Orientador: Paulo Roberto de Madureira

Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas

Resumo: As infecções relacionadas à assistência à saúde são responsáveis pela elevação do custo assistencial, aumento da morbimortalidade hospitalar e aumento do tempo de internação. Uma característica peculiar dessas infecções diz respeito à resistência dos microrganismos envolvidos. Protocolos de...

Resumo: As infecções relacionadas à assistência à saúde são responsáveis pela elevação do custo assistencial, aumento da morbimortalidade hospitalar e aumento do tempo de internação. Uma característica peculiar dessas infecções diz respeito à resistência dos microrganismos envolvidos. Protocolos de tratamento de infecções graves, como pneumonia e sepse, indicam o uso inicial de associações antimicrobianas de largo espectro, caso o paciente apresente fatores de risco para resistência. Posteriormente, com o resultado das culturas, o esquema terapêutico inicial seria readequado. Entretanto, esse processo conhecido como "descalonamento" ocorre de forma infrequente. Assim, no momento da escolha inicial dos antimicrobianos para o tratamento de síndromes infecciosas graves, os profissionais se deparam com um dilema: Utilizar um esquema de amplo espectro para a maior proteção do paciente, mas que raramente será revisto e contribuir para o aumento da resistência da microbiota hospitalar, ou tentar o uso de esquemas menos abrangentes? Com o objetivo de auxiliar o médico nesse momento da prescrição, procurou-se identificar possíveis características dos pacientes que pudessem servir como fatores preditores para infecção ou colonização para microrganismos multirresistentes. Em um hospital geral de 90 leitos, na cidade de São José dos Campos, no Estado de São Paulo, Brasil, foi conduzido um estudo de caso-coorte, entre junho de 2009 e junho de 2011, em que todos os pacientes que realizaram pelo menos um exame de cultura foram incluídos (753 pacientes). Os casos foram definidos como todos os pacientes que apresentaram culturas clínicas com o isolamento de pelo menos um microrganismo multirresistente (146 pacientes). A multirresistência foi definida conforme o consenso do Centro de Controle de Infecções e Doenças dos Estados Unidos da América em associação com o Centro Europeu para Prevenção e Controle de Doenças. Os controles foram todos os pacientes que se submeteram a culturas as quais não demonstraram crescimento de um agente multirresistente. Foram avaliadas quatorze variáveis demográficas e clínicas, comumente identificadas como fatores de risco. Foram construídos três modelos de predição clínica: regressão logística, árvore de classificação e floresta aleatória. No modelo de regressão logística, em função de intensa colinearidade, optou-se pela eliminação das variáveis pelo método backward. Na validação interna deste modelo, foi utilizada a técnica de reamostragem por bootstrap. O novo modelo foi calibrado com um fator de shrinkage de 0,91. Os modelos de árvore de classificação e floresta aleatória identificaram, de maneira semelhante, as variáveis mais importantes para predição que foram: história de internação nos últimos 180 dias, tempo de internação até a realização da cultura, Índice de comorbidades de Charlson, presença de cateter nasoentérico, traqueostomia e cateter venoso central. Foi realizada a validação externa temporal com uma nova amostra coletada entre julho e dezembro de 2011, num total de 342 pacientes. As acurácias dos modelos de regressão logística, árvore de classificação e floresta aleatória foram avaliadas por curvas ROC (Receiver operating characteristic). As áreas sobre a curva foram respectivamente: 72,4%, 66,2% e 69,2%. O modelo final da regressão logística com o total de pacientes estudados (1092) apresentou uma área sob a curva ROC corrigida do otimismo de 77,1%

Abstract: Healthcare-associated infections are responsible for rising health care costs, increasing morbidity, mortality, and longer hospital stays. A peculiar characteristic of such infections is the resistance of the involved microorganisms. The presence of infectious agents resistant to multiple...

Abstract: Healthcare-associated infections are responsible for rising health care costs, increasing morbidity, mortality, and longer hospital stays. A peculiar characteristic of such infections is the resistance of the involved microorganisms. The presence of infectious agents resistant to multiple classes of antimicrobials is increasing in such infections. Thus, multidrug resistance brings a real challenge to everyday clinical practice. Protocols for treatment of severe infections such as pneumonia and sepsis indicate the use of broad-spectrum antimicrobial associations as the initial therapy if the patient has a risk factor for resistance. Later, with the result of cultures, an adjustment of the initial therapeutic regimen would be expected. However, this process, known as de-escalation, occurs infrequently. Thus, at the moment of choosing the initial antibiotics for treating serious infectious syndromes, physicians are challenged with a dilemma: either to prescribe broad-spectrum antibiotics and contribute to increasing antibiotic resistance or to use a narrow spectrum of antimicrobials and put patients' prognosis at risk. The aim of this study was to identify potential predictors for the harboring of multidrug-resistant bacteria and to build a clinical prediction model that could help physicians to recognize patients with different risks for infection or colonization by these microorganisms. We conducted a case-cohort study in a 90-bed general hospital, at São José dos Campos, São Paulo State, Brazil, with all patients that performed at least one culture (753 patients). Cases were defined as patients that had had a culture demonstrating a multi-resistant agent (146 patients). Controls were all other patients that had had at least one culture. The consensus definition from the Center for Disease Control and the European Centre for Disease Prevention and Control was used to describe antibiotic multi-resistance. Fourteen traditional risk factors were evaluated as predictors. We constructed three clinical prediction models: logistical regression, classification tree, and random forest. In the logistical regression model, due to severe collinearity, we chose to eliminate variables by the backward method. In this model, for internal validation, we used the bootstrap resampling procedure. The new model was calibrated with the use of a shrinkage factor of 0.91. Similarly, the classification tree and random forest models identified that the most important variables for prediction were: admission history of 180 days, tube feeding, and length of hospital stay before culture, Charlson comorbidity index, central venous catheter, and tracheostomy. A temporal external validation was performed with a new sample collected between July and December 2011, with 342 patients. The accuracies of logistic regression, classification tree and random forest models were evaluated by ROC (Receiver operating characteristic) curves. The areas under the curve were 72.4%, 66.2% and 69.2%, respectively. The final logistical regression model with the overall study population (1092 patients) is described and shows an optimism-corrected area under the ROC curve of 77.1%