clínico carece de la sensibilidad, especificidad o valor predictivo necesarios para tener utilidad diagnóstica. El objetivo de este trabajo es desarrollar un modelo de predicción de bacteriemia en pacientes ingresados en un servicio de medicina interna, con clínica adquirida en la comunidad que haya motivado la obtención de hemocultivos. PACIENTES Y MÉTODO: Se ha realizado durante 1 año un estudio prospectivo en el que se ha incluido a los enfermos de quienes se había obtenido hemocultivos en las primeras 48 h del ingreso. Se ha elaborado un modelo de predicción de bacteriemia derivado de una muestra aleatoria de aproximadamente dos tercios (grupo de derivación) y se ha validado en el tercio restante (grupo de validación). Tras el estudio estadístico bivariante, las variables significativas se han introducido en un modelo de regresión logística múltiple de exclusión escalonada paso a paso. En cada paciente de los grupos de derivación y valida- ción se ha obtenido una puntuación derivada de la suma de los puntos de las variables significativas de la regresión logística; según esta puntuación, se han formado 4 grupos y se ha calculado en ellos la prevalencia de bacteriemia. Se han evaluado la calibración y la discriminación del modelo con la prue- ba de Hosmer-Lemeshow y el cálculo de la curva de eficacia diagnóstica (curva ROC), respectivamente. RESULTADOS: Se obtuvieron 448 hemocultivos, con una prevalencia de bacteriemia del 25,2%. En el grupo de derivación, las variables significativas en el análisis multivariante fueron foco urinario, temperatura de 38,3 °C o superior, desviación hacia la izquierda, velocidad de sedimentación globular igual o mayor de 70 mm/h, cifra de plaquetas inferior a 200 × 103/µl, glucemia igual o mayor de 140 mg/dl, urea igual o mayor de 50 mg/dl, proteína C reactiva igual o mayor de 12 mg/dl y albúmina inferior a 3 g/dl. El modelo permitió formar 4 grupos con prevalencia creciente de bacteriemia; en el grupo con puntuación de 0-3 puntos, la prevalencia fue del 2,4%; en el de 4-5, del 15,7%; en el de 6-7 puntos, un 42,9%, y en la puntuación igual o mayor de 8, del 65%. En el grupo de validación, la prevalencia fue del 4,1%, el 22,6, el 29,3 y el 80%, respectivamente. El modelo presentó una buena calibración (χ2 de Hosmer-Lemeshow = 4,91; p = 0,77). La curva de eficacia diagnóstica del grupo de derivación fue de 0,81 (intervalo de confianza del 95%, 0,76-0,86), y la del grupo de validación fue de 0,77 (intervalo de confianza del 95%, 0,69-0,85). CONCLUSIONES: Nuestro modelo presentó una calibración y una capacidad de discriminación buenas, lo que indica su utilidad para estimar la probabilidad de bacteriemia en pacientes ingresados en un servicio de medicina interna. Utilizado de forma conjunta con el juicio clínico, el modelo puede ser útil en el proceso de toma de decisiones con respecto a la obtención de hemocultivos, monitorización clínica y tratamiento antibiótico empírico. Antes de su aplicación es necesaria su validación prospectiva en otros entornos. Palabras clave: Bacteriemia. Modelos logísticos. Curvas de eficacia diagnóstica (ROC). Medicina interna. Predictive model for community acquired bacteremia in patients from an Internal Medicine Unit BACKGROUND AND OBJECTIVE: Clinical suspicion of bacteremia lacks of sensitivity, specificity or predictive values enough to be clinical£≠ly useful. The aim of this study was to develop a clinical prediction rule of bacteremia for patients hospitalized in an internal medicine department, with community-acquired symptoms, who had blood cultures obtained. PATIENTS AND METHOD: A prospective study, including all patients who had blood cultures in the first 48 h after admission, was performed. A clinical prediction rule of bacteremia was derived from a random sample of two thirds of the patients (derivation cohort) and validated in the remaining (validation cohort). After bivariate analysis, significant variables were included in a stepwise logistic regression analysis. In every patient out of the derivation and validation cohorts a score, derived from the addition of points for each of the significant predictor variables of logistic regression, was obtained; according to this score, 4 groups were formed, and the prevalence of bacteremia in each of them was calculated. Calibration and discrimination were evaluated by the Hosmer-Lemeshow test and area under the ROC curve respectively. RESULTS: Four hundred and forty-eight blood cultures were obtained; the prevalence of bacteremia was 25.2%. Independent predictors of bacteremia in the bivariate analysis were urinary focus of infection, body temperature ≥ 38.3 °C, presence of band forms, ESR ≥ 70 mm, platelets < 200 × 103/µl, blood glucose ≥ 140 mg/dl, urea ≥ 50 mg/dl, C-reactive protein ≥ 12 mg/dl, and albumin < 3 g/dl. According to the score, in the derivation cohort, four groups with increasing prevalence of bacteremia were identified; in the group with a score between 0 and 3, the prevalence was 2.4%; between 4 and 5: 15.7%; between 6 and 7: 42.9%; and score ≥ 8: 65%. In the validation cohort, the prevalence was 4.1%, 22.6%, 29.3%, and 80%, respectively. The model showed good calibration (Hosmer-Lemeshow χ2 = 4.91; p = 0.77).Area under the ROC curve was 0.81 (95% confidence interval, 0.76-0.86) in the derivation cohort, and 0.77 (95% confidence interval, 0.69-0.85) in validation cohort. CONCLUSIONS: Our model, constructed with 9 variables and a simple additive point system, had good calibration and discrimination, which points at its uselfuness to estimate the probability of bacteremia in patients admitted in an Internal Medicine department. Used in conjunction with clinical jugdement, the model can be useful in the decision-making process, concerning blood cultures obtention, clinical monitoring, and empirical antimicrobial therapy. Before application, additional prospective validation in other settings is warranted. Key words: Bacteremia. Logistic models. ROC curves. Internal medicine. 87.618 Correspondencia: Dra. E. Lizarralde Palacios. Servicio de Medicina Interna. Hospital de Basurto. Avda de Montevideo, 18. 48013 Bilbao. Vizcaya. España. Correo electrónico: alguma@teleline.es Recibido el 26-2-2003; aceptado para su publicación el 16-9-2003. dictiva e incluir a los pacientes en grupos de diferente riesgo de bacteriemia. Se han construido varios modelos9-13 que se han mostrado útiles cuando se aplican a poblaciones similares a las utilizadas para su desarrollo, pero que pierden buena par- te de su capacidad de predicción en otros contextos14. La utilidad de estos modelos consiste en identificar, por una parte, a un grupo de pacientes con riesgo muy bajo de bacteriemia, en los que la obten- ción de hemocultivos sea innecesaria, y por otra parte, en caracterizar a un grupo en el que exista una probabilidad muy alta de bacteriemia que precise utilizar procedimientos diagnósticos o terapéuti- cos agresivos. El objetivo de este trabajo es desarrollar y validar un MPC de bacte- riemia en pacientes ingresados en un servicio de medicina interna con clínica adquirida en la comunidad que haya mo- tivado la obtención de hemocultivos. Pacientes y método Se ha realizado un estudio prospectivo que ha inclui- do de forma consecutiva a todos los enfermos ingre- sados en el Servicio de Medicina Interna del Hospital de Basurto desde el 1 de mayo de 1999 hasta el 30 de abril de 2000, a los que se había extraído hemo- cultivos en las primeras 48 h de estancia en el cen- tro, bien en el Servicio de Urgencias o en la planta de hospitalización. El Hospital de Basurto es un hospital universitario de nivel terciario, integrado en la red sa- nitaria pública vasca, que presta atención sanitaria a la comarca de Bilbao. La decisión de la obtención de los hemocultivos ha sido responsabilidad del médico encargado de la atención en Urgencias o en la plan- ta. Aunque en nuestro centro no existen unas indica- ciones explícitas consensuadas para la extracción de hemocultivos, en general se obtienen en pacientes con fiebre, con o sin focalidad, en los que existe al- gún dato de riesgo (edad, comorbilidad, datos clíni- cos de gravedad) y en pacientes sin fiebre con crite- rios clínicos de sepsis. Se ha considerado criterios de exclusión la obtención previa de hemocultivos en el mismo episodio (en otro servicio o en otro centro hos- pitalario), la adquisición nosocomial de los síntomas y la extracción de hemocultivos pasadas 48 h del in- greso. Se consideró que la clínica era nosocomial cuando la aparición de los síntomas tenía lugar al menos 72 h después del ingreso y no estaba relacio- nada con la que lo motivó. Se evaluó a todos los pa- cientes en las primeras 24 h, excepto los ingresados en el fin de semana, que fueron evaluados un máxi- mo de 48 h después. La información se obtuvo mediante la revisión de la historia clínica y la entrevista directa, tanto a los pa- cientes como a sus acompañantes. En todos los ca- sos se ha cumplimentado un protocolo en el que se recogían datos demográficos (edad y sexo) y la exis- tencia de enfermedad asociada previa al episodio, medida con el índice de comorbilidad de Charlson et al15, y su pronóstico, definido como no fatal, última- mente fatal y rápidamente fatal según los criterios de McCabe y Jackson16. Por otra parte, se determinó la situación funcional previa al episodio según la escala de Plutchik et al17. Se recogió la presencia de facto- res favorecedores del desarrollo de infección o bacte- riemia, prestando especial atención a los anteceden- tes de manipulaciones urológicas o sondaje uretral, tratamiento inmunodepresor, existencia de diabetes, cirrosis, neoplasias o infección por el virus de la in- munodeficiencia humana. Se hizo constar asimismo los datos, tanto clínicos como de las exploraciones complementarias, que apoyaran la existencia de un posible foco infeccioso. Se recogió además la existen- cia de complicaciones, como disminución del nivel de conciencia, oliguria, hipotensión o shock e insufi- ciencia respiratoria. Además, se interrogó acerca de la existencia de datos significativos de la enfermedad actual, como tratamiento antibiótico previo, escalofrí- os y mialgias, y se registraron las constantes vitales determinadas en el momento más próximo a la ex- tracción de los hemocultivos. En ningún caso se co- nocía el resultado del hemocultivo a la hora de reali- zar la valoración inicial. Se recogieron los valores de laboratorio más próximos en el tiempo a la extracción del hemocultivo; se intentó, en la medida de lo posi- ble, que en todos los pacientes se realizaran las deter- minaciones de albúmina, velocidad de sedimentación globular (VSG) y PCR. La solicitud de determinaciones adicionales se dejó a criterio del médico responsable. En todos los casos se calculó la puntuación de la es- cala de gravedad Acute Physiology Score and Chro- nic Health Evaluation (APACHE) II18. Además se re- cogieron los resultados de los hemocultivos y de otros cultivos, el tratamiento recibido, la evolución durante el ingreso y la supervivencia al alta hospitalaria y a los 28 días del inicio del episodio. En todos los casos se obtuvieron 3 pares de hemo- cultivos seriados, extrayendo mediante técnica estéril 10 ml de sangre venosa, que se inocularon en me- dios de cultivo aerobio y anaerobio. Los viales de he- mocultivos se procesaron mediante el sistema Bactec 9240 (Becton-Dickinson). Los microorganismos aisla- dos se identificaron mediante las técnicas microbioló- gicas convencionales. Se definió bacteriemia como el aislamiento de microorganismos de patogenicidad re- conocida en uno o más hemocultivos de un paciente con un contexto clínico compatible. Se han conside- rado contaminantes otros microorganismos de menor capacidad patogénica, a menos que la situación clí- nica, el resultado de otros cultivos o el número de he- mocultivos positivos apuntaran a una probabilidad elevada de bacteriemia. Los casos dudosos se discu- tieron con el clínico responsable, para determinar si el aislamiento correspondía a un contaminante o, por el contrario, se trataba de una bacteriemia significati- va. El diagnóstico sindrómico de los pacientes se rea- lizó ante una combinación de criterios clínicos, mi- crobiológicos y de técnicas de imagen establecidos previamente. Estudio estadístico y elaboración del modelo de predicción de bacteriemia En el estudio estadístico descriptivo, las variables continuas se expresan con la media y la desviación estándar, y las categóricas, con el porcentaje. Inicial- mente se ha realizado un estudio estadístico bivarian- te, utilizando como variable dependiente la existencia de bacteriemia. La comparación entre variables cate- góricas se ha realizado con la prueba de la χ2 y el test exacto de Fisher. Para realizar comparaciones entre medias de las variables continuas, inicialmente se ha realizado una prueba de Kolmogorov-Smirnov para determinar el ajuste a la normalidad de cada va- riable; cuando los valores se ajustaban a una distri- bución normal se utilizó la prueba de la t de Student y, en caso contrario, la prueba no paramétrica de Mann-Whitney. Todos los contrastes fueron de 2 co- las y se ha considerado estadísticamente significativo un valor de p inferior a 0,05. Se ha elaboradoun MPC que permitiera estratificar a la población estudiada en grupos de diferente riesgo de bacteriemia. El modelo se ha derivado a partir de una muestra aleatoria de aproximadamente dos ter- ceras partes de los pacientes y se ha validado en la tercera parte restante. Para la elaboración del modelo se han utilizado únicamente las variables para las que se dispusiera del resultado en más del 90% de los casos. Las variables significativas en el análisis bi- variante se han introducido en un modelo de regre- sión logística múltiple de exclusión escalonada paso a paso, utilizando la existencia de bacteriemia como variable dependiente. Para su inclusión en el modelo de regresión, se ha procedido a la dicotomización de las variables continuas; para seleccionar el valor de corte, se ha dividido los valores de las variables en cuartiles y se ha determinado el porcentaje de pa- cientes con bacteriemia de cada cuartil. Si existía un cuartil en el que se observaba una modificación en la prevalencia, en los cuartiles centrales se utilizó como valor de corte el valor medio y en los cuartiles supe- rior e inferior, los límites inferior y superior del cuar- til19. Los valores hallados fueron redondeados a una cifra que fuera de recuerdo y utilización sencillos. Si no había ningún cuartil con variación evidente de la probabilidad de la variable dependiente, se utilizaron como valores de corte los propuestos por otros auto- res o, en su defecto, el valor de la mediana. Tras identificar con la regresión logística los predictores in- dependientes de bacteriemia, se asignó una puntua- ción a cada variable dividiendo el coeficiente de la re- gresión entre el coeficiente de valor inferior y se redondeó el resultado al número entero más próximo. La puntuación para cada paciente se ha calculado sumando los puntos correspondientes a las variables significativas de la regresión logística. En el caso de que no se dispusiera del resultado de alguna varia- ble, para el cálculo de la puntuación se le ha asigna- do el valor 0. Una vez obtenida la puntuación de cada episodio, se ha dividido a los pacientes en 4 grupos según dicha puntuación y se ha calculado la prevalencia de bacteriemia en cada grupo. Los pun- tos de corte de la puntuación se han elegido de for- ma arbitraria, intentando obtener la máxima capaci- dad de discriminación de los grupos formados. Posteriormente, el modelo se ha aplicado al grupo de validación calculando, igualmente, la puntuación de cada episodio y la prevalencia de bacteriemia en cada uno de los grupos resultantes del modelo. LIZARRALDE PALACIOS E, ET AL. BACTERIEMIA ADQUIRIDA EN LA COMUNIDAD: ELABORACIÓN DE UN MODELO DE PREDICCIÓN CLÍNICA EN PACIENTES INGRESADOS EN UN SERVICIO DE MEDICINA INTERNA 242 Med Clin (Barc) 2004;123(7):241-6 12 TABLA 1 Características clínicas y epidemiológicas de la serie y de los grupos de derivación y validación Variable Total Grupo de derivación Grupo de validación (n = 448) (n = 290) (n = 158) Edad (años) 69,5 (19,8) 69,2 (18,6) 70,1 (21,7) Sexo, n (%) Mujeres 228 (50,9) 141 (48,6) 87 (55,1) Varones 220 (49,1) 149 (51,4) 71 (44,9) Enfermedad de base, n (%) NF 217 (48,4) 144 (49,7) 73 (46,2) UF o RF 231 (51,6) 146 (50,3) 85 (53,8) Índice de comorbilidad 2,2 (2) 2,22 (2) 2,2 (2) Estado funcional 3,84 (5,08) 3,74 (5,14) 4,05 (5) SRIS, n (%) 364 (81,2) 238 (82,1) 126 (79,7) APACHE II 12,7 (7,1) 12,6 (7,3) 12,7 (6,9) Antecedentes, n (%) Diabetes 95 (21,2) 68 (23,4) 27 (17,1) Neoplasia 64 (14,3) 43 (14,8) 21 (13,3) Insuficiencia renal crónica 29 (6,5) 18 (6,2) 11 (7) Hepatopatía crónica 12 (2,7) 7 (2,4) 5 (3,2) Demencia 145 (32,4) 88 (30.3) 57 (36,1) Foco urinario, n (%) 165 (36,8) 110 (37,9) 55 (34,8) Bacteriemia, n (%) 113 (25,2) 75 (25,9) 38 (24,1) Mortalidad* (28 días), n (%) 53 (12,3) 34 (12,1) 19 (12,7) Las variables numéricas se expresan con la media (desviación estándar) y las variables categóricas, con su valor absoluto y porcen- taje. NF: no fatal; UF: últimamente fatal; RF: rápidamente fatal; SRIS: síndrome de respuesta inflamatoria sistémica; APACHE II: Acute Physiology and Chronic Health Evaluation II. *Cálculo realizado sobre los 431 episodios en los que se conoce la evolución. La calibración del modelo se evaluó con la χ2 de Pear- son y con la prueba de Hosmer-Lemeshow, y la discri- minación, con el cálculo de la sensibilidad, especifici- dad, valores predictivos positivo y negativo y curva de eficacia diagnóstica (curva ROC) con su intervalo de confianza (IC) del 95% para los grupos de derivación y validación20. La posible colinealidad entre las variables se ha analizado mediante el factor de inflación de la variancia y la tolerancia, considerando que existía coli- nealidad para alguna variable si el valor del primero era mayor de 2,5 y el de la tolerancia, menor de 0,4. Los datos se han analizado con el paquete estadístico SPSS 10 para ordenadores del entorno Macintosh®. Resultados Características generales de la serie Durante el tiempo del estudio se extrajeron 465 tandas de hemocultivos en 448 pa- cientes; en 17 casos se obtuvieron 2 tan- das por paciente en ingresos diferentes, por lo que en estos enfermos se conside- ró para el estudio únicamente el primer epi- sodio. Las principales características epide- miológicas y clínicas de la serie se recogen en la tabla 1. Se detectó una bacteriemia clínicamente significativa en un 25,2% de los episodios (113 de 448). Los diag- nósticos finales y los focos clínicos del to- tal de la serie y de los pacientes con bac- teriemia se resumen en la tabla 2; en las bacteriemias el foco urinario supuso el 58,4% de los casos. Los aislamientos mi- crobiológicos de los hemocultivos se re- cogen en la tabla 3; destaca el predomi- nio de los bacilos gramnegativos (70,5%) sobre los grampositivos (17,2%) y los anaerobios (4,1%). El microorganismo aislado con mayor frecuencia fue Esche- richia coli (el 54,1% de los aislamientos), lo que refleja el predominio del foco urina- rio como causa de bacteriemia; Strepto- coccus pneumoniae, con un 6,6%, ocupa la segunda posición en orden de frecuen- cia. Las bacteriemias polimicrobianas su- pusieron un 6,2% de los casos. Modelo de predicción de bacteriemia Como se ha indicado, el MPC se derivó a partir de una muestra aleatoria de 290 casos y se validó en los 158 restantes. En la tabla 1 se exponen las principales ca- racterísticas de los grupos de derivación y validación; ambos son comparables con respecto a sexo, edad, comorbilidad, gra- vedad, prevalencia de bacteriemia y de foco urinario. Las variables asociadas a la presencia de bacteriemia en el análisis bi- variante fueron la temperatura, la frecuen- cia cardíaca, la puntuación del APACHE II, la desviación izquierda, el foco urinario, el porcentaje de polimorfonucleares, el re- cuento de plaquetas y las determinacio- nes séricas de glucosa, urea, creatinina, bilirrubina, albúmina, VSG y PCR (tablas 4 y 5). Para la realización del análisis multivariante, se eliminó la puntuación del APACHE II y se intentó encontrar va- riables que fueran de aplicación sencilla y no precisasen cálculos complejos para su LIZARRALDE PALACIOS E, ET AL. BACTERIEMIA ADQUIRIDA EN LA COMUNIDAD: ELABORACIÓN DE UN MODELO DE PREDICCIÓN CLÍNICA EN PACIENTES INGRESADOS EN UN SERVICIO DE MEDICINA INTERNA 13 Med Clin (Barc) 2004;123(7):241-6 243 TABLA 2 Diagnósticos clínicos en la serie y en los pacientes con bacteriemia Foco clínico Serie global Bacteriemia Foco urinario 165 (36,8) 66 (58,4) Pielonefritis aguda 86 36 Infección urinaria 79 30 Foco respiratorio 163 (36,4) 9 (8) Neumonía 84 9 Infección respiratoria 74 Otros 5 Sin foco aparente 50 (11,2) 12 (10,6) Probable viriasis 20 Bacteriemia primaria 8 8 Otros 7 4 Enfermedad no infecciosa 15 Foco abdominal 35 (7,8) 13 (11,5) Gastroenteritis aguda 22 4 Colangitis 5 3 Diverticulitis 2 1 Otros 6 5 Foco cutáneo 22 (4,9) 8 (7,1) Celulitis 12 5 Úlcera de decúbito infectada 10 3 Foco vascular 6 (1,3) 5 (4,4) Endocarditis 3 3 Otras 3 2 Foco ORL-MF 6 (1,3) – Faringoamigdalitis 4Absceso/flemón dentario 2 Foco ginecológico 1 (0,2) – Piosalpinx 1 Total 448 (100) 113 (100) Los datos se indican como número (porcentaje). ORL-MF: otorrinolaringológico-maxilofacial. TABLA 3 Aislamientos microbiológicos en pacientes con bacteriemia Microorganismo n (%) Bacilos gramnegativos 86 (70,5) Escherichia coli 66 (54,1) Klebsiella sp. 4 (3,3) Proteus sp. 6 (4,9) Salmonella sp. 5 (4,1) Otros gramnegativos 5 (4,1) Cocos grampositivos 21 (17,2) Staphylococcus aureus 6 (4,9) Streptococcus sp. 3 (2,5) Streptococcus pneumoniae 8 (6,6) Staphylococcus coagulasa negativos 4 (3,3) Enterococcus sp. 6 (4,9) Anaerobios 5 (4,1) Neisseria meningitidis 2 (1,6) Otros microorganismos 2 (1,6) Bacteriemias polimicrobianas 7 (6,2) Total 122 (100) Se recuperaron 122 microorganismos en 113 episodios de bacteriemia. En 5 casos se aislaron 2 microorganismos, mien- tras que en 2 casos se aislaron 3. TABLA 4 Grupo de derivación. Análisis bivariante. Variables numéricas Variable N Sin bacteriemia Bacteriemia p (n = 215); X – (DE) (n = 75); X – (DE) Edad (años) 290 67,6 (20) 73,7 (13) NS IC 290 2,2 (2) 2,2 (2,1) NS Temperatura (°C) 290 38,3 (0,7) 38,6 (0,5) < 0,05 FC (lat/min) 290 98 (17) 104 (19) < 0,05 FR (resp./min) 290 20 (7) 20 (7) NS PAM (mmHg) 290 89 (17) 87 (20) NS ECG 290 13,9 (2) 14 (2,3) NS APACHE II 290 12,1 (7,3) 14,1 (7,2) < 0,05 Leucocitos (× 103/µl) 290 12,4 (5,8) 13,7 (6,1) NS PMN (%) 290 81 (11) 85 (7) < 0,05 VSG (mm) 285 58 (30) 69 (26) < 0,05 Plaquetas (× 109/l) 290 229 (110) 201 (108) < 0,05 Glucosa (mg/dl) 290 147 (82) 177 (104) < 0,05 Urea (mg/dl) 290 53 (41) 69 (47) < 0,05 Creatinina (mg/dl) 290 1,22 (0,85) 1,42 (1,15) < 0,05 AST (U/l) 290 31 (70) 58 (170) NS Bilirrubina (mg/dl) 285 0,85 (0,57) 1,12 (1,02) < 0,05 Fosfatasa alcalina (U/l) 267 216 (168) 227 (132) NS CK (U/l) 249 362 (1.625) 281 (660) NS LDH (U/l) 289 471 (276) 510 (319) NS PCR (mg/dl) 275 9,5 (7,9) 15,2 (10,8) < 0,05 Albúmina (g/dl) 281 3,16 (0,55) 2,97 (0,55) < 0,05 Bicarbonato (mmol/l) 148 24,1 (5,2) 22,6 (4,2) NS pH 159 7,42 (0,06) 7,4 (0,07) NS N: número de pacientes en los que se dispone de cada resultado; IC: índice de comorbilidad de Charlson; FC: frecuencia cardía- ca; FR: frecuencia respiratoria; PAM: presión arterial media; ECG: puntuación en la escala de coma de Glasgow; APACHE II: Acute Physiology and Chronic Health Evaluation II; PMN: polimorfonucleares; VSG: velocidad de sedimentación globular; AST: aspartatoaminotransferasa; CK: creatincinasa. LDH: lactato deshidrogenasa; PCR: proteína C reactiva; X – (DE): media (desviación estándar); NS: no significativo. obtención. No se observó colinealidad en las variables utilizadas en la regresión lo- gística, según los criterios establecidos. En el análisis multivariante, las variables relacionadas de forma independiente con el diagnóstico de bacteriemia fueron la existencia de foco urinario, la temperatura de 38,3 °C o superior, la desviación iz- quierda, la VSG igual o mayor de 70 mm en la primera hora, la glucemia igual o mayor de 140 mg/dl, la urea igual o ma- yor de 50 mg/dl, el recuento de plaquetas menor de 200 × 103/µl, la PCR igual o mayor de 12 mg/dl y la albúmina inferior a 3 g/dl (tabla 6). Al asignar la puntuación correspondiente a cada una de las variables significativas, el modelo permitió identificar 4 grupos con una probabilidad creciente de bacteriemia (tabla 7). En el grupo de pacientes con una puntuación entre 0 y 3, la prevalencia de bacteriemia fue del 2,4%, mientras que en el grupo de mayor riesgo (8 o más puntos) fue del 65%. En el grupo de validación, la prevalencia de bacteriemia en los grupos formados tras la aplicación del modelo, fue del 4,1, el 22,6, el 29,3 y el 80%, respectivamente. No se detectaron diferencias entre los valores observados y los predichos por el modelo que apuntaran a una mala calibración con la prueba de Hosmer-Lemeshow (χ2 = 4,91; grados de libertad = 8; p = 0,77) y la de la χ2 de Pear- son (tabla 8). La curva de eficacia diagnósti- ca en el grupo de derivación fue de 0,81 (IC del 95%, 0,76-0,86) y la del grupo de vali- dación fue de 0,77 (IC del 95%, 0,69-0,85) (fig. 1). Discusión Los MPC son herramientas diseñadas para asistir a los clínicos en la atención a los pa- cientes y facilitar el proceso de compren- sión e interpretación de la información clí- nica y la toma de decisiones21. En términos generales, cuantifican la contribución indi- vidual de los elementos independientes de la historia clínica, exploración física y ex- ploraciones complementarias ensamblan- do los datos disponibles, de forma que su asociación proporcione una información más precisa de la que ofrecen los elemen- tos de forma aislada22. La elaboración de un MPC implica 3 etapas: a) la derivación del modelo, mediante la identificación de las variables con mayor poder de predic- ción; b) su validación en un contexto clíni- co y población similares, y posteriormente en situaciones y grupos diferentes, y c) el análisis de su efecto en la clínica23. El tratamiento de los pacientes con fiebre supone un reto para el clínico, sobre todo cuando en la valoración inicial no existen síntomas, signos o hallazgos de las explo- raciones complementarias que indiquen un posible foco. En este contexto, la grave- dad potencial oscila desde cuadros bana- les hasta infecciones bacterianas que pue- den poner en peligro la vida del enfermo si se retrasa el tratamiento adecuado. La predicción del resultado de los hemoculti- vos tiene interés por 2 razones fundamen- tales: en primer lugar, puede ser útil para identificar a una población con riesgo muy bajo de bacteriemia en la que su obten- ción no esté indicada, porque no aporten ninguna información relevante, y en se- gundo lugar, permitiría la caracterización de un grupo de pacientes con una proba- bilidad muy alta de bacteriemia, en los que estaría indicada la obtención sistemá- tica de hemocultivos y el tratamiento anti- biótico empírico temprano, acompañado de una monitorización estrecha, para de- tectar precozmente el deterioro clínico o la existencia de complicaciones24. La predicción de infecciones bacterianas graves y bacteriemia se ha estudiado en LIZARRALDE PALACIOS E, ET AL. BACTERIEMIA ADQUIRIDA EN LA COMUNIDAD: ELABORACIÓN DE UN MODELO DE PREDICCIÓN CLÍNICA EN PACIENTES INGRESADOS EN UN SERVICIO DE MEDICINA INTERNA 244 Med Clin (Barc) 2004;123(7):241-6 14 TABLA 7 Prevalencia de bacteriemia en los grupos formados aplicando las puntuaciones obtenidas en el análisis multivariante Puntuación Grupo de derivación Grupo de validación Total N Bacteriemia, n (%) N Bacteriemia, n (%) N Bacteriemia, n (%) 0-3 84 2 (2,4) 49 2 (4,1) 133 4 (3) 4-5 89 14 (15,7) 53 12 (22,6) 142 26 (18,3) 6-7 77 33 (42,9) 41 12 (29,3) 118 45 (38,1) ≥ 8 40 26 (65) 15 12 (80) 55 38 (69,1) Total 290 75 (25,9) 158 38 (24,1) 448 113 (25,2) TABLA 8 Casos de bacteriemia observados y esperados según el modelo en los grupos de derivación y validación Puntuación Grupo de derivación Grupo de validación N.o de casos OBS ESP N.o de casos OBS ESP 0-3 84 2 3,6 49 2 2,3 4-5 89 14 15,1 53 12 8,7 6-7 77 33 29,4 41 12 15,4 ≥ 8 40 26 27 15 12 19,7 OBS: casos de bacteriemia observados; ESP: casos de bacteriemia esperados según el modelo de predicción. Grupo de deriva- ción: χ2 = 1,27; p = 0,74. Grupo de validación: χ2 = 2,2; p = 0,53. TABLA 6 Grupo de derivación. Análisis multivariante Variable B EE OR (IC del 95%) p Puntos Foco urinario 1,52 0,34 4,56 (2,36-8,83) < 0,001 3 Temperatura ≥ 38,3 °C 1,40 0,38 4,08 (1,92-8,65) < 0,001 2 Desviación izquierda 1 0,49 2,73 (1,05-7,11) < 0,05 1 VSG ≥ 70 mm/h 0,73 0,33 2,07 (1,08-3,98) < 0,05 1 Albúmina < 3 g/dl 0,66 0,32 1,93 (1,02-3,64) < 0,05 1 PCR ≥ 12 mg/dl 0,66 0,32 1,93 (1,03-3,62) < 0,05 1 Plaquetas < 200 × 109/l 0,62 0,32 1,87 (0,99-3,51) 0,05 1 Urea ≥ 50 mg/dl 0,60 0,32 1,83 (0,98-3,46) 0,06 1 Glucemia ≥ 140 mg/dl 0,59 0,32 1,81 (0,96-3,40) 0,07 1 Constante –4,58 0,58 B: coeficiente; EE: error estándar del coeficiente; OR: odds ratio; IC: intervalo de confianza; VSG:velocidad de sedimentación globular; PCR: proteína C reactiva. TABLA 5 Grupo de derivación. Análisis bivariante. Variables categóricas Variable Sin bacteriemia Bacteriemia p (n = 215) (n = 75) Sexo femenino 101 (47) 40 (53,3) NS Enfermedad de base* 105 (48,8) 41 (54,7) NS Estado funcional dependiente** 53 (24,7) 22 (29,3) NS Antibiótico previo 39 (18,1) 8 (10,7) NS Diabetes 51 (23,7) 17 (22,7) NS Insuficiencia renal crónica 13 (6) 5 (6,7) NS Demencia 64 (29,8) 24 (32) NS Neoplasia 29 (13,5) 14 (18,7) NS Hepatopatía crónica 5 (2,3) 2 (2,7) NS Escalofríos 66 (30,7) 27 (36) NS Mialgias 21 (9,8) 7 (9,3) NS Shock séptico 10 (4,7) 8 (10,7) NS Desviación izquierda 14 (6,5) 11 (14,7) < 0,05 Foco urinario 66 (30,7) 44 (58,7) < 0,001 Los datos se expresan como número absoluto y porcentaje. NS: no significativo. *Rápida o últimamente fatal (McCabe y Jack- son). **Estado funcional dependiente: puntuación de 8 o mayor en la escala de Plutchik. niños de varias edades25-28 y, en menor medida, en adultos. Se han desarrollado MPC en adultos con fiebre sin foco valora- dos en un servicio de urgencias9, en pa- cientes hospitalizados en diferentes servi- cios médicos y quirúrgicos10 y en pacientes ingresados por fiebre en un servicio de me- dicina interna11. Estos modelos se han va- lidado en entornos diferentes con resulta- dos variables, pero en general inferiores a los de los estudios originales14,24,29. Existen otros modelos elaborados para la predic- ción clínica de bacteriemia en pacientes con sepsis12,13 y en ancianos30-32. Ninguno de los modelos desarrollados por otros autores ha demostrado su utilidad cuando los hemos aplicado a nuestros pacientes (datos no expuestos). Las razones que pueden explicar el comportamiento defi- ciente de estos modelos incluyen las dife- rencias en la prevalencia de bacteriemia y en las características de los enfermos incluidos para su elaboración. Antes de recomendar su uso generalizado en la práctica clínica, los MPC deben de- mostrar que poseen una calibración y ca- pacidad de discriminación buenas y que se pueden trasladar a otros entornos. La calibración refleja el acuerdo entre las predicciones del modelo y los hallazgos obtenidos. La buena calibración de nues- tro modelo se refleja en el resultado de la prueba de Hosmer-Lemeshow, en la que se obtuvo un valor de p de 0,77, y en la χ2 de Pearson (tabla 8). Con respecto a la discriminación del modelo, su mejor me- dida global la proporciona el área bajo la curva de eficacia diagnóstica. Un área de 1 representa una capacidad de discrimi- nación perfecta, mientras que un área de 0,5 es equiparable a la obtenida por azar; se admite que un modelo útil debe tener un área bajo la curva mayor de 0,7 y se considera un buen resultado cuando es mayor de 0,833. En nuestro estudio, el área bajo la curva del grupo de derivación fue de 0,81 (IC del 95%, 0,76-0,86), y la del grupo de validación, de 0,77 (IC del 95%, 0,76-0,86) (fig. 1). La existencia de valores inferiores en el grupo de valida- ción implica que el modelo pierde capaci- dad de discriminación cuando se aplica a pacientes diferentes de los empleados en su derivación, aunque el valor permanece en una cifra que permite considerar bue- na la discriminación del modelo en este grupo. Los valores del área bajo la curva obtenidos en las series de validación de trabajos similares al nuestro se sitúan en- tre 0,72 y 0,7410,11. El tercer punto a considerar es la posibili- dad de trasladar los MPC, es decir, su capacidad para mantener su utilidad cuando se aplican en circunstancias dife- rentes de las de su elaboración. La vali- dación de los modelos de predicción de bacteriemia en entornos diferentes de los de su derivación ha obtenido resultados discretos y bastante inferiores a los de los trabajos originales14,24. La pérdida de la capacidad de predicción puede deberse a que el modelo otorgue valor a variables que suponen una peculiaridad de la po- blación incluida en la derivación y que carecen de significación en otros grupos. Por otra parte, la inclusión de variables con un peso clínico evidente pero poco frecuentes hace que la capacidad del modelo se vea debilitada cuando se apli- ca en otro entorno, con prevalencia dife- rente de estas variables. Por ejemplo, en el modelo de Bates et al10, el consumo de drogas por vía parenteral y la existencia de abdomen agudo constituían 2 factores predictivos de bacteriemia, que en nues- tra serie son prácticamente inexistentes. Además, la utilización de variables que entrañan un cierto grado de subjetividad en su medición dificulta también la posi- bilidad de trasladarlo a otros entornos. En el modelo de Leibovici et al11, se utiliza la presencia de escalofríos, recogida en la historia clínica, sin que se asegure la pre- cisión y fiabilidad de este dato. En este mismo modelo se utilizó una modificación no validada de la escala de Karnofsky para realizar una determinación subjetiva del estado funcional. En este sentido, nuestro modelo es potencialmente más sólido, porque la mayor parte de las va- riables incluidas son determinaciones de laboratorio. Los resultados de nuestro trabajo deben interpretarse considerando las limitacio- nes del estudio. La primera deriva de la heterogeneidad inherente de la variable a predecir; la bacteriemia neumocócica en un paciente anciano con neumonía y la bacteriemia por bacilos gramnegativos en una mujer joven con una pielonefritis po- seen unas implicaciones clínicas diferen- tes. La equiparación de estos diagnósticos tiende a simplificar un problema comple- jo, que puede influir en la capacidad de los modelos para establecer prediccio- nes. Las características intrínsecas de los MPC suponen una limitación adicional de este estudio y de otros similares. Ya se ha comentado anteriormente que los mode- los deben estar bien calibrados y deben discriminar de forma precisa entre enfer- medad y ausencia de enfermedad (bac- teriemia/no bacteriemia). Una limitación adicional de este estudio es el marco de su elaboración: la población incluida re- presenta un grupo muy seleccionado de pacientes, ingresados en un servicio de medicina interna de un hospital terciario, con clínica adquirida en la comunidad, que motiva la extracción de hemoculti- vos. Desconocemos si el modelo manten- drá su utilidad cuando se aplique a po- blaciones diferentes; probablemente, su capacidad de ser extrapolado sería supe- rior si se hubiera elaborado en varios ser- vicios o en varios centros hospitalarios. Algunas características de nuestros pa- cientes que probablemente influyan en la capacidad del modelo de ser útil en otros entornos son la media de edad elevada, el predominio del foco urinario como ori- gen de la bacteriemia y la práctica au- sencia o escasa representación de cir- cunstancias de impacto potencial, como el consumo de drogas por vía parenteral, la infección por el virus de la inmunodefi- ciencia humana, la cirrosis hepática y el abdomen agudo. LIZARRALDE PALACIOS E, ET AL. BACTERIEMIA ADQUIRIDA EN LA COMUNIDAD: ELABORACIÓN DE UN MODELO DE PREDICCIÓN CLÍNICA EN PACIENTES INGRESADOS EN UN SERVICIO DE MEDICINA INTERNA 15 Med Clin (Barc) 2004;123(7):241-6 245 1 0,8 0,6 0,4 0,2 0 0 0,2 0,4 0,6 0,8 1 1-especificidad S en si b ili d ad Derivación (D) Validación (V) ABC-D = 0,81 (IC del 95%, 0,76-0,86) ABC-V = 0,77 (IC del 95%, 0,69-0,85)Fig. 1. Comparación de las curvas de eficacia diagnós- tica (curvas ROC) en los grupos de derivación y va- lidación. ABC: área bajo la curva; IC: intervalo de con- fianza. Tras considerar estas cuestiones metodoló- gicas, la pregunta a responder es si el mo- delo tiene utilidad clínica. Un modelo útil tiene que proporcionar información que sirva para modificar la práctica clínica. Los modelos elaborados por otros autores fallan en este punto; con los datos presentados no pueden justificarse cambios en las deci- siones clínicas acerca de la extracción de hemocultivos, la monitorización clínica y la administración de tratamiento antibiótico34. En lo que concierne anuestro modelo, permitió la clasificación de los pacientes del grupo de derivación en 4 subgrupos, con una probabilidad de bacteriemia cre- ciente. En el grupo de riesgo inferior, la prevalencia fue del 2,4%, mientras que en el grupo de riesgo mayor fue del 65%. En el grupo de validación, la prevalencia de bacteriemia fue del 4,1 y el 85%, respecti- vamente. La determinación de un grupo de bajo riesgo, en el que podría omitirse la rea- lización de hemocultivos, tiene un gran in- terés. En nuestro trabajo, analizando de forma conjunta las series de derivación y validación, los pacientes incluidos en el grupo de bajo riesgo de bacteriemia consti- tuyeron el 29,7% del total; la prevalencia de bacteriemia en estos pacientes fue del 3%. En otros modelos, la prevalencia de bacteriemia en los grupos de riesgo bajo de la derivación y validación oscila entre el 1 y el 5% en las series originales y entre el 3 y el 15% en las validaciones realizadas en otros marcos10,11,14,24. Aunque no se ha realizado un análisis de decisiones que es- tablezca un umbral de probabilidad por debajo del cual sea seguro y admisible por parte de los clínicos no extraer hemoculti- vos en la sospecha de bacteriemia, las pre- valencias obtenidas son altas en la mayor parte de estos trabajos. En nuestro estudio, la prevalencia de bacteriemia en el grupo de riesgo bajo también es excesiva para re- comendar la abstención sistemática en la extracción de hemocultivos. Una recomen- dación asumible sería no extraerlos a me- nos que existan datos clínicos de gravedad o antecedentes de enfermedades de base que constituyan una circunstancia de ries- go. La seguridad de esta recomendación no puede sustentarse con los datos pre- sentados y sería recomendable establecer- la en estudios posteriores antes de su puesta en práctica. Por otra parte, en los pacientes con una puntuación de 0-1 (el 8,7% del total), no se observó ningún caso de bacteriemia, por lo que parece una práctica segura no extraer hemocultivos. En el grupo de mayor riesgo la prevalencia glo- bal de bacteriemia fue del 69%; esto per- mite seleccionar a una población con una probabilidad muy alta de bacteriemia, can- didata a beneficiarse de una monitorización clínica o un tratamiento más agresivos. En definitiva, presentamos un MPC de bacteriemia que ha permitido dividir a nuestros pacientes en 4 grupos con pre- valencia creciente de bacteriemia. En el grupo de riesgo bajo, con las limitaciones expuestas anteriormente, podría omitirse la extracción de hemocultivos. En cual- quier caso, antes de proceder a la aplica- ción en la práctica del modelo, éste debe validarse en otras situaciones clínicas. Por otra parte, una línea adicional de in- vestigación sería estudiar su capacidad de predicción incluyendo determinacio- nes de laboratorio, como la procalcitoni- na y las interleucinas, que han mostrado su utilidad potencial en otras situaciones. Como colofón, podemos añadir que nin- gún modelo de predicción de bacteriemia tiene la calibración, capacidad de discri- minación, sensibilidad y especificidad ex- quisitas que demandamos los clínicos. Los modelos matemáticos no pretenden sustituir al juicio clínico, sino que propor- cionan marcos de referencia en los que basar el diagnóstico de presunción. En el manejo de los pacientes con sospecha de bacteriemia, el modelo que presenta- mos puede contribuir a modificar la acti- tud ante la obtención de hemocultivos, el seguimiento clínico y el tratamiento anti- biótico empírico. Sin embargo, hoy por hoy, las decisiones deben apoyarse, ade- más, en consideraciones individuales de cada paciente derivadas de la experien- cia y de las normas de práctica clínica en uso. REFERENCIAS BIBLIOGRÁFICAS 1. Matas L, Martí C, Morera A, Sierra M, Vilamala A, Corcoy F y Grupo de Microbiólogos de Hospi- tales Comarcales de Barcelona. Bacteriemia en 13 hospitales generales de la provincia de Bar- celona. Estudio prospectivo de 1.674 episodios. Enf Infec Microbiol Clin 1995;13:345-55. 2. Fariñas MC, Fariñas Álvarez C, García Palomo JD, González Macías J. Bacteriemia y sepsis. As- pectos etiológicos y patogénicos. Clínica y diag- nóstico. Medicine (Madrid) 1998;7:3377-83. 3. Niederman MS, Fein AM. Predicting bacteremia in clinically ill patients: a clinically relevant effort? Intens Care Med 1994;20:406-6. 4. Washington JA. Collection, transport and processing of blood cultures. Clin Lab Med 1994;14: 59-68. 5. Poses RM, Anthony M. Availability, wishful thin- king, and physicians’ diagnostic judgements for patients with suspected bacteremia. Med Decis Making 1991;11:159-68. 6. McCabe RE, Remington JS. C-reactive protein in patients with bacteremia. J Clin Microbiol 1984;20:317-9. 7. Name Bayona O, Fernández López A, Luaces Cubells C. Procalcitonina: una nueva herramien- ta diagnóstica en la infección bacteriana. Med Clin (Barc) 2002;119:707-14. 8. Gabay C, Kushner I. Acute-phase proteins and other systemic responses to inflammation. N Engl J Med 1999;340:448-53. 9. Mellors JW, Horwitz RI, Harvey MR, Horwitz SM. A simple index to identify occult bacterial infec- tion in adults with acute unexplained fever. Arch Intern Med 1987;147:666-71. 10. Bates DW, Cook EF, Goldman L, Lee TH. Predicting bacteremia in hospitalized patients. A prospective va- lidated model. Ann Intern Med 1990;113:495-500. 11. Leibovici L, Greenshtain S, Cohen O, Mor F, Wy- senbeek AJ. Bacteremia in febrile patients. A cli- nical model for diagnosis. Arch Intern Med 1991;151:1801-6. 12. Bates DW, Sands K, Miller E, Lanken PN, Hib- berd PL, Graman PS, et al. Predicting bactere- mia in patients with sepsis syndrome. Academic Medical Center Consortium Sepsis Project Wor- king Group. J Infect Dis 1997;176:1538-51. 13. Peduzzi P, Shatney C, Sheagren J, Sprung C and the Veteran Affairs Systemic Sepsis Coope- rative Study Group. Predictors of bacteremia and Gram-negative bacteremia in patients with sep- sis. Arch Intern Med 1992;152:529-35. 14. Yehezkelli Y, Subah S, Elhanan G, Raz R, Porter A, Regev A, et al. Two rules for early prediction of bacteremia: testing in a university and a commu- nity hospital. J Gen Intern Med 1996;11:98-103. 15. Charlson ME, Pompei P, Ales KL, Mackenzie CR. A new method of classifying prognostic co- morbidity in longitudinal studies: development and validation. J Chron Dis 1987;40:373-83. 16. McCabe WR, Jackson GG. Gram-negative bacte- riemia. Etiology and ecology. Arch lntern Med 1962;110:845-55. 17. Plutchik R, Conte H, Lieberman M, Bakur M, Grossman J, Lehrman N. Reliability and validity of a scale for assesing the funtioning of geriatric patients. J Am Geriatr Soc 1970;18:491-500. 18. Knaus WA, Draper EA, Wagner DP, Zimmerman JE. APACHE II: a severity of disease classifica- tion system. Crit Care Med 1985;13:818-29 . 19. Chin DP, Reingold AL, Horsburgh CR, Yajko DM, Hadley WK, Elkin EP, et al. Predicting My- cobacterium avium complex bacteremia in pa- tients infected with human immunodeficiency vi- rus: a prospectively validated model. Clin Infect Dis 1994;19:668-74. 20. Burgueño MJ, García-Bastos JL, González-Buitrago JM. Las curvas ROC en la evaluación de las pruebas diagnósticas. Med Clin (Barc) 1995;104:661-70. 21. Wasson JH, Sox HC, Neff RK, Goldman L. Clini- cal prediction rules. Applications and methodolo- gical standards. N Engl J Med 1985;313:793-9. 22. Ingui BJ, Rogers MAM. Searching for clinical prediction rules in MEDLINE. J Am Med Inform Assoc 2001;8:391-7. 23. McGinn TG, Guyatt GH, Wyer PC, Naylor CD, Stiell IG, Richardson WS. Users’ guides to the medical literature, XXII: How to use articles about clinical decision rules. Evidence-based Medicine Working Group. JAMA 2000;284:79-84. 24. Mylotte JM, Pisano MA, Ram S, Nakasato S, Rote- lla D. Validation of a bacteremia prediction model. Infect Control Hosp Epidemiol 1995;16:203-9. 25. Isaacman DJ, Shults J, Gross TK, Davis PH, Harper M. Predictors of bacteremia in febrile children 3 to 36 months of age. Pediatrics 2000;106:977-82. 26. Chiu CH, Lin TY, Bullard MJ. Identificationof fe- brile neonates unlikely to have bacterial infec- tions. Pediatr Infect Dis J 1997;16:59-63. 27. Bachur RG, Harper MB. Predictive model for se- rious bacterial infections among infants younger than 3 months of age. Pediatrics 2001;108:311-6. 28. Fleisher GR, Rosenberg N, Vinci R, Steinberg J, Powell K, Christy C, et al. Intramuscular versus oral antibiotic therapy for the prevention of me- ningitis and other bacterial sequelae in young, febrile children at risk for occult bacteremia. J Pediatr 1994;124:504-12. 29. Leibovici L, Cohen O, Wysenbeek AJ. Occult bacterial infection in adults with unexplained fe- ver. Validation of a diagnostic index. Arch Intern Med 1990;150:1270-2. 30. Chassagne P, Perol MB, Doucet J, Trivalle C, Ménard JF, Manchon ND, et al. Is presentation of bacteremia in the elderly the same as in youn- ger patients? Am J Med 1996;100:65-70. 31. Fontanarosa PB, Kaeberlein FJ, Gerson LW, Thornson RB. Difficulty in predicting bacteremia in elderly emergency patients. Ann Emerg Med 1992;21:842-8. 32. Pfitzenmeyer P, Decrey H, Auckenthaler R, Mi- chel JP. Predicting bacteremia in older patients. J Am Geriatr Soc 1995;43:230-5. 33. Centor RM. Signal detectability: the use of ROC curves and their analyses. Med Decis Making 1991;11:102-6. 34. Allison JJ, Centor RM. Why models predicting bacteremia in general medical patients do not work? J Gen Intern Med 1996;11:132-4. LIZARRALDE PALACIOS E, ET AL. BACTERIEMIA ADQUIRIDA EN LA COMUNIDAD: ELABORACIÓN DE UN MODELO DE PREDICCIÓN CLÍNICA EN PACIENTES INGRESADOS EN UN SERVICIO DE MEDICINA INTERNA 246 Med Clin (Barc) 2004;123(7):241-6 16
Compartir