Detección de eventos adversos en pacientes hospitalizados en un servicio de medicina interna mediante la herramienta "trigger"

Abstract

Objetivos: Evaluar la validez diagnóstica de la herramienta “trigger” (HT) en la detección de eventos adversos (EA), caracterizar el tipo de EA detectados y los “triggers” que los detectaron. Definir un panel de “triggers” simplificado suficientemente sensible, específico y eficiente para la detección de EA. Metodología: Estudio transversal de altas de pacientes de un servicio de Medicina Interna para la detección de EA mediante la revisión sistemática de la historia clínica y la identificación de “triggers” (evento clínico relacionado frecuentemente con EA), determinándose si hubo EA según el contexto en el que apareció el “trigger”. Una vez detectado el EA, se procedió a su caracterización. Resultados: Se detectaron 149 EA en una muestra aleatoria de 291 altas durante el año 2013, de los cuales un 75,3% fueron puestos en evidencia directamente por la HT, mientras que el resto no tuvieron asociado un “trigger”, demostrando una sensibilidad del 91,3% (IC 95%: 88,9-93,2), y una especificidad del 32,5% (IC 95%: 29,9-35,1). Presentó un valor predictivo positivo de 42,5% (IC 95%: 40,1-45,1) y un valor predictivo negativo de 87,1% (IC 95%: 83,8-89,9). La prevalencia de EA fue del 35,4%, siendo el EA más frecuentemente hallado fue la úlcera por presión (12,1%). Un 47,6% de los EA estuvo relacionado con el uso de fármacos. Se consideró evitable el 32,2% de los EA. El modelo propuesto tras la optimización de la herramienta incluyó sólo seis variables y es capaz de detectar un número elevado de EA (Área bajo la curva 0,81, IC95%: 0,76-0,87). Conclusiones: La herramienta empleada en este trabajo es válida, útil y reproducible para la detección de EA. Asimismo, sirve para determinar tasas de daño y observar su evolución en el tiempo. En este estudio se ha hallado una frecuencia elevada tanto de EA como de eventos evitables.

Objectives: To evaluate the diagnostic accuracy of the Trigger Tool (TT) in the detection of adverse events (AE), to characterize the type of EA detected and “triggers” that detected them. To define a simplified panel of triggers sufficiently sensitive, specific and efficient for detecting AE. Methods: Cross-sectional study charts of patients from a Service of Internal Medicine to detect AE through systematic review of the chart and the identification of "triggers" (clinical event often related to EA), determining if there was an AE according to the context where the "trigger" appeared. Once detected the AE, we proceeded to its characterization. Results: 149 AE were detected in a random sample of 291 charts during 2013, of which 75.3% were evidenced directly by the TT, while the rest had not a “trigger” assigned, showing a sensitivity of 91,3% (95% CI 88.9 to 93.2) and a specificity of 32.5% (95% CI 29.9 to 35.1). It presented a positive predictive value of 42.5% (95% CI 40.1 to 45.1) and a negative predictive value of 87.1% (95% CI 83.8 to 89.9). The EA prevalence was 35.4%, and the EA most frequently found was pressure ulcer (12.1%). 47.6% of EA were related to drug use. 32.2% of EA were considered avoidable. The proposed model after optimization of the tool included only six variables and is able to detect a large number of EA (area under the curve 0.81, 95% CI .76-.87). Conclusions: The tool used in this study is valid, useful and reproducible for detection of EA. It’s also useful to determine rates of injury and observe their evolution over time. This study has found a high prevalence of both AE and preventable AE.