Marcadores de oxigenação para prever mortalidade por pneumonia causada por COVID-19
Palavras-chave:
COVID-19, marcadores de oxigenação, pneumonia por COVID-19, mortalidade, fatores preditivosResumo
Introdução: no Hospital General Docente “Dr. Agostinho Neto” não avaliou o valor dos marcadores de oxigênio para a previsão de mortalidade por pneumonia causada pelo COVID-19.
Objetivo: determinar o valor dos marcadores de oxigenação para a predição de mortalidade por pneumonia causada por COVID-19 no Hospital General Docente "Dr. Agostinho Neto" de Guantánamo, Cuba, no biênio 2020-2021.
Método: foi realizado um estudo de coorte de 276 pacientes com pneumonia causada por COVID-19. Saturação periférica de oxigênio (SpO2), saturação arterial de oxigênio (SaO2), diferença alvéolo-arterial de oxigênio (DA-aO2), relação pressão arterial de oxigênio (PaO2) e fração inspirada de oxigênio (FiO2) [PaO2/FiO2]. A associação entre variáveis e alta por óbito foi determinada por meio da técnica Qui-quadrado de independência e cálculo de Odds Ratio (OR).
Resultados: a variável com maior valor preditivo positivo foi SpO2 (87,3%) inferior a 90 mmHg no momento da admissão. O maior valor preditivo negativo foi registrado para a variável DA-aO2 inferior a 20 mmHg 48 h após a admissão (95,6%). O risco atribuível foi maior para relação PaO2/FiO2 inferior a 300 mmHg (0,59) no momento da admissão (0,52). O percentual de risco atribuível foi maior para a variável AD-aO2 maior ou igual a 20 mmHg no momento da admissão (95,8%) e 48 horas após a admissão (95,3%).
Conclusões: a anormalidade da AD-aO2, da relação PaO2/FiO2, SaO2 e SpO2, no momento da admissão e 48 horas após a admissão, são preditores de mortalidade em pacientes com COVID-19.
Downloads
Referências
2. Liang W, Liang H, Ou L, Chen B, Chen A, Li C, et al. Development and validation of a clinical risk score to predict the occurrence of critical illness in hospitalized patients with COVID-19. JAMA Intern Med [Internet] 2020 [citado 15 Mayo 2022]; 180(8):1081–1089. DOI: https://doi.org/10.1001/jamainternmed.2020.2033
3. Zhou Y, He Y, Yang H, Yu H, Wang T, Chen Z, et al. Development and validation a nomogram for predicting the risk of severe COVID-19: A multi-center study in Sichuan, China. PloS one [Internet] 2020 [citado 15 Mayo 2022]; 15(5):e0233328. DOI: https://doi.org/10.1371/journal.pone.0233328
4. Gong J, Ou J, Qiu X, Jie Y, Chen Y, Yuan L, et al. A tool for early prediction of severe coronavirus disease 2019 (COVID-19): A multicenter study using the risk nomogram in Wuhan and Guangdong, China. Clin Infec Dis [Internet]. 2020 [citado 15 Mayo 2022]; 71(15):833–840. DOI: https://doi.org/10.1093/cid/ciaa443
5. Marmanillo Mendoza G, Zuñiga Manrique R, Cornejo Del Valle O, Portilla Canqui L. Índice SatO2/FiO2 versus PaO2/FiO2 para predecir mortalidad en pacientes con COVID-19 en un hospital de altura. Acta Med Perú [Internet]. 2021 [citado 15 Mayo 2022]; 38(4):273-278. DOI: https://doi.org/10.35663/amp.2021.384.2033
6. Esteban Ronda V, Ruiz Alcaraz S, Ruiz Torregrosa P, Giménez Suau M, Nofuentes Pérez E, León Ramírez JM, et al. Aplicación de escalas pronósticas de gravedad en la neumonía por SARS-CoV-2 Med Clin (Barc) [Internet] 2021 [citado 15 Mayo 2022]; 157(3):99-105. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7843026/
7. Ministerio de Salud Pública. Protocolo de actuación nacional para la COVID-19. Versión 1.7. [Internet]. La Habana: MINSAP; 2021. [citado 15 Mayo 2022]. Disponible en: https://covid19cubadata.github.io/protocolos/protocolo-version-6.pdf
8. Medina Mendieta J, Cortés Cortés M, Cortés Iglesias M, Pérez Fernández A, Manzano Cabrera M. Estudio sobre modelos predictivos para la COVID-19 en Cuba. Medisur [Internet]. 2020 [citado 15 Mayo 2022]; 18(3):431-442. Disponible en: http://medisur.sld.cu/index.php/medisur/article/view/4703/3164
9. Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, et al. Prediction models for diagnosis and prognosis of COVID-19: systematic review and critical appraisal. BMJ [Internet]. 2020 [citado 15 Mayo 2022]; 369:m1328. DOI: https://doi.org/10.1136/bmj.m1328
10. Gupta RK, Marks M, Samuels T, Luintel A, Rampling T, Chowdhury H, et al. Systematic evaluation and external validation of 22 prognostic models among hospitalized adults with COVID-19: an observational cohort study. Eur Resp J [Internet]. 2020 [citado 15 Mayo 2022]; 56(6):2003498. DOI: https://doi.org/10.1183/13993003.03498-2020
11. Herrera Cartaya CE, Lage Dávila A, Betancourt Cervantes J, Barreto Fiu EE, Sánchez Valdés L, Crombet Ramos T. Nomograma de predicción para la estratificación del riesgo en pacientes con COVID-19. Eur J Health Res [Internet]. 2021 [citado 15 Mayo 2022]; 7(2):1-19. DOI: https://doi.org/10.32457/ejhr.v7i2.1592
12. Lippi G, lebani M. Laboratory abnormalities in patients with COVID-2019 infection. Clinical chemistry and laboratory medicine [Internet]. 2020 [citado 15 Mayo 2022]; 58(7):1131–1134. DOI: https://doi.org/10.1515/cclm-2020-0198
13. Carsana L, Sonzogni A, Nasr A, Rossi RS, Pellegrinelli A, Zerbi P, et al. Pulmonary post-mortem findings in a series of COVID-19 cases from northern Italy: a two-centre descriptive study. Lancet [Internet]. 2020 [citado 15 Mayo 2022]; 20(10):1135-1140. DOI: https://doi.org/10.1097/lancet.00003245
14. López Reyes R, Oscullo G, Jiménez D, Cano I, García Ortega A. Riesgo trombótico y COVID-19: revisión de la evidencia actual para una mejor aproximación diagnóstica y terapéutica. Arch Bronconeumol [Internet]. 2021 [citado 15 Mayo 2022];57(S1):55-64. DOI: https://doi.org/10.1016/j.arbres.2020.07.033
15. Connors JM, Levy JH. COVID-19 and its implications for thrombosis and anticoagulation. Blood. [Internet]. 2020 [citado 15 Mayo 2022]; 135(23):2033-2040. DOI: http://doi.org/10.1182/blood.2020006000
