Buscar en
Cirugía Española
Toda la web
Inicio Cirugía Española Dolor agudo en fosa ilíaca derecha. Un nuevo algoritmo de diagnóstico basado e...
Información de la revista
Vol. 97. Núm. 6.
Páginas 329-335 (Junio - Julio 2019)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Visitas
1458
Vol. 97. Núm. 6.
Páginas 329-335 (Junio - Julio 2019)
Original
DOI: 10.1016/j.ciresp.2019.02.006
Acceso a texto completo
Dolor agudo en fosa ilíaca derecha. Un nuevo algoritmo de diagnóstico basado en árboles de clasificación y red neuronal artificial
Diagnosis of pain in the right iliac fossa. A new diagnostic score based on Decision-Tree and Artificial Neural Network Methods
Visitas
...
Mindaugas Gudelis, José Daniel Lacasta Garcia
Autor para correspondencia
jdlacasta@gmail.com

Autor para correspondencia.
, José Javier Trujillano Cabello
Departamento de Cirugía, Hospital Universitario Arnau de Vilanova, Universidad de Lérida, Lérida, España
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (2)
Tablas (4)
Tabla 1. Características demográficas y clínicas. Según grupos diagnósticos (n=252)
Tabla 2. Características analíticas y puntuación de Alvarado, AIR y Fenyö-Lindberg según grupos diagnósticos (n=252)
Tabla 3. Comparación del modelo de RNA y árbol de clasificación tipo CHAID
Tabla 4. Comparación descriptiva de nuestro estudio con otros trabajos publicados de dolor en FID
Mostrar másMostrar menos
Resumen
Introducción

El dolor en fosa ilíaca derecha (FID) sigue planteando problemas diagnósticos. El objetivo de este estudio es la elaboración de un modelo diagnóstico de dolor en FID basado en árboles de clasificación (CHAID) y en una red neuronal artificial (RNA).

Métodos

Estudio prospectivo de 252 pacientes que acudieron al hospital por presentar dolor en FID. Se recogieron datos demográficos, clínicos, exploración física y analíticos. Se clasificaron en 4 grupos: dolor simple en FID (dFID), apendicitis aguda (AA), dolor abdominal sin proceso inflamatorio (DASPI) y dolor abdominal con proceso inflamatorio (DACPI). Se construyó un modelo de árbol de clasificación tipo Chi-Square Automatic Interaction Detection (CHAID) y un modelo de RNA. Se evaluaron también los modelos clásicos (Alvarado [ALS], Appendicitis Inflammatory Response [AIR] y Fenyö-Lindberg FLS]). Se evaluó la discriminación mediante curvas ROC (ABC [IC 95%]) y porcentaje de correcta clasificación (PCC).

Resultados

El 53% eran varones. Edad media 33,3±16 años. El grupo más numeroso fue el de dFID (45%), AA (37%), DASPI (12%) y DACPI (6%). Discriminación de ALS (0,82 [0,76-0,87]), AIR (0,83 [0,77-0,88]) y FLS (0,88 [0,84-0,92]). El CHAID determina 10 grupos de decisión: 3 con probabilidad altas para dFID, 3 altas para AA y 4 especiales sin diagnóstico predominante. PCC de RNA y CHAID con el 75 y 74,2%, respectivamente.

Conclusiones

La metodología basada en árboles de clasificación tipo CHAID permite establecer un modelo diagnóstico basado en cuatro grupos de dolor en FID y genera reglas de decisión que pueden ayudarnos en el diagnóstico de procesos con dolor en FID.

Palabras clave:
Dolor en fosa ilíaca derecha
Árboles de clasificación
Dolor abdominal agudo
Apendicitis
Abstract
Introduction

Pain in the right iliac fossa (RIF) continues to pose diagnostic challenges. The objective of this study is the development of a RIF pain diagnosis model based on classification trees of type CHAID (Chi-Square Automatic Interaction Detection) and on an artificial neural network (ANN).

Methods

Prospective study of 252 patients who visited the hospital due to RIF pain. Demographic, clinical, physical examination and analytical data were registered. Patients were classified into 4 groups: NsP (nonspecific RIFP group), AA (acute appendicitis), NIRIF (RIF pain with no inflammation) and IRIF (RIF pain with inflammation). A CHAID-type classification tree model and an ANN were constructed. The classic models (Alvarado [ALS], Appendicitis Inflammatory Response [AIR] and Fenyö-Linberg [FLS]) were also evaluated. Discrimination was assessed using ROC curves (AUC [95% CI]) and the correct classification rate (CCR).

Results

53% were men. Mean age 33.3±16 years. The largest group was the NsP (45%), AA (37%), NRIF (12%) and IRIF (6%). The analytical model results were: ALS (0.82 [0.76-0.87]), AIR (0.83 [0.77-0.88]) and FLS (0.88 [0.84-0.92]). CHAID determined 10 decision groups: 3 with high probability for NsP, 3 high for AA and 4 special groups with no predominant diagnosis. CCR of ANN and CHAID were 75% and 74.2%, respectively.

Conclusions

The methodology based on CHAID-type classification trees establishes a diagnostic model based on four pain groups in RIF and generates decision rules that can help us in the diagnosis of processes with RIF pain.

Keywords:
Right iliac fossa pain
Decision tree
Acute abdominal pain
Appendicitis
Texto completo
Introducción

El dolor abdominal es un problema habitual de consulta en los centros hospitalarios. Dentro de este tipo de dolor, el centrado en la fosa ilíaca derecha (FID), es una de las afecciones más frecuentes atendidas en los servicios de urgencias y cirugía general1.

Los trabajos publicados sobre el diagnóstico del dolor en FID se han centrado en el diagnóstico principal de apendicitis aguda (AA) y en subgrupos de pacientes con características diferenciales2. De este modo, los distintos trabajos intentan desarrollar nuevos modelos diagnósticos de esta afección (pero casi siempre solo diferenciando AA frente al resto de problemas) o buscan validar los sistemas clásicos3.

Algoritmos clásicos como el de Alvarado4, Fenyö-Lindbert5 o Appendicitis Inflammatory Response (AIR)6, tienen alta capacidad de discriminación de la AA, pero al centrarse sobre la AA, no suelen ser útiles para otros diagnósticos de dolor en la FID. Harían falta modelos que intenten clasificar, de forma integral, la afección de la FID desde el punto de vista de los profesionales que atienden a estos pacientes (urgencias y cirujanos)7.

El objetivo de nuestro trabajo es desarrollar, con los datos obtenidos en el servicio de urgencias, un modelo de diagnóstico diferencial de dolor en la FID basado en metodología de árboles de clasificación, y comparar este modelo con los scores clásicos y el generado por una red neuronal artificial (RNA), lo que nos ayudará en el diagnóstico de la AA y otros procesos abdominales.

Método

Estudio prospectivo observacional, desarrollado durante 18 meses (entre 1 de 2015 y el 31 de diciembre de 2016) realizado en el servicio de urgencias (SU) de un hospital de 2.° nivel, dotado de 450 camas de hospitalización y con 93.000 visitas anuales al SU.

Los pacientes firmaron el correspondiente consentimiento informado y el estudio fue aprobado por el Comité de Ética de Investigación Clínica (CEIC) del hospital.

Se incluyeron los pacientes mayores de 14 años con más de 6h de evolución del dolor en FID. Se excluyeron los pacientes apendicectomizados previamente y los que no pudieron seguirse en su evolución.

Una vez establecido el diagnóstico de dolor en la FID, se recogieron las siguientes variables: edad, sexo, cirugía abdominal previa, índice de masa corporal (IMC), tiempo de evolución de la clínica en horas, toma previa de analgésicos y temperatura corporal.

Se recogieron las variables clínicas incluidas en los modelos clásicos: dolor previo similar, signo de Blumberg (positivo o no), migración del dolor, incremento del dolor con la tos, aumento del dolor con movilización, náuseas/vómitos, anorexia, diarrea y estreñimiento. Datos analíticos: número de leucocitos (número de células × 109), porcentaje de neutrófilos (%) y niveles séricos de PCR (mg/dl). El método analítico utilizado fue el estándar según el laboratorio del hospital. Durante el seguimiento se registró si el paciente quedaba hospitalizado, si se le practicaba una intervención quirúrgica y el diagnóstico al finalizar el episodio. Se establecieron 4 grupos diagnósticos: dolor simple en FID (dFID) cuando el cuadro remitía y el paciente era alta a domicilio, AA cuando el paciente era intervenido y la anatomía patológica era concordante, dolor abdominal en FID sin proceso inflamatorio (DASPI) y dolor abdominal en FID con proceso inflamatorio (DACPI). Se consideró proceso inflamatorio a la existencia de 2 o más síntomas clínicos de los siguientes, además del dolor en FID: temperatura >38°C o <36°C, frecuencia cardíaca >90 latidos por minuto, frecuencia respiratoria mayor de 20 respiraciones por minuto o pCO2<32mmHg, leucocitos en sangre>12.000/ml o <4.000/ml. También se registró si al paciente se le realizaba una ecografía abdominal, aunque su realización no estaba en el protocolo del estudio y quedaba a criterio del médico que atendía al paciente.

Se calcularon los valores de los algoritmos de Alvarado4, AIR6 y Fenyö-Lindberg5.

Análisis estadístico

Las variables se expresan como media y desviación estándar o como porcentaje. Para la comparación entre grupos (4 categorías) se utilizó la prueba de Chi-cuadrado para variables cualitativas y el test no paramétrico de Kruskal-Wallis para las variables continuas. Valor de significación estadística con p<0,05.

El modelo de árbol de clasificación se realizó utilizando el módulo AnswerTree del programa SPSS® (versión 20.0). Se utilizó la opción Chi Square Automatic Interaction Detection (CHAID) con criterio de parada limitada a un número mínimo de 15 pacientes por nodo terminal8.

El modelo de RNA se implementó utilizando el programa Alyuda® (Neurointelligence) que incorpora la metodología de Perceptrón multicapas con retro-propagación del error9.

La estrategia de incorporación de variables en los modelos fue de tipo full model (inclusión de todas las variables candidatas), ambos modelos tienen capacidad de selección automática de las variables según su importancia o jerarquía. La validación interna de los dos modelos se llevó a cabo mediante validación cruzada (10 particiones). La capacidad discriminatoria de los modelos mediante cálculo del área bajo la curva ROC y porcentajes de correcta clasificación (PCC)10.

Resultados

Se incluyeron 295 pacientes con dolor en la FID. Se excluyeron 43 (15 con apendicectomía previa, 5 con menos de 6h de evolución de la clínica y 23 por falta de seguimiento). El grupo de estudio lo formaron 252 pacientes (fig. 1).

Figura 1.

Diagrama de distribución de los pacientes.

AA: apendicitis aguda; DACPI: dolor abdominal con proceso inflamatorio; DASPI: dolor abdominal sin proceso inflamatorio; dFID: dolor simple en FID.

(0,07MB).

Del total de pacientes, 121 fueron ingresados en el hospital, de los cuales, 107 fueron intervenidos quirúrgicamente. Los casos por grupos diagnósticos: 114 casos de dFID, 93 con AA, 30 con DASPI y 15 con DACPI. Los diagnósticos incluidos en la clasificación DASPI fueron: infección de tracto urinario 11 casos, cólico nefrítico 7 casos, gastroenteritis aguda 5 casos, suboclusión intestinal 2 casos, quiste de ovario un caso y otros diagnósticos,4 casos. Los diagnósticos incluidos en DACPI, fueron: enfermedad inflamatoria pélvica 5 casos, pielonefritis aguda 4 casos, absceso tubo-ovárico 2 casos, diverticulitis aguda 2 casos, colecistitis aguda un caso y enfermedad inflamatoria intestinal un caso.

La tabla 1 muestra las características clínicas de los pacientes incluidos en los 4 grupos diagnósticos. Se aprecia que, en general, son pacientes jóvenes y sin diferencias según el sexo.

Tabla 1.

Características demográficas y clínicas. Según grupos diagnósticos (n=252)

  Todos(n=252)  dFID(n=114)  AA(n=93)  DASPI(n=30)  DACPI(n=15)  Valor de p 
Edad (media±DE)  33±16  30±13  37±17  35±18  31±16  0,010 
Sexo (varón), %  52,8  41,2  74,2  36,7  40,0  <0,001 
IMC (media±DE)  25±24±25±25±23±0,286 
Antecedente cirugía, %  22,2  18,4  26,9  16,7  33,3  0,292 
Horas evolución (media±DE)  37±32  39±36  31±25  36±33  51±33  0,182 
Fiebre, %  34,9  24,6  50,5  13,3  60,0  <0,001 
Analgesia previa, %  40,9  41,2  37,6  43,3  53,3  0,694 
Dolor previo similar, %  28,6  27,2  28,0  33,3  33,3  0,891 
Signo de Blumberg, %  65,9  54,4  87,1  43,3  66,7  <0,001 
Migración del dolor, %  53,6  36,0  72,0  43,3  93,3  <0,001 
Incremento de dolor, tos, %  68,3  63,2  82,8  40,0  73,3  <0,001 
Aumento de dolor movilización, %  65,9  57,9  80,6  40,0  86,7  <0,001 
Náuseas/vómitos, %  63,9  50,9  76,3  66,7  80,0  <0,001 
Anorexia, %  42,1  35,1  53,8  33,3  40,0  0,037 
Diarreas, %  11,1  14,0  3,2  23,3  13,3  0,010 
Estreñimiento, %  11,9  12,3  9,7  13,3  20,0  0,694 

AA: apendicitis aguda; DACPI: dolor abdominal en FID con proceso inflamatorio; DASPI: dolor abdominal en FID sin proceso inflamatorio; dFID: dolor simple en FID; IMC: índice de masa corporal.

Comparación entre grupos con el test de Chi-cuadrado y para variables continuas con el test de Kruskal-Wallis.

En la tabla 2 se observan las variables analíticas y los valores de las puntuaciones de los modelos clásicos estudiados. Si calculamos las curvas ROC (ABC) de las puntuaciones para el diagnóstico único de AA frente a los otros 3 diagnósticos restantes obtenemos 0,82 (0,76-0,87) para el Alvarado, 0,83 (0,77-0,88) en AIR y 0,88 (0,84-0,92) para Fenyö-Lindberg.

Tabla 2.

Características analíticas y puntuación de Alvarado, AIR y Fenyö-Lindberg según grupos diagnósticos (n=252)

  Todos(n=252)  dFID(n=114)  AA(n=93)  DASPI(n=30)  DACPI(n=15)  Valor de pa 
Leucocitos (109/l)  12±10±16±10±14±<0,001 
Porcentaje de neutrófilos  75±12  69±13  82±72±13  78±<0,001 
PCR (mg/l)  60±54  25±15  98±78  38±23  129±81  <0,001 
Alvarado  5±4±6±4±6±<0,001 
AIR  6±5±7±5±7±<0,001 
Fenyö-Lindberg  7±30  −9±25  31±18  −14±27  19±17  <0,001 

AA: apendicitis aguda; AIR: Appendicitis Inflammatory Response; DACPI: dolor abdominal en FID con proceso inflamatorio; DASPI: dolor abdominal en FID sin proceso inflamatorio; dFID: dolor simple en FID; PCR: proteína C reactiva.

Valores como media±DE.

a Comparación entre grupos con el test de Kruskal-Wallis.

Modelo de árbol de clasificación tipo CHAID

El modelo CHAID selecciona 6 variables: número de leucocitos, PCR, dolor con la tos, signo de Blumberg, sexo y tiempo de evolución.

La jerarquía de variables, seleccionada de forma automática, se aprecia en la figura 2. La primera es el número de leucocitos y según el punto de corte, también determinado de forma automática, se incorporan las siguientes variables. El modelo determina 10 reglas de decisión que son los nodos finales.

Figura 2.

El árbol de clasificación tipo CHAID con su 10 reglas de decisión-nodos finales.

(0,65MB).

Los nodos finales (fig. 2) pueden clasificarse en 3 categorías. Los nodos 10, 11 y 13 con una asignación clara para el grupo diagnóstico dFID, los nodos 7, 14 y 17 para el diagnóstico AA y los nodos 5, 12, 15 y 16 con una asignación menos clara (incluye a los diagnósticos DASPI y DACPI) y que pueden considerarse como especiales. Por ejemplo, estos grupos especiales precisaron la realización de más ecografías frente a los grupos con asignación más clara (41,6 vs. 21,1; p<0,01).

Modelo de red neuronal artificial

El modelo de RNA que se genera selecciona de forma automática 10 variables: signo de Blumberg, migración del dolor, incremento del dolor, aumento del dolor con los movimientos, dolor con la tos, anorexia, temperatura, número de leucocitos, horas de evolución y niveles de PCR. La arquitectura que se origina de forma automática queda constituida con una capa de entrada (con las 10 variables seleccionadas), una capa oculta con 12 nodos y una capa de salida con la posibilidad de los 4 grupos diagnósticos. El modelo nos asigna para cada paciente (registro) un grupo diagnóstico de las 4 probabilidades diagnósticas posibles. El modelo RNA también determina que la variable con más peso es el número de leucocitos.

En la tabla 3 se comparan los modelos RNA y árbol de clasificación tipo CHAID. No se observan grandes diferencias entre los porcentajes de PCC ni en las curvas ROC calculadas.

Tabla 3.

Comparación del modelo de RNA y árbol de clasificación tipo CHAID

  RNA  CHAID 
PCC (%)
Todos  75,0  74,2 
dFID  84,2  91,2 
AA  93,5  81,7 
DASPI  20,0  13,3 
DACPI  12,0  20,0 
ABC ROC (IC 95%)
dFID  0,92 (0,88-0,96)  0,89 (0,85-0,93) 
AA  0,95 (0,91-0,98)  0,93 (0,90-0,96) 
DASPI  0,92 (0,84-0,99)  0,86 (0,81-0,99) 
DACPI  0,84 (0,70-0,99)  0,82 (0,73-0,90) 

AA: apendicitis aguda; ABC: área bajo la curva; DACPI: dolor abdominal en FID con proceso inflamatorio; DASPI: dolor abdominal en FID sin proceso inflamatorio; dFID: dolor simple en FID; PPC: porcentaje de correcta clasificación; RNA: red neuronal artificial.

Discusión

Se realizó la comparativa de este trabajo con otros estudios publicados en la literatura sobre dolor en FID (tabla 4). Se revisaron los tamaños muestrales y se observó que destaca su variabilidad (la mayoría oscila entre los 139 y 545 pacientes, siendo el más grande con 941 pacientes)19.

Tabla 4.

Comparación descriptiva de nuestro estudio con otros trabajos publicados de dolor en FID

Nombre de estudio  AñoLugar  N.°  DiseñoServicio  Metodología  Población  Utilidad 
Alvarado4  1986EE. UU.  305  RCirugía  DES Alvarado  SOSP AAHOSP  DIAG AA 
Fenyö-Lindberg4  1997Suecia  1.167  PCirugía  DES Fenyö-Lindberg  SOSP AAHOSP  DIAG AA 
Fenyö-Lindberg11  2004Suecia  455  PCirugía  VAL Fenyö-LindbergMujeres  SOSP AAMujeres-HOSP  DIAG AACirugía 
Tzanakis et al.12  2005Grecia  504  PCirugía y radiología  DES ScoreVAL Alvarado  SOSP AAHOSP  DIAG AAEcografía 
Rennie et al.13  2006G. Bretaña  300  PCirugía  Estudio mujeres  SOSP AAMujeres-HOSP  DIAG AA 
Antevil et al.14  2006EE. UU.  383609  P-RCirugía  VAL TAC  SOSP AAHOSP  DIAG AATAC 
Andersson et al.6  2008Suecia  545  PCirugía  AlvaradoDES Score RL  SOSP AAHOSP  DIAG AA 
McCartan et al.15  2010Irlanda  302  PCirugía  Revisión AA  SOSP AAHOSP  DIAG AA 
Lintula et al.16  2010Finlandia  181  PCirugía  VAL ScorePediatría  SOSP AAHOSP  DIAG AA 
Poletti et al.17  2011Suiza  183  PRadiología  VAL ECO/TAC  SOSP AAHOSP  DIAG AAECOG-TAC 
Chong et al18  2011Singapur  192  PCirugíaUrgencias  VAL RIPASAUrgencias  Dolor FIDHOSP  DIAG AA 
De Castro et al.19  2012Holanda  941  PUrgencias  VAL Score  SOSP AAHOSP  DIAG AA 
Gudelis et al.  2018España  252  PUrgencias  DES Score  Dolor FIDURG  DIAG dolor FID 

AA: apendicitis aguda; DES: desarrollo; DIAG: diagnóstico; ECO: ecografía; FID: fosa ilíaca derecha; HOSP: pacientes hospitalizados; P: prospectivo; R: retrospectivo; RL: modelo de regresión logística; SOSP AA: sospecha de AA; TAC: tomografía axial computarizada; URG: urgencias; VAL: validación.

Una de las aportaciones de nuestro trabajo es la utilización de 4 grupos de clasificación. En nuestra serie, el grupo más numeroso de pacientes es el de dFID. En los trabajos que se realizan con pacientes más seleccionados (han pasado el primer filtro de su atención en urgencias) este grupo es más reducido13,14.

El grupo de AA agrupaba a todos los pacientes que fueron ingresados en el servicio de cirugía e intervenidos por sospecha de AA y cuyo diagnóstico fue confirmado por anatomía patológica. El porcentaje de estos pacientes oscila según los criterios de inclusión de los distintos trabajos publicados17.

En nuestro trabajo se ha considerado el grupo de diagnóstico de AA cuando la anatomía patológica es concordante. Si consideramos los pacientes que tenían sospecha de AA y se operaron, encontramos que solo 6 (5,7%) pacientes no presentaban un diagnóstico anatomopatológico de AA (3 con diagnóstico final de dFId y 3 con DACPI). Este porcentaje (5,7%) de apendicitis «blancas» es inferior al publicado en otras series que oscilan entre el 10 y el 23%7,11,15.

La utilización de otras 2 categorías diagnósticas DASPI y DACPI creemos que aporta una visión más amplia del problema y una clasificación con distinto comportamiento tanto en el diagnóstico (necesitaran más pruebas de imagen), como en el tratamiento y pronóstico.

La principal ventaja del modelo basado en árboles de clasificación, que en nuestro caso es de tipo CHAID, es la fácil interpretación del modelo. Las reglas de clasificación que se generan incluyen a todos los pacientes posibles e incluyen aspectos de distintos subgrupos como la edad y el sexo20,21.

El modelo CHAID detecta como variable más importante el número de leucocitos (coincidiendo con el modelo RNA). El CHAID incluye en segunda línea la cifra de PCR. También es interesante observar que la variable clínica que incluye es la de dolor con la tos. Dentro de la exploración clínica este dolor no depende del explorador sino de una maniobra alejada de la exploración abdominal directa. Las 10 reglas de clasificación generadas se han podido agrupar según la posibilidad diagnóstica principal. Podemos encontrar reglas para el diagnóstico de dFID y de AA de forma más clara y otras reglas de decisión (que nombramos como especiales) donde el diagnóstico diferencial alcanza un mayor protagonismo ya que los grupos DASPI y DACPI están más presentes.

Se han publicado otras series que han empleado la metodología de árboles de clasificación, por ejemplo, utilizando tipos de árboles distintos como el CART. Pero todos ellos solo para diferenciar AA y no AA. Se han hecho modelos con variables clínicas y analíticas22, utilizando la combinación con Alvarado23 y añadiendo pruebas de imagen24.

El modelo de RNA empleado consigue valores aceptables de capacidad discriminatoria. La desventaja de este modelo es que funciona como una «caja negra» y no se puede interpretar de forma sencilla para utilizar en clínica, ya que consta de 480 parámetros (10×12×4) que incluyen todas las interacciones entre las variables de entrada, las de la capa oculta y las de los nodos de salida. Hace falta su implementación en un ordenador para poder utilizarlo. Nos sirve como modelo comparativo. La RNA utiliza todas las interconexiones de las variables empleadas y tampoco consigue una precisión mayor que el basado en CHAID. Hay otros estudios que han empleado RNA para el diagnóstico de AA (focalizando solo sobre AA y no AA)25.

Este estudio también tiene varias limitaciones. La principal depende de la asignación de los grupos utilizados. Son grupos no validados por la literatura y la AA tiene consideración de proceso inflamatorio. Sería interesante disponer de un mayor tamaño de la muestra, sobre todo en los grupos diagnósticos DASPI y DACPI. Como defensa del trabajo, creemos que los modelos que solo enfrentan AA al resto de problemas pierden capacidad de utilización real asistencial.

En conclusión, creemos que los profesionales que atienden a los pacientes con dolor en FID pueden beneficiarse de modelos fáciles de interpretar y con una clasificación de más de dos posibilidades (AA vs. no AA). El modelo CHAID generado consigue este objetivo, aunque debe ser validado en otras series más amplias.

Financiación

Declaramos que no hubo ninguna fuente de financiación para elaborar este estudio.

Conflicto de intereses

Declaramos que no existe conflicto de intereses.

Bibliografía
[1]
D.A. Healy, A. Aziz, M. Wong, M. Clarke Moloney, J.C. Coffey, P.A. Grace, et al.
A descriptive cost analysis study of cases of right iliac fossa pain.
Int J Surg, 11 (2013), pp. 524-528
[2]
L. Canavosso, P. Carena, J.M. Carbonell, L. Monjo, C. Palas Zuñiga, M. Sánchez, et al.
Dolor en fosa ilíaca derecha y Score de Alvarado.
[3]
E. Man, Z. Simonka, A. Varga, F. Rarosi, G. Lazar.
Impact of the Alvarado score on the diagnosis of acute appendicitis: Comparing clinical judgment Alvarado score, and a new modified score in suspected appendicitis: a prospective, randomized clinical trial.
Surg. Endosc, 28 (2014), pp. 2398-2405
[4]
A. Alvarado.
A practical score for the early diagnosis of acute appendicitis.
Ann Emerg Med, 15 (1986), pp. 557-564
[5]
G. Fenyö, G. Lindberg, P. Blind, L. Enochsson, A. Oberg.
Diagnostic decision support in suspected acute appendicitis: Validation of a simplified scoring system.
Eur J Surg, 163 (1997), pp. 831-838
[6]
M. Andersson, R.E. Andersson.
The appendicitis inflammatory response score: A tool for the diagnosis of acute appendicitis that outperforms the Alvarado score.
World J Surg, 32 (2008), pp. 1843-1849
[7]
C. Arroyo-Rangel, I.O. Limón, Vera ÁG, P.M. Guardiola, E.A. Sánchez-Valdivieso.
Sensitivity Sensibilidad, especificidad y fiabilidad de la escala RIPASA en el diagnóstico de apendicitis aguda en relación con la escala de Alvarado.
[8]
J. Trujillano, A. Sarria-Santamera, A. Esquerda, M. Badia, M. Palma, J. March.
Approach to the methodology of classification and regression trees.
[9]
J. Trujillano, J. March, A. Sorribas.
Methodological approach to the use of artificial neural networks for predicting results in medicine.
Med Clin (Barc), 122 (2004), pp. S59-S67
[10]
J.A. Hanley, B.J. McNeil.
The meaning and use of the area under a receiver operating characteristic (ROC) curve.
Radiology, 143 (1982), pp. 29-36
[11]
L. Enochsson, T. Gudbjartsson, A. Hellberg, C. Rudberg, J. Wenner, I. Ringqvist, et al.
The Fenyö-Lindberg scoring system for appendicitis increases positive predictive value in fertile women--a prospective study in 455 patients randomized to either laparoscopic or open appendectomy.
Surg Endosc, 18 (2004), pp. 1509-1513
[12]
N.E. Tzanakis, S.P. Efstathiou, K. Danulidis, G.E. Rallis, D.I. Tsioulos, A. Chatzivasiliou, et al.
A new approach to accurate diagnosis of acute appendicitis.
World J Surg, 29 (2005), pp. 1151-1156
[13]
A.T. Rennie, M.G. Tytherleigh, K. Theodoroupolou, R. Farouk.
A prospective audit of 300 consecutive young women with an acute presentation of right iliac fossa pain.
Ann R Coll Surg Engl, 88 (2006), pp. 140-143
[14]
J.L. Antevil, L. Rivera, B.J. Langenberg, G. Hahm, M.A. Favata, C.V. Brown.
Computed tomography-based clinical diagnostic pathway for acute appendicitis: Prospective validation.
J Am Coll Surg, 203 (2006), pp. 849-856
[15]
D.P. McCartan, F.J. Fleming, P.A. Grace.
The management of right iliac fossa pain - is timing everything?.
[16]
H. Lintula, H. Kokki, J. Pulkkinen, R. Kettunen, O. Gröhn, M. Eskelinen.
Diagnostic score in acute appendicitis Validation of a diagnostic score (Lintula score) for adults with suspected appendicitis.
Langenbecks Arch Surg, 395 (2010), pp. 495-500
[17]
P.A. Poletti, A. Platon, T. De Perrot, F. Sarasin, E. Andereggen, O. Rutschmann, et al.
Acute appendicitis: Prospective evaluation of a diagnostic algorithm integrating ultrasound and low-dose CT to reduce the need of standard CT.
Eur Radiol., 21 (2011), pp. 2558-2566
[18]
C.F. Chong, A. Thien, A.J. Mackie, A.S. Tin, S. Tripathi, M.A. Ahmad, et al.
Comparison of RIPASA and Alvarado scores for the diagnosis of acute appendicitis.
Singapore Med J, 52 (2011), pp. 340-345
[19]
S.M.M. De Castro, C. Ünlü, E.P. Steller, B.A. van Wagensveld, B.C. Vrouenraets.
Evaluation of the appendicitis inflammatory response score for patients with acute appendicitis.
World J Surg, 36 (2012), pp. 1540-1545
[20]
M. Andersson, M. Rubér, C. Ekerfelt, H.B. Hallgren, G. Olaison, R.E. Andersson.
Can New Inflammatory Markers Improve the Diagnosis of Acute Appendicitis?.
World J Surg, 38 (2014), pp. 2777-2783
[21]
R.G. Bachur, K. Hennelly, M.J. Callahan, C. Chen, M.C. Monuteaux.
Diagnostic imaging and negative appendectomy rates in children: Effects of age and gender.
Pediatrics, 129 (2012), pp. 877-884
[22]
M. Zorman, H.P. Eich, P. Kokol, C. Ohmann.
Comparison of three databases with a decision tree approach in the medical field of acute appendicitis.
Stud Health Technol Inform, 84 (2001), pp. 1414-1418
[23]
H.W. Ting, J.T. Wu, C.L. Chan, S.L. Lin, M.H. Chen.
Decision model for acute appendicitis treatment with decision tree technology--a modification of the Alvarado scoring system.
J. Chin Med Assoc, 73 (2010), pp. 401-406
[24]
M.D. Klein, A.B. Rabbani, K.D. Rood, T. Durham, N.M. Rosenberg, M.J. Bahr, et al.
Three quantitative approaches to the diagnosis of abdominal pain in children: practical applications of decision theory.
J Pediatr Surg, 36 (2001), pp. 1375-1380
[25]
S.Y. Park, S.M. Kim.
Acute appendicitis diagnosis using artificial neural networks.
Technol Health Care, 23 (2015), pp. S559-S565
Copyright © 2019. AEC
Opciones de artículo
Herramientas
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos

es en pt
Política de cookies Cookies policy Política de cookies
Utilizamos cookies propias y de terceros para mejorar nuestros servicios y mostrarle publicidad relacionada con sus preferencias mediante el análisis de sus hábitos de navegación. Si continua navegando, consideramos que acepta su uso. Puede cambiar la configuración u obtener más información aquí. To improve our services and products, we use "cookies" (own or third parties authorized) to show advertising related to client preferences through the analyses of navigation customer behavior. Continuing navigation will be considered as acceptance of this use. You can change the settings or obtain more information by clicking here. Utilizamos cookies próprios e de terceiros para melhorar nossos serviços e mostrar publicidade relacionada às suas preferências, analisando seus hábitos de navegação. Se continuar a navegar, consideramos que aceita o seu uso. Você pode alterar a configuração ou obter mais informações aqui.