Determinar si los modelos estadísticos para predecir ingresos y mortalidad a los 30 y 365 días tras un alta por insuficiencia cardiaca (IC) mejoran cuando se añaden diagnósticos de distintos orígenes.

Población: Pacientes de 40 o más años con una primera alta por IC entre 2011 y 2015 en los hospitales públicos de Osakidetza (15.186 pacientes).

Variables: Edad, sexo, diagnósticos codificados al alta del ingreso índice y en Atención Primaria (AP); uso de recursos en los 12 meses anteriores.

Los diagnósticos se agrupan en categorías clínicas (clinical classification software-CCS). Se excluyen las patologías agudas (chronic condition indicator-CCI).

Análisis: Se ajustan modelos de regresión logística regularizada para las variables dicotómicas muerte a los 30/365 días (sí/no), ingreso a los 30/365 días (sí/no). Partiendo del modelo básico (con edad y sexo), se añaden variables de forma incremental: diagnósticos de la hospitalización, de AP, ingresos y contactos previos. Los modelos se comparan con el área bajo la curva ROC (AUC) calculada sobre una muestra aleatoria separada de pacientes (n=3,038).

Al incluir los diagnósticos hospitalarios respecto al modelo básico el AUC aumento en los 4 tipos de evento (0.65 a 0.73; 0.66 a 0.72; 0.52 a 0.57; 0.54 a 0.59), pero no mejoró tras incluir los diagnósticos de AP. Las variables de ingresos y contactos previos mejoraron el AUC hasta alcanzar 0.74 y 0.73 para muerte; y 0.62 y 0.60 para ingresos (30/365 días).

La inclusión de los diagnósticos al alta hospitalaria mejora el ajuste clásico de edad y sexo. Sin embargo, añadir los diagnósticos de AP a los del alta no parece mejorar los modelos.

Los datos de la vida real (RWD) son una oportunidad para elaborar modelos predictivos que ayuden a la toma de decisiones clínicas o para ofrecer indicadores ajustados por riesgo (morbilidad), pero su uso requiere priorizar las fuentes relevantes