Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna

+Model RCE-1498; No. of Pages 8

ARTICLE IN PRESS

Rev Clin Esp. 2018;xxx(xx):xxx---xxx

Revista Clínica Española www.elsevier.es/rce

ORIGINAL

Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna J. Ena a,∗ , R. Gómez-Huelgas b , B.C. Gracia-Tello c , P. Vázquez-Rodríguez d , J.N. Alcalá-Pedrajas e , F.J. Carrasco-Sánchez f , B. Murcia-Casas g , M. Romero-Sánchez h , J.V. Segura-Heras i , J. Carretero j y Grupo de Diabetes, Obesidad y Nutrición de la Sociedad Espa˜ nola de Medicina Interna♦ a

Servicio de Medicina Interna, Hospital Marina Baixa, Villajoyosa, Alicante, Espa˜ na Servicio de Medicina Interna, Hospital Regional Universitario de Málaga, Málaga, Espa˜ na c Servicio de Medicina Interna, Hospital Clínico Universitario Lozano Blesa, Zaragoza, Espa˜ na d Servicio de Medicina Interna, Complexo Hospitalario Universitario A Coru˜ na, A Coru˜ na, Espa˜ na e Servicio de Medicina Interna, Hospital Comarcal de Pozoblanco, Pozoblanco, Córdoba, Espa˜ na f Servicio de Medicina Interna, Hospital Juan Ramón Jiménez, Huelva, Espa˜ na g Servicio de Medicina Interna, Hospital Clínico Universitario Virgen de la Victoria, Málaga, Espa˜ na h Servicio de Medicina Interna, Hospital de Fuenlabrada, Fuenlabrada, Madrid, Espa˜ na i Centro de Investigación Operativa, Universidad Miguel Hernández, Elche, Alicante, Espa˜ na j Servicio de Medicina Interna, Hospital Comarcal de Zafra, Zafra, Badajoz, Espa˜ na b

Recibido el 11 de febrero de 2018; aceptado el 16 de marzo de 2018

PALABRAS CLAVE Diabetes mellitus; Medicina hospitalaria; Reingreso de pacientes; Métodos epidemiológicos

Resumen Objetivos: Hemos desarrollado un modelo predictivo de reingreso hospitalario en pacientes con diabetes. El objetivo es identificar aquella población frágil que requiera estrategias adicionales para evitar reingresos a 90 días. Métodos: Utilizando datos recogidos en 3 estudios de prevalencia nacionales (2015-2017) que incluyeron un total de 1.977 pacientes hemos desarrollado y validado un modelo predictivo de reingreso a 90 días en pacientes con diabetes. Resultados: Se registraron un total de 704 (36%) reingresos. No hubo diferencias en la tasa de reingreso a lo largo de los 3 periodos de estudio. Los hospitales de más de 500 camas mostraron de forma estadísticamente significativa (p = 0,02) mayores tasas de reingreso que los de menor tama˜ no. Los motivos principales de reingreso fueron enfermedades infecciosas (29%), enfermedades cardiovasculares (24%) y enfermedades respiratorias (14%). Los reingresos directamente relacionados con descompensaciones diabéticas fueron solo un 2%. Las variables

∗

Autor para correspondencia. Correo electrónico: ena [email protected] (J. Ena). ♦ Los nombres de los miembros del Grupo de Diabetes, Obesidad y Nutrición de la Sociedad Espa˜ nola de Medicina Interna se relacionan en el Anexo 1. https://doi.org/10.1016/j.rce.2018.03.010 0014-2565/© 2018 Elsevier Espa˜ na, S.L.U. y Sociedad Espa˜ nola de Medicina Interna (SEMI). Todos los derechos reservados.

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010

+Model RCE-1498; No. of Pages 8

ARTICLE IN PRESS

2

J. Ena et al. independientes asociadas con reingresos hospitalarios fueron la edad del paciente, el grado de cormobilidad, el filtrado glomerular estimado, el grado de discapacidad, la presencia de episodios previos de hipoglucemia, el uso de insulina en el tratamiento de la diabetes y el uso de glucocorticoides sistémicos. El modelo predictivo mostró en la cohorte de derivación un área bajo de curva ROC: 0,676 (intervalo de confianza al 95% [IC 95%]: 0,642-0,709; p = 0,001). En la cohorte de validación el modelo mostró un área bajo la curva: 0,661 (IC 95%: 0,612-0,710; p = 0,001). Conclusión: El modelo de predicción de reingresos para pacientes con diabetes tipo 2 hospitalizados que hemos desarrollado permite identificar un subgrupo de pacientes frágiles con alto riesgo de reingreso. © 2018 Elsevier Espa˜ na, S.L.U. y Sociedad Espa˜ nola de Medicina Interna (SEMI). Todos los derechos reservados.

KEYWORDS Diabetes mellitus; Hospital medicine; Patient readmission; Epidemiological methods

Derivation and validation of a predictive model for the readmission of patients with diabetes mellitus treated in internal medicine departments Abstract Objectives: We developed a predictive model for the hospital readmission of patients with diabetes. The objective was to identify the frail population that requires additional strategies to prevent readmissions at 90 days. Methods: Using data collected from 1977 patients in 3 studies on the national prevalence of diabetes (2015-2017), we developed and validated a predictive model of readmission at 90 days for patients with diabetes. Results: A total of 704 (36%) readmissions were recorded. There were no differences in the readmission rates over the course of the 3 studies. The hospitals with more than 500 beds showed significantly (p = .02) higher readmission rates than those with fewer beds. The main reasons for readmission were infectious diseases (29%), cardiovascular diseases (24) and respiratory diseases (14%). Readmissions directly related to diabetic decompensations accounted for only 2% of all readmissions. The independent variables associated with hospital readmission were patient’s age, degree of comorbidity, estimated glomerular filtration rate, degree of disability, presence of previous episodes of hypoglycaemia, use of insulin in treating diabetes and the use of systemic glucocorticoids. The predictive model showed an area under the ROC curve (AUC) of 0.676 (95% confidence interval [95% CI] 0.642---0.709; p = .001) in the referral cohort. In the validation cohort, the model showed an AUC of 0.661 (95% CI 0.612---0.710; p = .001). Conclusion: The model we developed for predicting readmissions for hospitalised patients with type 2 diabetes helps identify a subgroup of frail patients with a high risk of readmission. © 2018 Elsevier Espa˜ na, S.L.U. and Sociedad Espa˜ nola de Medicina Interna (SEMI). All rights reserved.

Introducción La diabetes mellitus constituye un diagnóstico secundario muy prevalente en pacientes hospitalizados por diversos problemas médicos. Se estima que aproximadamente un 2025% de todos los pacientes adultos hospitalizados padecen diabetes, y que ello puede constituir un factor determinante de reingresos hospitalarios1,2 . Los reingresos hospitalarios se clasifican habitualmente en precoces (reingresos en los 30 días siguientes al alta) y tardíos (reingresos en los 90 días siguientes al alta). Las tasas de reingreso precoz de los pacientes en medicina interna se sitúan alrededor del 12,4%3 . En estudios llevados a cabo en pacientes americanos pertenecientes al Medicare, las tasas de reingreso a 90 días suponen un 34%4 . Los reingresos hospitalarios están relacionados habitualmente con la severidad

de la enfermedad, la presencia de enfermedades coexistentes, la edad, el nivel socioeconómico, así como la prestación de un cuidado subóptimo tras el alta5---8 . La mayoría de los estudios que analizan los reingresos hospitalarios se han centrado en 3 enfermedades muy frecuentes, tales como la insuficiencia cardiaca, el infarto agudo de miocardio y la neumonía5,9,10 . Sin embargo, los determinantes de reingreso hospitalario en pacientes con diabetes tipo 2 son menos conocidos. Los determinantes frecuentemente más analizados en pacientes con diabetes mellitus han sido el grado de control glucémico11 o el impacto de la hipoglucemia12 o la presencia de insuficiencia cardiaca como motivo de ingreso13---14 . Sin embargo, es posible que otros determinantes tales como el grado de comorbilidad, la capacidad funcional y el tipo de tratamiento antihiperglucemiante también influyan en el reingreso.

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010

+Model RCE-1498; No. of Pages 8

ARTICLE IN PRESS

Derivación y validación de un modelo predictivo de reingreso en pacientes con DM Por este motivo, hemos llevado a cabo el presente estudio para examinar 2 aspectos: cuál es la frecuencia de rehospitalización a los 90 días en pacientes con diabetes tipo 2 y qué factores son los determinantes de la rehospitalización en un amplio colectivo de pacientes con diabetes mellitus ingresados en medicina interna.

3

hemoglobina A1c, filtrado glomerular medido por la ecuación Chronic Kidney Disease Epidemiology Collaboration19 , presencia de hipoglucemia (glucosa inferior a 70 mg/dl) y presencia de hiperglucemia extrema (glucosa superior a 350 mg/dl) durante el ingreso hospitalario.

Análisis estadístico

Métodos Dise˜ no del estudio Estudio de retrospectivo de cohorte. En un día determinado se registraron el número de pacientes con hiperglucemia o diabetes ingresados en servicios de medicina interna y cuántos de ellos habían presentado un ingreso en el hospital en los 3 meses previos.

Población estudiada La fuente de datos estuvo constituida por información proveniente de 3 estudios transversales llevados a cabo en los a˜ nos 2015, 2016 y 2017 en hospitales de pertenecientes al Sistema Nacional de Salud de Espa˜ na. Se disponía de información de un total de 1.977 pacientes. En estos estudios de corte transversal se recogía información en un día sobre el tama˜ no de hospital participante, número de pacientes ingresados en el servicio de medicina interna, número de pacientes con diabetes o hiperglucemia ingresados y motivo de ingreso en el hospital, ingresos previos en el hospital en los últimos 90 días, estancia hospitalaria hasta el día del estudio, características demográficas, comorbilidad y grado de dependencia, datos de laboratorio, tratamiento antihiperglucemiante, uso de tratamientos productores de hiperglucemia (tratamiento con glucocorticoides sistémicos) o nutrición enteral o parenteral, desarrollo de hipoglucemia o hiperglucemia extrema a lo largo de la hospitalización y valores de glucemia capilar en el día del estudio. Se consideró que los pacientes presentaban diabetes mellitus si en la historia clínica del paciente presentaban este diagnóstico o si cumplían los criterios de diagnóstico de diabetes mellitus según la Asociación de Diabetes Americana15 .

Variable respuesta Para los propósitos del estudio los pacientes fueron clasificados 2 grupos: reingreso hospitalario si el paciente había presentado un ingreso en el hospital en los 90 días anteriores y no reingreso hospitalario si el paciente no había tenido ningún ingreso en los 90 días previos.

Variables explicativas Las variables explicativas incluían edad, sexo, motivo de ingreso hospitalario, tipo de diabetes, comorbilidad medida por la puntuación de Charlson16 , grado de dependencia medido por la escala modificada de Rankin17 , nivel de deterioro cognitivo medido por la Global Deterioration Scale18 , tipo de tratamiento de la diabetes previo al ingreso en el hospital, grado de control glucémico medido por valor de

El análisis estadístico descriptivo incluyó las medidas de frecuencia y porcentajes para variables categóricas, y de media y desviación estándar para variables continuas. Para comparar las variables continuas entre los pacientes con reingreso a los 90 días y los que no presentaban reingreso se utilizó el test de la «t» de Student. La comparación entre variables categóricas entre los pacientes con reingreso a los 90 días y los que no presentaban reingreso se realizó mediante el test de la Chi cuadrado y el test de Fisher, cuando el número de observaciones fue inferior a 5. Se consideraron estadísticamente significativos los valores de p < 0,05 estimados para 2 colas. Para la realización del modelo predictivo se seleccionó un 66,6% de la muestra (cohorte de derivación). Consideramos como variable respuesta el reingreso hospitalario en los 90 días tras el alta. Las variables explicativas fueron seleccionadas entre aquellas cuyo valor en el análisis univariante presentaban p < 0,1. La bondad de ajuste del modelo se midió con el test de Hosmer-Lemeshow. La capacidad explicativa del modelo de predicción fue medida con la R cuadrado de Nagelkerke, y el rendimiento diagnóstico del modelo final se evaluó mediante la construcción de la curva característica operador receptor (COR) estimando el área bajo la curva (AUC). Un AUC con un valor de 1 representa un test diagnóstico perfecto, para discriminar a los pacientes con reingreso de los que no van a presentar reingreso; un AUC de 0,5 representa un test sin valor diagnóstico. Se confirmó la validez del modelo aplicando los parámetros al 33,3% de la muestra restante (cohorte de validación) y estimando de nuevo la curva COR y el AUC. El análisis estadístico fue realizado con el paquete SPSS (versión 24.0. Armonk, NY: IBM Corp).

Resultados Incidencia y causas de reingreso A lo largo del periodo estudiado hubo 704 (35,6%) reingresos en los primeros 90 días tras el alta de un total de 1.977 pacientes incluidos en el estudio. Las tasas de reingreso se han mantenido sin variaciones significativas entre los a˜ nos 2015 a 2017. Los hospitales de más de 500 camas mostraron de forma estadísticamente significativa (p = 0,02) mayores tasas de reingreso que los de menor tama˜ no (tabla 1). Los principales motivos de reingreso hospitalario estuvieron constituidos por las enfermedades infecciosas (29%), las enfermedades cardiovasculares (24,4%) y las enfermedades respiratorias (14,2%) (tabla 2).

Características de los pacientes que reingresan en el hospital Las características de los pacientes que se asociaron de forma estadísticamente significativa con el reingreso

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010

+Model

ARTICLE IN PRESS

RCE-1498; No. of Pages 8

4

J. Ena et al. 1,0

Tabla 1 Número y porcentaje de reingresos en los a˜ nos estudiados según el tama˜ no del hospital A˜ no de estudio

0,8

Tama˜ no > 500 camas 200-500 camas < 200 camas

2015

2016

2017

(N = 838) 176 (21,1) 68 (8,1) 47 (5,6)

(N = 558) 126 (22,6) 26 (4,69 45 (8,1)

(N = 581) 120 (20,6) 47 (8,1) 50 (8,3)

Sensibilidad

(número de pacientes) 0,6

0,4

0,2

Tabla 2 Motivos de reingreso (n = 704) en pacientes con diabetes Motivo de reingreso Enfermedad infecciosa Enfermedad cardiovascular Enfermedad respiratoria Enfermedad digestiva Enfermedad oncológica Enfermedad neurológica (no vascular) Enfermedad hematológica Enfermedad renal Enfermedades mentales y del comportamiento Descompensación diabética hiperosmolar Enfermedad reumatológica o autoinmune sistémica Enfermedades endocrinas, nutricionales y metabólicas (excepto diabetes) Descompensación diabética, hipoglucemia Descompensación diabética, cetoacidosis Otros motivos

N.◦ (%) 204 (29,0) 172 (24,4) 100 (14,2) 63 (8,9) 45 (6,4) 18 (2,6) 15 (2,1) 15 (2,1) 10 (1,4) 8 (1,1) 8 (1,1) 5 (0,7) 4 (0,6) 2 (0,3) 35 (5,0)

0,0 0,0

0,2

0,4

0,6

0,8

1,0

1 - Especificidad

Figura 1 Curva COR para el modelo de derivación (AUC: 0,676; IC 95%: 0,642-0,709; p = 0,001) y para el modelo de validación (AUC: 0,661; IC 95%: 0,612-0,710; p = 0,001). Un área bajo la curva con un valor de 1 representa un test diagnóstico perfecto, para discriminar a los pacientes con reingreso de los que no van a presentar reingreso; un área bajo la curva de 0,5 representa un test sin valor diagnóstico.

no a˜ nadía mayor precisión al modelo, estas no fueron consideradas. El test de bondad de ajuste de Hosmer-Lemeshow mostró un valor p = 0,190, lo que permite la utilización del modelo para realizar predicciones. La R cuadrado de Nagelkerke fue 0,109. El área bajo la curva COR mostró un valor 0,676 (IC 95%: 0,642-0,709; p = 0,001). Cuando los parámetros del modelo de predicción fueron aplicados a la cohorte de validación el AUC mostró un valor 0,661 (IC 95%: 0,6120,710; p = 0,001) (fig. 1).

Discusión hospitalario a los 90 días fueron un rango de edad superior, sexo varón, presentar mayor índice de comorbilidad de Charlson, mayor índice de discapacidad medido por la escala de Rankin y mayor deterioro cognitivo según la Global Deterioration Scale. Respecto a las variables relacionadas con el control de la diabetes y el perfil glucémico los pacientes que presentaron reingreso habían sufrido mayor frecuencia de hipoglucemia en los 3 meses previos, recibían tratamiento en mayor proporción con insulina basal e insulina rápida y presentaban un mayor deterioro de la función renal respecto a los pacientes que no habían sufrido reingreso. Así mismo, una proporción mayor de los pacientes con reingreso recibía tratamiento con glucocorticoides sistémicos en comparación con aquellos que no habían sufrido reingreso (tabla 3).

Modelo predictivo de reingreso hospitalario Las variables que mostraron mayor asociación con el reingreso hospitalario a 90 días en el análisis multivariante fueron el índice de comorbilidad de Charlson, el índice de discapacidad de Rankin, la edad del paciente, los antecedentes de episodios de hipoglucemia en los 3 meses previos, el uso de insulina basal y el tratamiento con glucocorticoides (tabla 4). Tras comprobar que la presencia de interacciones

En el presente estudio hemos analizado la frecuencia, diagnósticos principales y determinantes de los pacientes con diabetes mellitus que sufren reingreso en el hospital en los 90 días siguientes tras el alta. Hemos podido comprobar que la proporción de pacientes que reingresa se ha mantenido estable en los últimos 3 a˜ nos, con un porcentaje alrededor del 35%. Las causas principales de reingreso están constituidas por enfermedades infecciosas, enfermedades cardiovasculares y enfermedades respiratorias. Los reingresos relacionados con la diabetes, tales como hipoglucemia, coma hiperosmolar o cetoacidosis diabética constituyeron solo el 2% de las causas de reingreso. El análisis multivariante permitió detectar que los determinantes de reingreso están constituidos por edad mayor de 65 a˜ nos, mayor índice de dependencia y comorbilidad, presencia de episodios de hipoglucemia, tratamiento con glucocorticoides sistémicos y uso de fármacos secretagogos o insulina. El modelo multivariante de reingreso hospitalario tuvo una capacidad predictiva moderada, con un AUC de 0,68 en la cohorte de derivación y de 0,66 en la cohorte de validación. Efectivamente hemos podido comprobar que el tratamiento de la diabetes con determinados fármacos es una causa independiente de ingreso hospitalario en los siguientes 90 días tras el alta.

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010

+Model RCE-1498; No. of Pages 8

ARTICLE IN PRESS

Derivación y validación de un modelo predictivo de reingreso en pacientes con DM Tabla 3

5

Características de los pacientes Reingreso sí(N = 704)

Reingreso no(N = 1273)

p

Edad, a˜ nos Edad < 65 65-75 > 75

77,38 ± 10,28

76,63 ± 11,83

67 (9,51) 192 (27,3) 445 (63,2)

190 (14,9) 295 (23,2) 788 (61,9)

Sexo Mujer Varón

320 (45,4) 384 (54,6)

640 (50,3) 633 (49,7)

Índice de comorbilidad de Charlson, puntos Duración de la diabetes, a˜ nos Estancia hospitalaria, días Hipoglucemia en 3 meses previos

4,7 ± 2,6 10,52 ± 8,37 9,88 ± 11,6 86 (12,2)

3,9 ± 2,2 10,08 ± 8,63 10,52 ± 30,05 46 (3,6)

Índice de dependencia de Rankin 0 1 2 3 4 5 6

72 (10,3) 86 (12,3) 112 (16,0) 145 (20,7) 144 (20,6) 139 (19,9) 1 (0)

291 (23,0) 231(16,8) 149 (11,8) 195 (15,4) 185 (14,6) 215 (17,0) 0 (0)

Escala GDS de deterioro cognitivo 1 2 3 4 5 6 7

278 (39,9) 108 (15,5) 88 (12,6) 93 (13,4) 56 (8,0) 44 (6,3) 29 (4,3)

625 (49,6) 154 (12,2) 134 (10,6) 118 (9,4) 90 (7,1) 89 (7,1) 49 (3,9)

Último valor de HbA1c, %

6,82 ± 2,06

6,95 ± 2,24

0,212

Tratamiento de diabetes previo al ingreso Sulfonilurea Insulina basal Insulina bifásica Insulina rápida

48 (6,8) 269 (38,2) 39 (5,5) 109 (15,5)

107 (8,4) 338 (26,5) 79 (6,2) 130 (10,2)

0,213 0,000 0,554 0,001

Filtrado glomerular estimado, ml/min/1,73 m2

57,21 ± 26,5

60,78 ± 25,81

0,004

Valor medio de glucosa en las últimas 24 h, mg/dl Controles de glucosa capilar realizados en las últimas 24 h Unidades totales de insulina administrada en las últimas 24 h Glucosa < 70 mg/dl durante el ingreso Glucosa > 350 mg/dl durante el ingreso Glucocorticoides sistémicos durante el ingreso

180,75 ± 62,24 2,68 ± 0,99 22,13 ± 20,8 58 (8,2) 142 (20,1) 240 (34,1)

177,43 ± 59,95 2,67 ± 1,08 22,87 ± 22,74 82 (6,4) 224 (17,6) 325 (25,5)

0,271 0,811 0,534 0,136 0,167 0,000

0,143 0,001

0,040

0,000 0,270 0,583 0,000 0,000

0,027

Los resultados son expresados como media ± DE o frecuencia (porcentaje). Índice de dependencia de Rankin: 0: asintomático; 1: muy leve, pueden realizar tareas y actividades habituales, sin limitaciones; 2: leve, incapacidad para realizar algunas actividades previas, pero pueden valerse por sí mismos sin necesidad de ayuda; 3: moderado, requieren algo de ayuda, pero pueden caminar solos; 4: moderadamente grave, dependientes para actividades básicas de la vida diaria, pero sin necesidad de supervisión continua; 5: grave, totalmente dependientes; 6: muerte. Escala GDS (Global Deterioration Scale) de deterioro cognitivo: 1: ausencia de déficit; 2: déficit muy leve; 3: déficit leve; 4: déficit moderado; 5: déficit moderadamente grave; 6: Déficit muy grave.

Comparación con los datos de la literatura Existen escasas publicaciones que examinen los determinantes de reingreso hospitalario en pacientes con diabetes mellitus. Un estudio de casos y controles identificó como posibles determinantes de reingreso a los 30 días del alta,

la intensificación en el tratamiento de la diabetes, la existencia de insuficiencia cardiaca congestiva y el número de interconsultas que recibió el paciente durante su ingreso hospitalario. Los determinantes analizados tuvieron una capacidad predictiva modesta, medida por un área bajo la curva operador receptor de 0,69320 . Collins et al., evaluaron

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010

+Model RCE-1498; No. of Pages 8

ARTICLE IN PRESS

6

J. Ena et al. Tabla 4

Modelo predictivo de reingreso hospitalario en pacientes con diabetes mellitus Exp (␤)

IC 95%

p

Edad < 65 a˜ nos > 75 a˜ nos

Ref 1,458 0,944

0,916-2,321 0,611-1,456

0,023 0,112 0,793

Índice de comorbilidad de Charlson 1 punto 2 puntos 3 puntos 4 puntos 5 puntos 6 puntos ≥ 7 puntos

Ref. 1,524 1,373 2,124 1,519 1,479 2,401

Índice de discapacidad de Rankin Asintomático (0 puntos) Leve (1 punto) Moderada (2-3 puntos) Severa (4-5 puntos)

Ref. 1,607 2,019 2,233

1,020-2,531 1,221-3,336 1,410-3,537

0,041 0,006 0,001

Hipoglucemia en los 3 meses previos

2,571

1,593-4,148

0,000

Uso de insulina basal

1,498

1,130-1,988

0,005

Tratamiento con glucocorticoides

1,615

1,222-2,135

0,001

Constante

0,127

0,023 0,868-2,675 0,792-2,380 1,215-3,714 0,849-2,722 0,800-2,732 1,373-4,200

0,142 0,259 0,008 0,160 0,212 0,002 0,005

otro modelo de reingreso precoz a los 30 días del alta en pacientes con diabetes tipo 221 . Las variables que resultaron significativas en el modelo fueron la edad del paciente, el sexo varón, el número de visitas previas al servicio de urgencias y los días de estancia hospitalaria. El modelo mostró una capacidad predictiva robusta, con un área AUC de 0,82. Sin embargo, la capacidad predictiva del modelo no fue comprobada en una cohorte independiente de pacientes. Otros modelos de reingreso hospitalario específicos para pacientes con diabetes mellitus incorporan la medición de la hemoglobina glucosilada. Independientemente del valor obtenido de hemoglobina glucosilada, el mero hecho de disponer de la información se asoció de forma significativa con reducción de la tasa reingresos, aunque esta solo fue solicitada en un 18% de los episodios11 . Disponer del resultado de hemoglobina glucosilada permitió realizar ajustes en el tratamiento durante el ingreso y al alta de los pacientes. En estudios previos llevados a cabo por nuestro grupo la proporción de pacientes con valores recientes de hemoglobina glucosilada se sitúa habitualmente entre un 50-60%22 . En nuestro análisis la determinación de hemoglobina glucosilada no a˜ nadió poder discriminativo al modelo de predicción. Los modelos predictivos que evalúan el reingreso en el hospital en personas mayores de 65 a˜ nos de edad en Estados Unidos muestran unos grados de precisión relativamente modestos. Un estudio llevado a cabo en California mostró que el sistema de pago definido por el tipo de enfermedad crónica y grado de discapacidad fue el determinante más robusto de un modelo que tuvo un valor predictivo medido por AUC de 0,7123 . En Canadá se ha definido el índice LACE como una buena herramienta para predecir el riesgo esperado de reingreso o mortalidad a 30 días. Los

0,000

componentes del índice LACE son los días de estancia en el hospital, el carácter urgente del ingreso, el índice de comorbilidad medido por la puntuación de Charlson y el número de visitas previas al servicio de urgencias24 . La puntuación del índice de LACE varía entre 0 puntos (2,0% de riesgo esperado) y 19 puntos (43,7% de riesgo esperado). Se considera discriminativa una puntuación superior a 10 para predecir el reingreso hospitalario. En la publicación original el AUC del índice LACE mostró un valor de 0,684. Posteriormente este índice se ha aplicado a otras cohortes de pacientes en otros países y ha mostrado capacidades discriminativas muy variables, con valores de AUC COR entre 0,57 y 0,7125---28 . Entre las limitaciones de nuestro estudio cabe destacar que el modelo tuvo una capacidad predictiva relativamente modesta. Sin embargo, el AUC hallada en nuestro modelo fue similar a los modelos de predicción más comúnmente utilizados, como el LACE. El modelo predictivo incluyó factores clínicos, pero no consideró factores sociales o logísticos. Los factores sociales o logísticos tradicionalmente asociados con reingreso hospitalario han sido la existencia de episodios previos de hospitalización en los 6-12 meses previos29---30 , ser de raza negra7 , tener escasos conocimientos sobre salud31 , vivir en soledad o sin apoyo familiar o social32 o pertenecer a un nivel socioeconómico bajo33,34 . Desafortunadamente los factores sociales raramente son modificables para prevenir futuros reingresos. Como limitación adicional cabe comentar que nuestro modelo solo analiza reingresos hospitalarios de pacientes con diabetes a los 90 días del alta. Una gran mayoría de modelos predictivos analiza el porcentaje de reingresos a los 30 días de alta, aunque en investigación de servicios de salud se utilizan también otros límites de tiempo para medir reingresos, tales como 90

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010

+Model RCE-1498; No. of Pages 8

ARTICLE IN PRESS

Derivación y validación de un modelo predictivo de reingreso en pacientes con DM días y un a˜ no tras el alta. En nuestro caso elegimos como límite 90 días con el fin de disponer de un plazo de tiempo que ofreciera un número de desenlaces suficientes para desarrollar el modelo predictivo de derivación y el de validación. La utilidad de nuestro estudio es permitir al clínico identificar un subgrupo de pacientes que requerirá una atención especial para evitar el reingreso hospitalario. En esta población frágil, identificada por el modelo de predicción, la aplicación de programas integrados que incluyan aspectos educativos para el paciente y el cuidador principal, y el establecimiento de objetivos de control glucémico adaptados a la calidad y expectativa de vida del paciente pueden permitir reducir los reingresos. En otras áreas el uso de programas integrados ha permitido reducir la tasa de reingresos en pacientes con diabetes y amputación por enfermedad arterial periférica35 . Otros programas que han resultado eficaces para reducir reingresos se han centrado en dotar a las unidades médico-quirúrgicas de personal de enfermería entrenado en diabetes para mejorar el cuidado del paciente con hiperglucemia durante su ingreso en el hospital, y mejorar la transición del paciente al alta36 . En conclusión, nuestro modelo de predicción permite identificar a la población frágil con diabetes ingresada en los servicios de medicina interna. Esta población requiere estrategias adicionales para reducir la posibilidad de reingreso hospitalario en los siguientes 90 días. Estas estrategias deben ser la reducción en la dosis de fármacos secretagogos o en la dosis de insulina y el control de la comorbilidad con una revisión preferente en consultas.

Financiación Este estudio fue desarrollado con ayuda de los laboratorios Novo-Nordisk. La ayuda consistió en la financiación de la hoja de recogida de datos electrónica y en la diseminación del proyecto. La compa˜ nía Xolomon Tree dise˜ nó la hoja de datos electrónica. Novo-Nordisk y Xolomon Tree no participaron en el dise˜ no del estudio, en la recogida de datos, en el análisis de los datos, en su interpretación, en la redacción del manuscrito, en su aprobación, ni en la decisión de remitirlo a publicación. J.V. Segura-Heras recibe ayuda del Ministerio de Economía y Competitividad de Espa˜ na n.◦ MTM2017-83850-P.

Conflicto de intereses Los autores declaran que no tienen conflicto de intereses.

Anexo 1. Grupo de Estudio de Diabetes y Obesidad de la Sociedad Espa˜ nola de Medicina Interna Pedro Abad Requejo (Hospital del Oriente de Asturias), José Nicolás Alcalá Pedrajas (Hospital Comarcal de Pozoblanco), Víctor Arenas García (Hospital Universitario San Agustín), Carlota Argüello (Hospital Universitario Central de Asturias), Beatriz Calleja Arribas (Hospital Universitario Central de Asturias), Francisco Javier Carrasco Sánchez (Hospital Juan Ramón Jiménez), Juana Carretero Gómez (Hospital de

7

Zafra), Elena Castellar Otín (Hospital de Barbastro, Huesca), María Montserrat Chimeno Vi˜ nas (Complejo Asistencial de Zamora), Javier Ena (Hospital Marina Baixa), Bego˜ na de Escalante Yangüela (Hospital Clínico Universitario Lozano Blesa), José María Fernández Rodríguez (Hospital Público Carmen y Severo Ochoa), María Jesús Folgueras Gomez (Hospital Universitario Central de Asturias), Sara Fuente Cosío (Hospital Universitario San Agustín de Avilés), Rosa García Contreras (Hospital Universitario Virgen del Rocío), Concepción González Becerra (Hospital San Juan de Dios, Tenerife), Ekaitz González Duarte (Hospital Universitario Central de Asturias), Borja del Carmelo Gracia Tello (Hospital Clínico Universitario Lozano Blesa), María Jesús Igúzquiza Pellejero (Hospital Reina Sofía de Tudela), Ana María Lizcano Lizcano (Hospital Comarcal de Laredo), Jeffrey Oskar Magallanes Gamboa (Hospital Nuestra Se˜ nora del Prado), Juan Marti (Hospital de Zumárraga), Lucía Meijide Rodríguez (Hospital Universitario Central de Asturias), Inmaculada Mejías Real (Hospital Infanta Margarita), Juan Antonio Montes Romero (Hospital de Poniente), Carlos Moreno Lugris (Hospital Lucus Augusti), Belén Murcia Casas (Hospital Clínico Universitario Virgen de la Victoria), María Victoria Pardo Ortega (Consorci Sanitari de Terrassa-Hospital de Terrassa), Estefanía Pereira Diaz (Hospital Universitario Virgen del Rocío), Ana Belkis Porto Pérez (Complexo Hospitalario Universitario A Coru˜ na), Rubén Baldomero Puerta Louro (Hospital Povisa), Mónica Ríos Prego (Complejo Hospitalario de Pontevedra), Raquel Rodil Fraile (Complejo Hospitalario de Navarra), Marta Romero Sánchez (Hospital de Fuenlabrada), María Teresa Sánchez Vidal (Fundación Hospital de Jove), Marta Nataya Solís Marquínez (Hospital nes), José Manuel Varela Aguilar Universitario de Cabue˜ (Hospital Universitario Virgen del Rocío), Patricia Vázquez Rodríguez (Complexo Hospitalario Universitario A Coru˜ na), Carmen Yllera Gutiérrez (Hospital Universitario Central de Asturias).

Bibliografía 1. Ena J, Gómez-Huelgas R, Romero-Sánchez M, Gaviria AZ, Calzada-Valle A, Varela-Aguilar JM, et al. Hyperglycemia management in patients admitted to internal medicine in Spain: A point-prevalence survey examining adequacy of glycemic control and guideline adherence. Eur J Intern Med. 2015;26:392---8. 2. Feldman-Billard S, Joubert M, Morello R, Dorey F, Seret-Begue D, Getin-Bouyer F, et al. High prevalence of diabetes mellitus and hospital-related hyperglycaemia in French general wards. Diabetes Metab. 2013;39:454---8. 3. Zapatero A, Barba R, Marco J, Hinojosa J, Plaza S, Losa JE, et al. Predictive model of readmission to internal medicine wards. Eur J Intern Med. 2012;23:451---6. 4. Jencks SF, Williams MV, Coleman EA. Rehospitalizations among patients in the Medicare fee-for-service program. N Engl J Med. 2009;360:1418---28. 5. Epstein AM, Jha AK, Orav EJ. The relationship between hospital admission rates and rehospitalizations. N Engl J Med. 2011;365:2287---95. 6. Donzé J, Lipsitz S, Bates DW, Schnipper JL. Causes and patterns of readmissions in patients with common comorbidities: Retrospective cohort study. BMJ. 2013;347, f7171. 7. Joynt KE, Orav EJ, Jha AK. Thirty-day readmission rates for Medicare beneficiaries by race and site of care. JAMA. 2011;305:675---81.

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010

+Model RCE-1498; No. of Pages 8

ARTICLE IN PRESS

8

J. Ena et al.

8. Zapatero-Gaviria A, Barba-Martín R. Management of hospital readmissions in internal medicine. Rev Clin Esp (Barc). 2013;213:203---7. 9. Hernández AF, Greiner MA, Fonarow GC, Hammill BG, Heidenreich PA, Yancy CW, et al. Relationship between early physician follow-up and 30-day readmission among Medicare beneficiaries hospitalized for heart failure. JAMA. 2010;303:1716---22. 10. Ruigómez A, Michel A, Martín-Pérez M, García Rodríguez LA. Heart failure hospitalization: An important prognostic factor for heart failure re-admission and mortality. Int J Cardiol. 2016;220:855---61. 11. Strack B, DeShazo JP, Gennings C, Olmo JL, Ventura S, Cios KJ, et al. Impact of HbA1c measurement on hospital readmission rates: Analysis of 70,000 clinical database patient records. Biomed Res Int. 2014;2014:781670. 12. Zapatero A, Gómez-Huelgas R, González N, Canora J, Asenjo A, Hinojosa J, et al. Frequency of hypoglycemia and its impact on length of stay, mortality, and short-term readmission in patients with diabetes hospitalized in internal medicine wards. Endocr Pract. 2014;20:870---5. 13. Carrasco-Sánchez FJ, Gomez-Huelgas R, Formiga F, CondeMartel A, Trullàs JC, Bettencourt P, et al. Association between type-2 diabetes mellitus and post-discharge outcomes in heart failure patients: findings from the RICA registry. Diabetes Res Clin Pract. 2014;104:410---9. 14. Montero Pérez-Barquero M, Martínez Fernández R, de Los Mártires Almingol I, Michán Do˜ na A, Conthe Gutiérrez P. DICAMI Study. Prognostic factors in patients admitted with type 2 diabetes in internal medicine services: Hospital mortality and readmission in one year (DICAMI study). Rev Clin Esp. 2007;207:322---30. 15. American Diabetes Association. Classification and diagnosis of diabetes: Standards of medical care in diabetes---2018. Diabetes Care. 2018;41 Supplement 1:S13---27. 16. Charlson ME, Pompei P, Ales KL, MacKenzie CR. A new method of classifying prognostic comorbidity in longitudinal studies: Development and validation. J Chronic Dis. 1987;40:373---83. 17. Wilson JT, Hareendran A, Grant M, Baird T, Schulz UG, Muir KW, et al. Improving the assessment of outcomes in stroke: Use of a structured interview to assign grades on the modified Rankin Scale. Stroke. 2002;33:2243---6. 18. Reisberg B, Ferris SH, de Leon MJ, Crook T. Global Deterioration Scale (GDS). Psychopharmacol Bull. 1988;24:661---3. 19. Levey AS, Stevens LA, Schmid CH, Zhang YL, Castro AF 3rd, Feldman HI, et al., CKD-EPI (Chronic Kidney Disease Epidemiology Collaboration). A new equation to estimate glomerular filtration rate. Ann Intern Med. 2009;150:604---12. 20. Eby E, Hardwick C, Yu M, Gelwicks S, Deschamps K, Xie J, et al. Predictors of 30 day hospital readmission in patients with type 2 diabetes: A retrospective, case-control, database study. Curr Med Res Opin. 2015;31:107---14. 21. Collins J, Abbass IM, Harvey R, Suehs B, Uribe C, Bouchard J, et al. Predictors of all-cause 30 day readmission among Medicare patients with type 2 diabetes. Curr Med Res Opin. 2017;33:1517---23. 22. Ena J, Gómez-Huelgas R, Zapatero-Gaviria A, VázquezRodriguez P, González-Becerra C, Romero-Sánchez M, et al. Effect of an intervention on quality indicators for improving the treatment of hyperglycemia in patients hospitalized in noncritical areas. Rev Clin Esp. 2016;216:352---60.

23. Duncan I, Huynh N. A predictive model for readmissions among Medicare patients in a California hospital. Popul Health Manag. 2017, http://dx.doi.org/10.1089/pop.2017.0150 [Epub ahead of print] PubMed PMID: 29148921. 24. van Walraven C, Dhalla IA, Bell C, Etchells E, Stiell IG, Zarnke K, et al. Derivation and validation of an index to predict early death or unplanned readmission after discharge from hospital to the community. CMAJ. 2010;182:551---7. 25. Cotter PE, Bhalla VK, Wallis SJ, Biram RW. Predicting readmissions: poor performance of the LACE index in an older UK population. Age Ageing. 2012;41:784---9. 26. Tan SY, Low LL, Yang Y, Lee KH. Applicability of a previously validated readmission predictive index in medical patients in Singapore: A retrospective study. BMC Health Serv Res. 2013;13:366. 27. Spiva L, Hand M, VanBrackle L, McVay F. Validation of a predictive model to identify patients at high risk for hospital readmission. J Healthc Qual. 2016;38:34---41. 28. Low LL, Lee KH, Hock Ong ME, Wang S, Tan SY, Thumboo J, et al. Predicting 30-day readmissions: Performance of the LACE Index Compared with a regression model among general medicine patients in Singapore. Biomed Res Int. 2015;2015: 169870. 29. Billings J, Dixon J, Mijanovich T, Wennberg D. Case finding for patients at risk of readmission to hospital: Development of algorithm to identify high risk patients. BMJ. 2006;333:327. 30. Department of Veterans Affairs Cooperative Study Group on Primary Care and ReadmissionsAshton CM, Feussner JR, Ginier P, Huey JM, Hynes DM, Loo L, et al. Predicting non-elective hospital readmissions: A multi-site study. J Clin Epidemiol. 2000;53:1113---8. 31. Baker DW, Gazmararian JA, Williams MV, Scott T, Parker RM, Green D, et al. Functional health literacy and the risk of hospital admission among Medicare managed care enrollees. Am J Public Health. 2002;92:1278---83. 32. Rodríguez-Artalejo F, Guallar-Castillón P, Herrera MC, Otero CM, Chiva MO, Ochoa CC, et al. Social network as a predictor of hospital readmission and mortality among older patients with heart failure. J Card Fail. 2006;12:621---7. 33. Kangovi S, Barg FK, Carter T, Levy K, Sellman J, Long JA, et al. Challenges faced by patients with low socioeconomic status during the post-hospital transition. J Gen Intern Med. 2014;29:283---9. 34. Foraker RE, Rose KM, Suchindran CM, Chang PP, McNeill AM, Rosamond WD. Socioeconomic status, Medicaid coverage, clinical comorbidity, and rehospitalization or death after an incident heart failure hospitalization: Atherosclerosis risk in communities cohort (1987 to 2004). Circ Heart Fail. 2011;4:308---16. 35. Rümenapf G, Geiger S, Schneider B, Amendt K, Wilhelm N, Morbach S, et al. Readmissions of patients with diabetes mellitus and foot ulcers after infra-popliteal bypass surgery-attacking the problem by an integrated case management model. Vasa. 2013;42:56---67. 36. Drincic A, Pfeffer E, Luo J, Goldner WS. The effect of diabetes case management and Diabetes Resource Nurse program on readmissions of patients with diabetes mellitus. J Clin Transl Endocrinol. 2017;8:29---34.

Cómo citar este artículo: Ena J, et al. Derivación y validación de un modelo predictivo de reingreso en pacientes con diabetes mellitus atendidos en servicios de medicina interna. Rev Clin Esp. 2018. https://doi.org/10.1016/j.rce.2018.03.010