Asociación del tiempo de hospitalización frente a variables sociodemográficas, clínicas y paraclínicas de pacientes pediátricos con infección por virus Epstein Barr mediante modelos de regresión
Cargando...
Fecha
2022
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
ISSN de la revista
Título del volumen
Resumen
Recently, some studies are researching the veracity of the American literature, on which the vast majority of medical schools in Latin America are based, with the diagnosis and evolution of diseases in cohorts from different countries. One example is the work of Moreno (2020) which characterizes and differs in certain diagnoses of the disease caused by the Epstein Barr virus, in a pediatric population of a clinic in Bogotá, Colombia, between the years 2015 and 2019. With the previous work, a possible fault in the diagnosis was identified due to these differences with the teaching parameters, which generates inefficiency in the hospitalization times of the patients. Therefore, a comparison of regression models that explain the association of the sociodemographic, clinical and paraclinical variables of the patients with the number of hospitalized days in the studied cohort was carried out. Models were made with a frequentist and Bayesian approach, supported by the selection of variables by Step AIC methods, evaluation of importance by Random Forest, or probability of inclusion for handling overfitting. Variables such as age, presence of myalgia, and thrombocytosis, among others, that explain the hospitalization time of pediatric patients with Epstein Barr virus infection in the studied cohort were identified. After discussing the results obtained, it was concluded that all the variables generated from the different proposed models would be used since, on the one hand, possible shortcomings of some models are complemented with the others and, on the other hand, they will be the basis argued of the following study with a representative sample of the local cohort.
Descripción
Abstract
Recientemente, se han realizado trabajos de investigación sobre la veracidad de la literatura americana de la cual están basadas la gran mayoría de escuelas de medicina en Latinoamérica, con el diagnóstico y evolución de enfermedades en cohortes de diferentes países. Un ejemplo de lo anterior, es el trabajo Moreno(2020) donde se caracterizan y difieren ciertos diagnósticos de la enfermedad causada por el virus Epstein Barr en una población pediátrica de una clínica de Bogotá, Colombia, entre los años 2015 y 2019. En el trabajo anterior, se identificó de forma descriptiva, un error en el diagnóstico a causa de esas diferencias con los parámetros de enseñanza, lo que genera ineficiencia en el uso de recursos en salud por tiempos de hospitalización prolongados. A partir de lo anterior, en este trabajo se realizó una comparación de modelos de regresión que expliquen la asociación de las variables sociodemográficas, clínicas y paraclínicas de los pacientes con el número de días hospitalizados de la cohorte estudiada. Se ajustaron modelos con aproximación frecuentista y bayesiana, apoyados en la selección de variables por métodos como el Step AIC, evaluación de importancia por Random Forest o probabilidad de inclusión para el manejo de sobre ajuste. Con los modelos ajustados, se identificaron variables como la edad, la presencia de mialgias, la trombocitosis, entre otras, que explican el tiempo de hospitalización de pacientes pediátricos con infección por virus Epstein Barr en la cohorte estudiada. Después de discutir los resultados obtenidos, se concluyó que se utilizarían la totalidad de las variables significativas generadas de los diferentes modelos propuestos ya que, por un lado, se complementan posibles falencias de unos modelos con los otros y, por otro lado, serán la base argumentada del siguiente estudio con una muestra representativa de la cohorte local.
Palabras clave
Aprendizaje de máquina, Virus Epstein Barr, Tiempo de hospitalización, Modelos lineales generalizados, Modelos de regresión bayesianos
Keywords
Epstein Barr Virus, Hospitalization time, Generalized linear model, Machine learning, Bayesian regression model