Objetivo 

Revisar y evaluar críticamente los informes publicados y preimpresos de modelos de predicción para diagnosticar la enfermedad por coronavirus 2019 (covid-19) en pacientes con sospecha de infección, para el pronóstico de pacientes con covid-19 y para detectar personas en la población general en riesgo de ser ingresado en el hospital por neumonía covid-19.

Diseño 

Revisión sistemática rápida y evaluación crítica.

Fuentes de datos 

PubMed y Embase a través de Ovid, Arxiv, medRxiv y bioRxiv hasta el 24 de marzo de 2020.

Selección de estudios

Estudios que desarrollaron o validaron un modelo de predicción multivariable relacionado con covid-19.

Extracción de datos

 Al menos dos autores extrajeron de forma independiente los datos mediante la lista de verificación CHARMS (evaluación crítica y extracción de datos para revisiones sistemáticas de estudios de modelos de predicción). El riesgo de sesgo se evaluó utilizando PROBAST (herramienta de evaluación del modelo de predicción de riesgo de sesgo).

Resultados

Se seleccionaron 2696 títulos y se incluyeron 27 estudios que describían 31 modelos de predicción. Se identificaron tres modelos para predecir el ingreso hospitalario por neumonía y otros eventos (como resultados indirectos para la neumonía por covid-19) en la población general; 18 modelos de diagnóstico para detectar la infección por covid-19 (13 fueron aprendizaje automático basado en tomografías computarizadas); y 10 modelos pronósticos para predecir el riesgo de mortalidad, la progresión a enfermedad grave o la duración de la estancia hospitalaria. Solo un estudio utilizó datos de pacientes de fuera de China. Los predictores más reportados de presencia de covid-19 en pacientes con sospecha de enfermedad incluyeron edad, temperatura corporal y signos y síntomas. Los predictores más reportados de pronóstico severo en pacientes con covid-19 incluyeron edad, sexo, características derivadas de tomografías computarizadas, proteína C reactiva, deshidrogenasa láctica y recuento de linfocitos. Las estimaciones del índice C variaron de 0.73 a 0.81 en los modelos de predicción para la población general (informados para los tres modelos), de 0.81 a más de 0.99 en los modelos de diagnóstico (informados para 13 de los 18 modelos), y de 0.85 a 0.98 en los modelos pronósticos (reportado para seis de los 10 modelos). Todos los estudios fueron clasificados con alto riesgo de sesgo, principalmente debido a la selección no representativa de pacientes de control, la exclusión de pacientes que no habían experimentado el evento de interés al final del estudio y el alto riesgo de sobreajuste del modelo. La calidad de los informes varió sustancialmente entre los estudios. La mayoría de los informes no incluyeron una descripción de la población de estudio o el uso previsto de los modelos, y la calibración de las predicciones rara vez se evaluó. 81 en modelos de predicción para la población general (informados para los tres modelos), de 0.81 a más de 0.99 en modelos de diagnóstico (informados para 13 de los 18 modelos), y de 0.85 a 0.98 en modelos pronósticos (informados para seis de los 10 modelos). Todos los estudios fueron clasificados con alto riesgo de sesgo, principalmente debido a la selección no representativa de pacientes de control, la exclusión de pacientes que no habían experimentado el evento de interés al final del estudio y el alto riesgo de sobreajuste del modelo. La calidad de los informes varió sustancialmente entre los estudios. La mayoría de los informes no incluyeron una descripción de la población de estudio o el uso previsto de los modelos, y la calibración de las predicciones rara vez se evaluó. 81 en modelos de predicción para la población general (informados para los tres modelos), de 0.81 a más de 0.99 en modelos de diagnóstico (informados para 13 de los 18 modelos), y de 0.85 a 0.98 en modelos pronósticos (informados para seis de los 10 modelos). Todos los estudios fueron clasificados con alto riesgo de sesgo, principalmente debido a la selección no representativa de pacientes de control, la exclusión de pacientes que no habían experimentado el evento de interés al final del estudio y el alto riesgo de sobreajuste del modelo. La calidad de los informes varió sustancialmente entre los estudios. La mayoría de los informes no incluyeron una descripción de la población de estudio o el uso previsto de los modelos, y la calibración de las predicciones rara vez se evaluó. y de 0,85 a 0,98 en modelos pronósticos (reportados para seis de los 10 modelos). Todos los estudios fueron clasificados con alto riesgo de sesgo, principalmente debido a la selección no representativa de pacientes de control, la exclusión de pacientes que no habían experimentado el evento de interés al final del estudio y el alto riesgo de sobreajuste del modelo. La calidad de los informes varió sustancialmente entre los estudios. La mayoría de los informes no incluyeron una descripción de la población de estudio o el uso previsto de los modelos, y la calibración de las predicciones rara vez se evaluó. y de 0,85 a 0,98 en modelos pronósticos (reportados para seis de los 10 modelos). Todos los estudios fueron clasificados con alto riesgo de sesgo, principalmente debido a la selección no representativa de pacientes de control, la exclusión de pacientes que no habían experimentado el evento de interés al final del estudio y el alto riesgo de sobreajuste del modelo. La calidad de los informes varió sustancialmente entre los estudios. La mayoría de los informes no incluyeron una descripción de la población de estudio o el uso previsto de los modelos, y la calibración de las predicciones rara vez se evaluó. La calidad de los informes varió sustancialmente entre los estudios. La mayoría de los informes no incluyeron una descripción de la población de estudio o el uso previsto de los modelos, y la calibración de las predicciones rara vez se evaluó. La calidad de los informes varió sustancialmente entre los estudios. La mayoría de los informes no incluyeron una descripción de la población de estudio o el uso previsto de los modelos, y la calibración de las predicciones rara vez se evaluó.

Conclusión

Los modelos de predicción para covid-19 están ingresando rápidamente en la literatura académica para apoyar la toma de decisiones médicas en un momento en que se necesitan con urgencia. Esta revisión indica que los modelos propuestos están mal informados, tienen un alto riesgo de sesgo, y su rendimiento informado es probablemente optimista. El intercambio inmediato de datos de participantes individuales bien documentados de los estudios covid-19 es necesario para los esfuerzos de colaboración para desarrollar modelos de predicción más rigurosos y validar los existentes. Los predictores identificados en los estudios incluidos podrían considerarse como predictores candidatos para nuevos modelos. Se debe seguir la orientación metodológica porque las predicciones poco confiables podrían causar más daño que beneficio al guiar las decisiones clínicas. 

Para ver el artículo completo dar clic en el siguiente enlace:

https://www.bmj.com/content/369/bmj.m1328