Estudio multicéntrico español para la predicción del riesgo perioperatorio de accidente cerebrovascular tras cirugía de bypass coronario aislada: el modelo PACK2

ResumenObjetivosDesarrollar un modelo predictivo multivariante del accidente cerebrovascular (ACV) intrahospitalario tras cirugía de bypass coronario.MétodosVeintiséis mil trescientos cuarenta y siete pacientes incluidos en el estudio procedentes de 21 bases de datos de hospitales españoles. El análisis de regresión logística fue utilizado para predecir el riesgo de ACV perioperatorio (ictus o accidente isquémico transitorio). El modelo predictivo fue desarrollado a partir de un subgrupo de datos «de prueba» y validado en otro subgrupo independiente, ambos seleccionados aleatoriamente del total de la muestra. La capacidad predictiva del modelo se relacionó con el área bajo la curva ROC (ABC). Las variables consideradas fueron: preoperatorias (edad, sexo, diabetes mellitus, hipertensión arterial, ACV previo, insuficiencia cardiaca y/o fracción de eyección del ventrículo izquierdo < 40%, prioridad de la intervención no electiva, arteriopatía extracardiaca, insuficiencia renal crónica y/o creatininemia ≥ 2 mg/dl y fibrilación auricular) e intraoperatorias (cirugía coronaria con/sin circulación extracorpórea).ResultadosIncidencia global de ACV perioperatorio 1,38%. La prioridad no electiva de la cirugía (priority; OR = 2,32), arteriopatía extracardiaca (arteriopathy; OR = 1,37), insuficiencia cardiaca (cardiac; OR = 3.64) e insuficiencia renal crónica (kidney; OR = 6,78) fueron identificados como factores de riesgo independientes de ACV perioperatorio en los modelos uni y multivariante en el subgrupo de prueba; p < 0,0001; ABC = 0,77, IC del 95%, 0,73-0,82. El modelo PACK2 de ACV perioperatorio tras cirugía de bypass coronario se estableció con 1 punto para cada ítem, excepto para la insuficiencia renal crónica que se le otorgaron 2 puntos (rango 0-5 puntos); ABC = 0,76, IC del 95%, 0,72-0,80. En pacientes con puntuación PACK2 ≥ 2 puntos, la cirugía coronaria sin circulación extracorpórea redujo la incidencia de ACV en un 2,3% cuando se comparó con el grupo con cirugía realizada con circulación extracorpórea.ConclusionesLa escala de riesgo PACK2 muestra una buena capacidad predictiva en los datos analizados y podría ser útil en la toma de decisiones y selección de pacientes de la práctica clínica.

ObjectivesTo develop a multivariate predictive risk score of perioperative in-hospital stroke after coronary artery bypass grafting (CABG) surgery.MethodsA total of 26,347 patients were enrolled from 21 Spanish hospital databases. Logistic regression analysis was used to predict the risk of perioperative stroke (stroke or transient ischaemic attack). The predictive scale was developed from a training set of data and validated by an independent test set, both selected randomly from the global sample. The assessment of the accuracy of prediction was related to the area under the ROC curve (AUC). The variables considered were: preoperative (age, gender, diabetes mellitus, arterial hypertension, previous stroke, cardiac failure and/or left ventricular ejection fraction < 40%, non-elective priority of surgery, extracardiac arteriopathy, chronic kidney failure and/or serum creatinine ≥2 mg/dl, and atrial fibrillation) and intra-operative (on/off-pump).ResultsThe overall perioperative stroke incidence was 1.38%. Non-elective priority of surgery (priority; OR = 2.32), vascular disease (arteriopathy; OR = 1.37), heart failure (cardiac; OR = 3.64), and chronic kidney failure (kidney; OR = 6.78) were found to be independent risk factors for perioperative stroke in uni- and multivariate models in the training set of data; P < .0001; AUC = 0.77, 95% CI 0.73–0.82. The PACK2 stroke CABG score was established with 1 point for each item, except for chronic kidney failure with 2 points (range 0–5 points); AUC = 0.76, 95% CI 0.72–0.80. In patients with PACK2 score ≥2 points, off-pump reduced perioperative stoke incidence by 2.3% when compared with on-pump CABG.ConclusionsPACK2 risk scale shows good predictive accuracy in the data analysed and could be useful in clinical practice for decision making and patient selection.