Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
OBJECTIVES: To develop a scoring system model that predicts mortality within 30 days of admission of patients older than 80 years admitted to intensive care units (ICUs). DESIGN: Prospective cohort study. SETTING: A total of 306 ICUs from 24 European countries. PARTICIPANTS: Older adults admitted to European ICUs (N = 3730; median age = 84 years [interquartile range = 81-87 y]; 51.8% male). MEASUREMENTS: Overall, 24 variables available during ICU admission were included as potential predictive variables. Multivariable logistic regression was used to identify independent predictors of 30-day mortality. Model sensitivity, specificity, and accuracy were evaluated with receiver operating characteristic curves. RESULTS: The 30-day-mortality was 1562 (41.9%). In multivariable analysis, these variables were selected as independent predictors of mortality: age, sex, ICU admission diagnosis, Clinical Frailty Scale, Sequential Organ Failure Score, invasive mechanical ventilation, and renal replacement therapy. The discrimination, accuracy, and calibration of the model were good: the area under the curve for a score of 10 or higher was.80, and the Brier score was.18. At a cut point of 10 or higher (75% of all patients), the model predicts 30-day mortality in 91.1% of all patients who die. CONCLUSION: A predictive model of cumulative events predicts 30-day mortality in patients older than 80 years admitted to ICUs. Future studies should include other potential predictor variables including functional status, presence of advance care plans, and assessment of each patient's decision-making capacity.
Cumulative Prognostic Score Predicting Mortality in Patients Older Than 80 Years Admitted to the ICU
de Lange D. W.;Brinkman S.;Flaatten H.;Boumendil A.;Morandi A.;Andersen F. H.;Artigas A.;Bertolini G.;Cecconi M.;Christensen S.;Faraldi L.;Fjolner J.;Jung C.;Marsh B.;Moreno R.;Oeyen S.;Ohman C. A.;Bollen Pinto B.;de Smet A. M. G. A.;Soliman I. W.;Szczeklik W.;Valentin A.;Watson X.;Zafeiridis T.;Guidet B.;Schmutz R.;Wimmer F.;Eller P.;Joannidis M.;De Buysscher P.;De Neve N.;Swinnen W.;Abraham P.;Hergafi L.;Schefold Joerg. C.;Biskup E.;Piza P.;Taliadoros I.;Dey N.;Solling C.;Rasmussen B. S.;Forceville X.;Besch G.;Mentec H.;Michel P.;Mateu P.;Michel P.;Vettoretti L.;Bourenne J.;Marin N.;Guillot M.;Aissaoui N.;Goulenok C.;Thieulot-Rolin N.;Messika J.;Lamhaut L.;Charron C.;Lauten A.;Sacher A. L.;Brenner T.;Franz M.;Bloos F.;Ebelt H.;Schaller S. J.;Fuest Kristina.;Rabe C.;Dieck T.;Steiner S.;Graf T.;Nia A. M.;Janosi R. A.;Meybohm P.;Simon P.;Utzolino S.;Rahmel T.;Barth E.;Jung C.;Schuster M.;Aidoni Z.;Aloizos S.;Tasioudis P.;Lampiri K.;Zisopoulou V.;Ravani I.;Pagaki E.;Antoniou A.;Katsoulas T. A.;Kounougeri A.;Marinakis G.;Tsimpoukas F.;Spyropoulou A.;Zygoulis P.;Kyparissi A.;Gupta M.;Gurjar M.;Maji I. M.;Hayes I.;Kelly Y.;Westbrook A.;Fitzpatrick G.;Maheshwari D.;Motherway C.;Negri G.;Spadaro S.;Nattino G.;Pedeferri M.;Boscolo Bozza A.;Rossi S.;Calicchio G.;Cubattoli L.;Di Lascio G.;Barbagallo M.;Berruto F.;Codazzi D.;Bottazzi A.;Fumagalli P.;Negro G.;Lupi G.;Savelli F.;Vulcano Giuseppe. A.;Fumagalli R.;Marudi A.;Lefons U.;Lembo R.;Babini M.;Paggioro A.;Parrini V.;Zaccaria M.;Clementi S.;Gigliuto C.;Facondini F.;Pastorini S.;Munaron S.;Calamai I.;Bocchi A.;Adorni A.;Bocci M. G.;Cortegiani A.;Casalicchio T.;Mellea S.;Graziani E.;Barattini M.;Brizio E.;Rossi M.;Hahn M.;Kemmerer N.;Strietzel H. F.;Dybwik K.;Legernaes T.;Klepstad P.;Olaussen E. B.;Olsen K. I.;Brresen O. M.;Bjorsvik G.;Maini S.;Fehrle L.;Czuczwar M.;Krawczyk P.;Zietkiewicz M.;Nowak L. R.;Kotfis K.;Cwyl K.;Gajdosz R.;Biernawska J.;Bohatyrewicz Romuald.;Gawda R.;Grudzien P.;Nasilowski P.;Popek N.;Cyrankiewicz W.;Wawrzyniak K.;Wnuk M.;Maciejewski D.;Studzinska D.;Zukowski M.;Bernas S.;Piechota M.;Piechota M.;Nowak I.;Fronczek J.;Serwa M.;Machala W.;Stefaniak J.;Wujtewicz M.;Maciejewski P.;Szymkowiak M.;Adamik B.;Catorze N.;Branco M. C.;Barros I.;Barros N.;Krystopchuk A.;Honrado T.;Sousa C.;Munoz F.;Rebelo M.;Gomes R.;Nunes J.;Dias Celeste.;Fernandes A. M.;Petrisor C.;Constantin B.;Belskiy V.;Boskholov B.;Rodriguez E.;Rebollo S.;Aguilar G.;Masdeu G.;Jaimes M. I.;Mira A. P.;Bodi Maria. A.;Mendoza J. A. B.;Cuenca S. L.;Guzman M. H.;Rico-Feijoo J.;Ibarz M.;Alvarez J. T.;Kawati R.;Sivik J.;Nauska J.;Smole D.;Parenmark F.;Lyren J.;Rockstroh K.;Ryden S.;Strinnholm M.;Walther S.;De Geer L.;Nordlund P.;Palsson S.;Zetterquist H.;Nilsson A.;Thiringer K.;Jungner M.;Bark B.;Nordling B.;Skold H.;Brorsson C.;Persson S.;Bergstrom A.;Berkius J.;Holmstrom J.;van Dijk I.;van Lelyveld-Haas L. E. M.;Ramnarain D.;Jansen T.;Nooteboom F.;van der Voort P. H. J.;Dieperink W.;de Waard M. C.;Bormans L.;Dormans Tom.;Dempsey G.;Mathew S. J.;Raj A. S.;Grecu I.;Cupitt J.;Lawton T.;Clark R.;Popescu M.;Spittle N.;Faulkner M.;Cowton A.;Elloway E.;Williams P.;Reay M.;Chukkambotla S.;Kumar R.;Al-Subaie N.;Kent L.;Tamm T.;Kajtor I.;Burns K.;Pugh R.;Ostermann M.;Kam E.;Bowyer H.;Smith N.;Templeton M.;Henning J.;Goffin K.;Kapoor R.;Laha S.;Chilton P.;Khaliq W.;Crayford A.;Coetzee S.;Tait M.;Stoker W.;Gimenez M.;Pope A.;Camsooksai J.;Pogson D.;Quigley K.;Ritzema J.;Hormis A.;Boulanger C.;Balasubramaniam M.;Vamplew L.;Burt K.;Martin D.;Grecu I.;Craig J.;Prowle J.;Doyle N.;Shelton J.;Scott Carmen.;Donnison P.;Shelton S.;Frey C.;Ryan C.;Spray D.;Ryan C.;Barnes V.;Barnes K.;Ridgway S.;Saha R.;Kent L.;Clark T.;Wood J.;Bolger C.;Bassford C.;Cowton A.;Lewandowski J.;Zhao X.;Humphreys S.;Dowling S.;Richardson N.;Burtenshaw A.;Stevenson C.;Wilcock D.;Nalapko Y.
2019
Abstract
OBJECTIVES: To develop a scoring system model that predicts mortality within 30 days of admission of patients older than 80 years admitted to intensive care units (ICUs). DESIGN: Prospective cohort study. SETTING: A total of 306 ICUs from 24 European countries. PARTICIPANTS: Older adults admitted to European ICUs (N = 3730; median age = 84 years [interquartile range = 81-87 y]; 51.8% male). MEASUREMENTS: Overall, 24 variables available during ICU admission were included as potential predictive variables. Multivariable logistic regression was used to identify independent predictors of 30-day mortality. Model sensitivity, specificity, and accuracy were evaluated with receiver operating characteristic curves. RESULTS: The 30-day-mortality was 1562 (41.9%). In multivariable analysis, these variables were selected as independent predictors of mortality: age, sex, ICU admission diagnosis, Clinical Frailty Scale, Sequential Organ Failure Score, invasive mechanical ventilation, and renal replacement therapy. The discrimination, accuracy, and calibration of the model were good: the area under the curve for a score of 10 or higher was.80, and the Brier score was.18. At a cut point of 10 or higher (75% of all patients), the model predicts 30-day mortality in 91.1% of all patients who die. CONCLUSION: A predictive model of cumulative events predicts 30-day mortality in patients older than 80 years admitted to ICUs. Future studies should include other potential predictor variables including functional status, presence of advance care plans, and assessment of each patient's decision-making capacity.
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11577/3459551
Citazioni
8
31
25
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
