Predicción de la evolución de la bronquiolitis por virus respiratorio sincitial en lactantes menores de 6 meses

• Autores: José Miguel Ramos Fernández, David Moreno Pérez, Mario Gutiérrez Bedmar, Alexandra Hernández Yuste, Ana María Cordón Martínez, Guillermo Milano Manso, Antonio Urda-Cardona
• Localización: Revista española de salud pública, ISSN 1135-5727, ISSN-e 2173-9110, Nº. 91, 2017
• Idioma: español
• Títulos paralelos:
  • Prediction of Severe Course in Infants with RSV Bronchiolitis under 6 Months. Spain
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    RESUMEN Fundamentos. La necesidad de ventilación mecánica (VM) en la bronquiolitis aguda por el virus respiratorio sincitial (VRS) varía según las series entre el 6 y el 18 %. Nuestro objetivo fue conocer los ingresos en la unidad de cuidados intensivos para VM de pacientes con bronquiolitis aguda menores de 6 meses y definir los factores de riesgo con el fin de construir un modelo de predicción. Método. Estudio retrospectivo de pacientes menores de 6 meses ingresados por bronquiolitis aguda por VRS entre los periodos 1 de abril de 2010 y 31 de marzo de 2015. La variable principal fue el ingreso en la unidad de cuidados intensivos pediátricos para ventilación mecánica. Además, se recogieron variables clínicas relacionadas para hallar factores de riesgo en un modelo de regresión logística binaria. Con el modelo se elaboró una curva ROC y se identificó un punto óptimo de corte.

  • English

    ABSTRACT Background. The need for mechanical ventilation (MV) in acute bronchiolitis (AB) by respiratory syncytial virus (RSV) varies depending on the series (6-18%). Our goal is to determine the admissions to PICU for MV in patients under 6 months with AB and define the risk factors for building a prediction model. Methods. Retrospective study of patients younger than 6 months admitted by BA-VRS between the periods April 1, 2010 and March 31, 2015 was made. The primary variable was the admission to PICU for MV. Related addition, to find risk factors in a model of binary logistic regression clinical variables were collected. A ROC curve model was developed and optimal cutoff point was identified.