Análisis markoviano de un proceso de estancia hospitalaria en un hospital de tercer nivel de complejidad
DOI:
https://doi.org/10.17533/udea.rfnsp.708Palabras clave:
Tiempo de internación, cadenas de Markov, trauma, barreras absortorasResumen
Objetivo: estimar el número esperado de pacientes con trauma en los servicios de hospitalización, cirugía y unidad de cuidados intensivos y en la condición de egreso vivo y muerto, luego de ingresar por urgencias a un hospital de tercer nivel de complejidad. Materiales y métodos: con base en la información derivada de un estudio de seguimiento con 2.084 registros correspondientes a ingresos a urgencias por trauma en un hospital de tercer nivel de complejidad, se estimó la matriz de probabilidades de transición y el número esperado de pacientes en cada estado en una unidad de tiempo de 12 horas para todas las cohortes de pacientes, mediante el análisis de cadenas de Markov. Resultados: se obtuvo un análisis de sensibilidad para la probabilidad de permanecer en el servicio de cirugía y de ser trasladado de la unidad de cuidados intensivos a hospitalización. Conclusión: el modelo utilizado es adecuado para la reproducción de lo observado y puede utilizarse para predecir configuraciones observables si se conoce el ritmo de ingreso de las cohortes de pacientes o si se tiene un modelo teórico para ellas.
Descargas
Citas
(1). Navarro V, Parker R. Models in health servicesplanning. Data handling in epidemiology Lon-don: Oxford University Press, 1970.
(2). Hendriks JC, Satten GA, Longini IM, van Dru-ten HA, Schellekens PT, Coutinho RA, vanGriensven GJ. Use of immunological markersand continuous-time Markov models to estima-te progression of HIV infection in homosexualmen. AIDS 1996;10(6):649-656. DOI: https://doi.org/10.1097/00002030-199606000-00011
(3). Schechter MT, Le N, Craib KJ, Le TN, O’Shaugh-nessy MV, Montaner JS. Use of the Markovmodel to estimate the waiting times in a modi-fied WHO staging system for HIV infection. JAcquir Immune Defic Syndr Hum Retrovirol1995 15;8(5):474. DOI: https://doi.org/10.1097/00042560-199504120-00007
(4). Lu Y, Stitt FW. Using Markov processes to des-cribe the prognosis of HIV-1 infection. MedDecis Making 1994 ;14(3):266-272. DOI: https://doi.org/10.1177/0272989X9401400309
(5). Kuo HS, Chang HJ, Chou P, Teng L, Chen TH.A Markov chain model to assess the efficacy ofscreening for non-insulin dependent diabetesmellitus (NIDDM). Int J Epidemiol 1999;28(2):233-240. DOI: https://doi.org/10.1093/ije/28.2.233
(6). Garg SK, Marshall G, Chase HP, Jackson WE,Archer P, Crews MJ. The use of the Markov pro-cess in describing the natural course of diabeticretinopathy. Arch Ophthalmol 1990;108 (9):1245-1247. DOI: https://doi.org/10.1001/archopht.1990.01070110061025
(7). Schaubel DE, Morrison HI, Desmeules M, Par-sons D, Fenton SS. End-stage renal disease projections for Canada to 2005 using Poisson andMarkov models. Int J Epidemiol 1998; 27: 274-281. DOI: https://doi.org/10.1093/ije/27.2.274
(8). Desmeules M, Schaubel D, Fenton SS, Mao Y.New and prevalent patients with end-stage re-nal disease in Canada. A portrait of the year2000. ASAIO J 1995;41(2):230-233. DOI: https://doi.org/10.1097/00002480-199541020-00021
(9). Duffy SW, Chen HH, Tabar L, Day NE. Estima-tion of mean sojourn time in breast cancer scree-ning using a Markov chain model of both entryto and exit from the preclinical detectable pha-se. Stat Med 1995 30;14(14):1531-1543. DOI: https://doi.org/10.1002/sim.4780141404
(10). Duffy SW, Day NE, Tabar L, Chen HH, SmithTC. Markov models of breast tumor progression:some age-specific results. J Natl Cancer InstMonogr 1997; 22:93-97. DOI: https://doi.org/10.1093/jncimono/1997.22.93
(11). Boult C, Kane RL, Louis TA, Ibrahim JG. Fore-casting the number of future disabled elderlyusing Markovian and mathematical models. JClin Epidemiol 1991;44(9):973-980. DOI: https://doi.org/10.1016/0895-4356(91)90068-K
(12). Biritwum RB, Odoom SI. Application of Mar-kov process modelling to helth status switchingbehaviour of infants. Int J Epidemiol 1995; 24:177-182. DOI: https://doi.org/10.1093/ije/24.1.177
(13). Pérez A, Chan W, Dennis R. Predicción de lalongitud de estancia en pacientes admitidos aunidades de cuidado intensivo en Colombia,usando un modelo Markoviano discreto. En: XIIISimposio de Estadística. Universidad Nacionalde Colombia, Armenia, agosto de 2003.
(14). Valencia M, Morales M, Arroyave ML, Monto-ya WD, Colorado SM, González G. Factores deriesgo de infección intrahospitalaria en pacien-tes mayores de 12 años hospitalizados por cau-sa traumática en el Hospital Universitario SanVicente de Paúl, 1999. Trabajo de grado (maes-tría en epidemiología). Universidad de Antioquia. Facultad Nacional de Salud Pública. Me-dellín, 1999.
(15). Ibáñez J. (Ed). Nuevos avances en la investigación social: la investigación social de segundoorden. Suplementos Anthropos 1990; 22: 130-180.
(16). Ross D, McKeown P. Modelos cuantitativos paraadministración, México: Iberoamericana, 1986.
(17). Prawda J. Métodos y modelos de investigaciónde operaciones. Vol 2. Modelos estocásticos.México, DF: Limusa; 1993.
(18). Caswell Hal. Matrix population models: cons-truction, analysis and interpretation. 2nd ed.Sunderland, Mass: Sinauer Assoc; 2001.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
El autor o los autores conserva(n) los derechos morales y cede(n) los derechos patrimoniales que corresponderán a la Universidad de Antioquia, para publicarlo, distribuir copias electrónicas, incluirlas en servicios de indización, directorios o bases de datos nacionales e internacionales en Acceso Abierto, bajo la licencia Creative Commons Atribución-No Comercial-Compartir Igual 4.0 Internacional Comercial (CC BY-NC-SA) la cual permite a otros distribuir, remezclar, retocar y crear a partir de la obra de modo no comercial, siempre y cuando se dé crédito respectivo y licencien las nuevas creaciones bajo las mismas condiciones.
--
--
--
