Modelo predictivo de eventos adversos a medicamentos en personas mayores hospitalizadas

Abstract

Introducción Los Eventos Adversos a Medicamentos (EAM) representan un problema que afecta la calidad del cuidado en salud y el logro de los objetivos terapéuticos en las Personas Mayores (PM). Por esta razón, cobra especial relevancia prevenirlos e identificar aquellos factores que contribuyen en su aparición y en teoría predecir su ocurrencia. Los EAM se definen como cualquier injuria o daño debido al uso, apropiado o inapropiado, de medicamentos. Los EAM que ocurren en el contexto del uso apropiado del fármaco, esto es, a las dosis apropiadas para modificar cualquier función biológica, son conocidas como Reacciones Adversas a Medicamentos (RAM). Otros EAM que ocurren producto de la selección, uso y/o monitorización inapropiada de los medicamentos se encuentran incluidos en las definiciones de Errores de Medicación (EM) o Problemas Relacionados a Medicamentos (PRM). Aún cuando los EAM constituyen una alta carga de morbilidad en PM, hasta la fecha existen dos escalas (GerontoNet y BADRI) creadas para predecir RAM en pacientes geriátricos. Su uso clínico es limitado por el bajo rendimiento que presentan, posiblemente por el uso de indicadores de baja validez geriátrica. Ninguna de estas escalas está orientada a predecir en forma integral los EAM en PM, esto es, incluyendo EM, RAM y PRM. Por lo tanto, hasta este trabajo, existiría un vacío en el desarrollo de esta materia, dado que no se han descrito herramientas de apoyo clínico publicadas, que permitan identificar los factores asociados a la ocurrencia y predicción de EAM en PM hospitalizados. Objetivo Desarrollar un modelo para predecir EAM en personas mayores hospitalizadas. Método Mediante un estudio de cohorte retrospectivo, de los datos de pacientes atendidos en el proyecto FONIS SA14ID0141, titulado “Impacto del farmacéutico clínico en la prevención post-alta de eventos adversos a medicamentos en adultos mayores: Ensayo Clínico Aleatorio” se analizó e identificó aquellos antecedentes sociodemográficos, socioeconómicos, mórbidos, funcionales, clínicos y farmacoterapéuticos con potencial de ser utilizados para crear un modelo predictivo de EAM en PM durante la hospitalización. Los factores e interacciones asociados significativamente a la ocurrencia de EAM en este grupo de pacientes se detectaron a través de regresiones logísticas bivariadas y multivariadas. Luego se seleccionó aquellas que, en conjunto, presentaran el mejor rendimiento para predecir los EAM. El rendimiento del modelo se evaluó con las pruebas de pseudo R2, bondad de ajuste (Hosmer- Lemeshow) y curvas ROC (Receiver Operating Characteristic Curve). La validez del modelo y su capacidad de detección de ocurrencia de EAM se probó mediante la determinación de sensibilidad, especificidad, valor predictivo positivo y valor predictivo negativo. La estabilidad del modelo se estudió calculando la sensibilidad y especificidad obtenidas luego de aplicarlo iterativamente a muestras aleatorias y representativas del total de pacientes seleccionados. Resultados La muestra evaluada estuvo conformada por 613 PM hospitalizados. El promedio de edad fue de 73,2 ± 8,7 años y el 54,3% eran mujeres. De los nueve modelos predictivos que cumplían con la inclusión de factores e interacciones asociadas significativamente a la ocurrencia de EAM en PM durante la hospitalización, se seleccionó aquel que incluyó las variables asociadas significativamente con la ocurrencia de EAM y que tenían la mayor aplicabilidad clínica y rendimiento según coeficiente de correlación. El modelo predictivo seleccionado incluyó valoraciones clínicas, funcionales y farmacoterapéuticas al ingreso hospitalario del paciente. Estas valoraciones fueron la funcionalidad en las Actividades Básicas de la Vida Diaria según Índice de Barthel (versión 2015), el uso de 8 y más medicamentos, el uso de medicamentos con carga anticolinérgica según la escala Burden, el uso de medicamentos potencialmente inapropiados según Criterios STOPP (versión 2015) y la carga de enfermedad estimada por Índice de Comorbilidad de Charlson. El rendimiento del modelo seleccionado mostró una sensibilidad de 63,60%, una especificidad de 58,62%, un VPP de 57,69% y un VPN de 64,48%. También, se evaluó la estabilidad del modelo y presentó una sensibilidad de 58,46% y una especificidad de 65,19%. Conclusiones El modelo predictivo desarrollado proporciona nueva evidencia sobre la existencia y aplicación de factores asociados significativamente a la ocurrencia y predicción de EAM en PM durante la hospitalización. La aplicación de este modelo en una muestra seleccionada de PM hospitalizadas permitió identificar precozmente a 6 de cada 10 PM que sufrieron EAM, considerando como punto de corte una prevalencia de EAM durante la hospitalización de 47,3%. La herramienta creada tiene un rendimiento promisorio que debe evaluarse, a través de futuros estudios multicéntricos y prospectivos, que permitan determinar su desempeño y validez externa. Una vez validado el modelo creado, podría ser utilizado por el personal clínico para identificar precozmente las PM en riesgo de sufrir EAM durante la hospitalización y ajustar previamente el tratamiento farmacológico, y con ello mejorar la calidad de la atención en salud y la seguridad del paciente.

Introduction Adverse Drug Events (ADEs) represent a problem that affects the quality of healthcare and the achievement of therapeutic objectives in Older People (OP). It is important to prevent them and identify those factors that contribute to their appearance and theory predict its occurrence. The ADEs are defined as any injury or harm due to the appropriate or inappropriate use of medications. The ADEs that occur in the context of the appropriate use of the drug, that is, at the appropriate doses to modify any biological function, is known as Adverse Drug Reactions (ADRs). Other ADEs that occur as a result of the selection, use, and/or inappropriate monitoring of drugs are included in the definitions of Medication Errors (ME) or Medication-Related Problems (PRM). Even though ADEs constitute a high burden of morbidity in OP, to date there are two scales (GerontoNet and BADRI) created to predict ADR in geriatric patients. Their clinical use is limited by their low performance, possibly due to the use of indicators of low geriatric validity. None of these scales is oriented to comprehensively predict ADEs in OP, that is, including ME, ADR, and PRM. Therefore, until this work, there would be a gap in the development of this matter, given that published clinical support tools have not been described, which allow identifying the factors associated with the occurrence and prediction of ADEs in hospitalized OP. Objective: To develop a model to predict ADEs in older inpatients. Methods Through a retrospective cohort study, the data of patients treated in the FONIS SA14ID0141 project, entitled "Impact of the clinical pharmacist in the postdischarge prevention of adverse events to drugs in older adults: Randomized Clinical Trial" was analyzed and identified those antecedents sociodemographic, socioeconomic, morbid, functional, clinical and pharmacotherapeutic with the potential to be used to create a predictive model of ADE in OP during hospitalization. The factors and interactions significantly associated with the occurrence of ADE in this group of patients were detected through bivariate and multivariate logistic regressions. Then, those that, together, presented the best performance to predict EAM were selected. The performance of the model was evaluated with the pseudo R2 tests, the goodness of fit (Hosmer-Lemeshow), and ROC curves (Receiver Operating Characteristic Curve). The validity of the model and its ability to detect the occurrence of ADEs were tested by determining sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). The stability of the model was studied by calculating the sensitivity and specificity obtained after iteratively applying it to random and representative samples of the total number of selected patients. Results The sample evaluated consisted of 613 hospitalized OP. The average age was 73.2 ± 8.7 years and 54.3% were women. Of the nine predictive models that met the inclusion of factors and interactions significantly associated with the occurrence of ADE in OP during hospitalization, the one that included the variables significantly associated with the occurrence of ADE and that had the highest clinical applicability and performance was selected. according to the correlation coefficient. The selected predictive model included clinical, functional, and pharmacotherapeutic assessments at the patient's hospital admission. These evaluations were the functionality in the Basic Activities of Daily Living according to the Barthel Index (version 2015), the use of 8 or more medications, the use of medications with anticholinergic load according to the Burden scale, the use of potentially inappropriate medications according to STOPP Criteria (2015 version) and the burden of disease estimated by the Charlson Comorbidity Index. The performance of the selected model showed a sensitivity of 63.60%, a specificity of 58.62%, a PPV of 57.69%, and an NPV of 64.48%. Also, the stability of the model was evaluated and presented a sensitivity of 58.46% and a specificity of 65.19%. Conclusions The predictive model developed provides new evidence on the existence and application of factors significantly associated with the occurrence and prediction of ADE in OP during hospitalization. The application of this model in a selected sample of hospitalized OP allowed the early identification of 6 out of 10 OP who suffered ADE, considering as a cut-off point a prevalence of ADE during hospitalization of 47.3%. The tool created has a promising performance that must be evaluated through future multicenter and prospective studies, which allow determining its performance and external validity. Once the created model has been validated, it could be used by clinical staff to early identify OP at risk of suffering from ADE during hospitalization and previously adjust drug treatment, thereby improving the quality of health care and patient safety.