Search

ilustraciones, gráficas, tablas En el presente trabajo se ajusta un modelo espacio-temporal para el número de muertes a causa de COVID-19 en Cundinamarca y Bogotá. En los municipios más alejados de Cundinamarca lo normal es que no se presentarán muertes en mucho tiempo, por esta razón puede ser considerado un problema con exceso de ceros de espacio-tiempo. Además, se realizó un análisis exploratorio de la base de datos el cual permitió detectar la presencia de relación temporal y espacial. Por lo tanto, en una primera parte se exponen y detallan las metodologías y conceptos que pueden ayudar a manejar el exceso de ceros y posteriormente, se hace énfasis en el modelo espacio-temporal con exceso de ceros. En la búsqueda de la literatura se encontró que una buena alternativa para ajustar un modelo de este estilo es hacerlo mediante un modelo jerárquico Bayesiano usando el método de la aproximación de Laplace integrada anidada (INLA). Se realizó un análisis descriptivo de la vacunación en Colombia dejando algunos detalles que permitieron complementar el análisis del ajuste de los modelos. Finalmente, se obtuvo que el modelo que mejor se ajustó a la luz de la media del error absoluto de predicción (MAPE), el criterio de información de la devianza (DIC) y del contexto del exceso de ceros fue el modelo Poisson Cero Inflado. Asi, se puede afirmar que las muertes a causa de COVID-19 en Cundinamarca y Bogotá es un fenómeno espacio-temporal con exceso de ceros. (Texto tomado de la fuente). In the present work, a spatio-temporal model is fitted for the number of deaths due to COVID-19 in Cundinamarca department and Bogota city. In the most remote municipalities of Cundinamarca, it is normal that there will be no deaths in a long time, for this reason it can be considered a problem with of space-time excess of zeros. In addition, an exploratory analysis of the database was carried out, which allowed detecting the presence of a temporal and spatial relationship. Therefore, in the first part, the methodologies and concepts that can help to manage the excess of zeros are presented and detailed, and subsequently, emphasis is placed on the spatio-temporal model with excess of zeros. In the literature, it was found that the best alternative to fit a model of this style is usign a Bayesian hierarchical model Integrated Nested Laplace Approximation (INLA) method. A descriptive analysis of vaccination in Colombia was carried out, leaving some details that allowed complementing the analysis of model fitting. Finally, it was obtained that the best fitting model in light of the mean absolute prediction error (MAPE), the deviancy information criterion (DIC) and the context of the excess of zeros was the Zero Inflated Poisson model. Therefore, it can be affirmed that deaths due to COVID-19 in Cundinamarca and Bogotá is a spatio-temporal phenomenon with an excess of zeros. Incluye anexos Maestría Magíster en Ciencias - Estadística

ilustraciones, gráficas, tablas Introducción : en este trabajo se describe una cohorte de pacientes hospitalizados por covid-19 y se proponen modelos pronósticos que estiman la probabilidad de presentar enfermedad grave, trombosis y muerte a partir de variables de ingreso. Métodos : estudio retrospectivo analítico de la población de pacientes con diagnóstico confirmado de covid-19, atendidos hospitalariamente en un centro de alta complejidad, entre los meses de marzo de 2020 y abril de 2021. Se determinó la asociación entre variables de ingreso y la ocurrencia de muerte, curso clínico adverso y trombosis y se construyeron y validaron internamente modelos pronósticos para estos desenlaces utilizando métodos estadísticos tradicionales y de aprendizaje automático. Resultados: se incluyeron datos de 642 pacientes, de los cuales 328 (51 %) presentaron deterioro clínico y 180 (28 %) fallecieron durante la hospitalización. Se documentaron eventos trombóticos en 67 (10 %) y de sangrado en 19 pacientes (3 %). Se encontro asociación entre biomarcadores de inflamación, trombosis y disfunción orgánica y los desenlaces de interés. Los modelos de aprendizaje automático GBM (gradient boosting machine), presentaron el mayor rendimiento pronóstico para mortalidad: AUC-ROC de 80 % (IC 95 %: 76 %-84 %) y AUC-PR de 69 % (IC 95 %: 63 %-75 %), deterioro clínico: AUC-ROC de 79 % (IC 95 %: 75 %-84 %) y AUC-PR de 75 % (IC 95 %: 71 %-81 %), y trombosis: AUC-ROC de 69 % (IC 95 %: 60 %-78 %) y AUC-PR de 37 % (IC 95 %: 27 %-49 %). Las variables pronósticas utilizadas fueron: edad, SAFI, relación de neutrofilos sobre linfocitos, proteína C reactiva, dímero D, creatinina y deshidrogenasa láctica. Conclusión : se desarrollaron modelos con buen rendimiento pronóstico para muerte y enfermedad grave y con moderado rendimiento para trombosis en pacientes hospitalizados por covid19. El modelo con mejor desempeno para todos los desenlaces fue GBM. Para determinar su utilidad en la práctica clínica y de investigación, estos modelos deben ser evaluados en otras cohortes. Se construyó una aplicación para visualizar su funcionamiento y facilitar su validación: https://hga-p-w.shinyapps.io/covid_gbm_app/ (Texto tomado de la fuente). Introduction: We propose to characterize a cohort of patients hospitalized for covid-19 and to create models that estimate the probability of presenting clinical deterioration, thrombosis, and in-hospital mortality based on data obtainable at hospital admission. Methods: Retrospective analytical study of a population of patients with a confirmed diagnosis of covid-19 in a health center of high complexity, between March 2020 and April 2021. The association between entry variables and the outcomes of interest was determined, and prognostic models were developed and validated using traditional statistical methods and machine learning techniques. Results: Data from 642 patients were recorded. The outcome of clinical deterioration occurred in 328 patients (51 %) and death in 180 patients (28 %). Thrombotic events were documented in 67 patients (10 %) and bleeding in 19 patients (3 %). Correlations were found between biomarkers of inflammation, thrombosis, organ dysfunction, and the aforementioned outcomes of interest. GBM (gradient boosting machine), a machine learning technique, presented the best performance for mortality: AUC-ROC of 80 % (95 % CI: 76 % -84 %) and AUC-PR of 69 % (95 % CI: 63 % -75 %), and clinical deterioration: AUC-ROC of 79 % (95 % CI: 75 % -84 %) and AUC-PR of 75 % (95 % CI: 71 % -81 % ), and thrombosis: AUC-ROC of 69 % (95 % CI: 60 % -78 %) and AUC-PR of 37 % (95 % CI: 27 % -49 %). The prognostic variables used by the models were: age, SpO2/FiO2 ratio, neutrophil to lymphocyte ratio, C-reactive protein, D-dimer, creatinine, and lactate dehydrogenase. Conclusion: Models with good prognostic performance for death and severe disease and moderate performance for thrombosis were developed. GBM exhibited the best performance for all outcomes of interest. To determine the usefulness of these models in clinical and research practice, they should be further assessed in other cohorts. An app was built to visualize them and to facilitate their validation: https://hga-p-w.shinyapps.io/covid_gbm_app/ Incluye anexos Especialidades Médicas Especialista en Hematología