Premio al mejor trabajo del año 2021 del 31º Congreso Argentino e Internacional de la S.A.T.I.
“COVID-19 Severity Index”, ¨Validación multicéntrica de un sistema de Alerta Temprana para pacientes hospitalizados por CoVid 19¨ ¨, fue diseñada por un equipo liderado por científicos del CONICET y permite clasificar la gravedad de la enfermedad en tiempo real.
Es un desarrollo multidisciplinario realizado por médicos/as, ingenieros/as y biólogos/as del Instituto de Medicina Traslacional e Ingeniería Biomédica (IMTIB), unidad ejecutora del CONICET, el Instituto Universitario Hospital Italiano (IUHI) y el Hospital Italiano de Buenos Aires (HIBA).
Los investigadores del CONICET Iván Alfredo Huespe, médico del HIBA y doctorando en el IMTIB, y Marcelo Risk, director del IMTIB, doctor en ciencias de la ingeniería y en medicina, explicaron que el “COVID-19 Severity Index” permite clasificar la gravedad de los pacientes y de esta manera priorizar el recurso humano, aumentando los controles de enfermería en los pacientes más graves, y reducirlos en los pacientes con cuadros más leves.
El Dr. Huespe, quien además es especialista en cuidados intensivos, comentó:
“Nosotros nos planteamos hacer un modelo que pueda clasificar la gravedad de los pacientes, donde los que estaban más graves se controlaban cada 3 o 4 horas, mientras que quienes estaban menos graves cada 12 horas, ya que controlando más se puede detectar más tempranamente la necesidad de trasladarlos a terapia intensiva.
Antes de la pandemia, el método de clasificación de gravedad usado era el sistema de alerta¨NEWS 2¨, que consta de la sumatoria de puntajes en base a la alteración de los distintos sistemas.
“Es un buen método para detectar alteraciones de cualquier órgano a nivel general, sin embargo, encuentra limitaciones para órganos específicos y el COVID es una enfermedad muy grave y puramente respiratoria, entonces si tenías los parámetros respiratorios muy mal pero el resto estaba bien el NEWS 2 no sumaba tanto”, aseguró el Dr.Huespe, quien además sostuvo que el COVID 19 es una grave afección puramente respiratoria y que por ello se ponderaron estas variables.
El modelo COVID-19 Severity Index clasifica al paciente en 4 estados clínicos, “Leve”, “Moderado”, “Severo” y “Crítico”.
A su vez, este modelo se agrega a la Historia Clínica Electrónica, permitiendo clasificar la gravedad en tiempo real.
De esta manera, no solo organiza la cantidad de controles que realiza la enfermera, sino que también, es una herramienta de organización hospitalaria, permitiendo conocer la cantidad de pacientes graves internados en sala general, y la cantidad de pacientes que ingresarán a la Unidad de Cuidados Intensivos (UCI) en las horas siguientes.
El director del IMTIB, Dr. Risk, afirmó “algo interesante de este sistema de alarma predictivo es que se pueden usar en cualquier hospital y en cualquier lugar.
Esta desarrollo se encuentra disponible para cualquier hospital del país, e incluso los invitamos a que lo puedan usar y ser protagonistas para refinarlo, porque con la mutación del virus su revisión es constante”.
La validación fue en 1500 pacientes en el Hospital Italiano y de 4700 pacientes en el Hospital Agustín Roca.
En la validación se incluyeron todos los pacientes adultos que fueron hospitalizados en salas de medicina general con infección confirmada por Sars-Cov2 mediante reacción en cadena de polimerasa (PCR) de un hisopo nasofaríngeo.
El IMTIB fue clave en la programación de las bases de datos y en la validación del modelo, ya que este instituto tiene como objetivo transferir los descubrimientos de la investigación básica y los desarrollos tecnológicos, al cuidado de los pacientes y de la comunidad.
Tanto el Dr. Risk como el Dr. Huespe compartieron la necesidad de generar una base de datos conjunta entre distintas instituciones, que permita avanzar en el desarrollo de modelos predictivos y logrando tratar más tempranamente y eficientemente el COVID-19, y otras enfermedades.
Los autores de este estudio fueron: Iván A. Huespe, Indalecio Carboni Bisso, Jorge Sinner, Nicolas A. Gemelli, Sergio A. Terrasa, Sabrina Di Stefano, Valeria Burgos, Mailen Oubina, Marina Bezzati, Eduardo Prado, Eduardo San Roman, Marcos Las Heras y Marcelo R. Risk.
