Predictors of the post-stroke status in the discharge from the hospital. Importance in nursing

  1. Rodríguez Vico, Araceli 1
  2. Sánchez Hernández, Fernando 2
  3. López Mesonero, Luis 3
  4. García Cenador, Begoña 3
  5. Moreno García, María N. 4
  1. 1 Facultad de Enfermería y Fisioterapia. Universidad de Salamanca.
  2. 2 Profesor en la Facultad de Enfermería y Fisioterapia. Universidad de Salamanca.
  3. 3 Facultad de Medicina. Universidad de Salamanca
  4. 4 Facultad de Ciencias (Informática y Automática). Universidad de Salamanca
Mostrar afiliaciones +
Revista:
Enfermería global: revista electrónica trimestral de enfermería

ISSN: 1695-6141

Año de publicación: 2023

Título del ejemplar: #69 Enero

Volumen: 22

Número: 1

Páginas: 1-37

Tipo: Artículo

DOI: 10.6018/EGLOBAL.530591 DIALNET GOOGLE SCHOLAR lock_openDIGITUM editor

Otras publicaciones en: Enfermería global: revista electrónica trimestral de enfermería

Objetivos de desarrollo sostenible

Resumen

A menudo, por parte del paciente y de la familia, se solicita a los profesionales de enfermería que predigan los factores que influyen en el estado post-ictus. Se han realizado numerosos estudios para determinar los factores que influyen en el estado neurológico post-ictus en el momento del alta hospitalaria. Sin embargo, las técnicas de aprendizaje automático no se han utilizado para este propósito. Con el objetivo de obtener reglas de asociación del pronóstico neurológico, se ha llevado a cabo un doble análisis, tanto clínico como con técnicas de aprendizaje automático, de las posibles asociaciones de factores que influyen en el estado neurológico de los pacientes post-ictus. El algoritmo Apriori detectó varias reglas de asociación con alta confianza (≥ 95%), con el siguiente patrón: En pacientes en el rango de edad de 50-80 años, la asociación de un NIHSS entre 11 y 15 puntos (NIHSS intermedio/bajo), junto con la trombectomía, conduce a la recuperación ad integrum al alta. Con la técnica de remuestreo SMOTE, se alcanzó el 100% de confianza para la asociación de NIHSS elevado (>20) y afectación de las arterias carótida y basilar, con pronóstico nefasto (exitus). Estas reglas confirman, por primera vez con aprendizaje automático, la importancia de la asociación de algunos predictores, en el pronóstico post-ictus. El conocimiento por parte de las enfermeras de estas reglas puede mejorar los resultados del ictus. Adicionalmente, el papel de la enfermería en los programas de educación sobre los factores de riesgo, y pronóstico de un ictus se torna imprescindible.

Referencias bibliográficas

  • Powers WJ, Rabinstein AA, Ackerson T, Adeoye OM, Bambakidis NC, Becker K, Biller J, Brown M, Bart M. BM, Hoh B, Jauch EC, Kidwell CS, Leslie-Mazwi TM, Ovbiagele B, Scott PA, Sheth KN, Southerland AM, Summers DV, L. Tirschwell DL, and on behalf of the American Heart Association Stroke Council. 2018 Guidelines for the early management of patients with acute ischemic stroke: A guideline for healthcare professionals from the american heart association/american stroke association. Stroke. 2018. 49: 46-99. Doi: 10.1161/STR.0000000 000000158.
  • Green TL, McNair ND, Hinkle JL, Middleton S, Miller ET, Perrin S, Power M, Southerland AM, Summers DV; American Heart Association Stroke Nursing Committee of the Council on Cardiovascular and Stroke Nursing and the Stroke Council. Care of the Patient with Acute Ischemic Stroke (Posthyperacute and Prehospital Discharge): Update to 2009 Comprehensive Nursing Care Scientific Statement: A Scientific Statement From the American Heart Association. Stroke. 2021. 52(5): e179-e197. Doi: 10.1161/STR.0000000000000357.
  • Xu ZH, Deng QW, Zhai Q, Zhang Q, Wang ZJ, Chen WX, Gu MM, Jiang T, Zhou JS, Zhang YD. Clinical significance of stroke nurse in patients with acute ischemic stroke receiving intravenous thrombolysis. BMC Neurol. 2021. 21: 359. Doi: 10.1186/s12883-021-02375-6.
  • Stanfield LM. Clinical decision making in triage: an integrative review. J Emerg Nurs. 2015. 41(5): 396-403. Doi: 10.1016/j.jen.2015.02.003.
  • Xian Y, Xu H, Lytle B, Blevins J, Peterson ED, Hernandez AF, Smith EE, Saver JL, Messe SR, Paulsen M, Suter RE, Reeves MJ, Jauch EC, Schwamm LH, Fonarow GC. Use of strategies to improve door- to-needle times with tissue-type plasminogen activator in acute ischemic stroke in clinical practice: findings from Target: Stroke. Circ Cardiovasc Qual Outcomes. 2017. 10: 003227. Doi: 10.1161/ CIRCOUTCOMES.116.003227.
  • Ragoschke A, Walter S. DAWN and DEFUSE-3 trials: is time still important? Radiologe. 2018. 58(1): 20-23. Doi: 10.1007/s00117-018-0406-4.
  • American Heart Association Scientific Statements. Updated guidance confirms crucial role of nurses for patients with acute ischemic stroke. Scientific Statements/Guidelines. 2021. https://newsroom. heart.org/news/updated-guidance-confirms-crucial-role-of-nurses-for-patients-with-acute-ischemic-stroke.
  • Loft MI, Poulsen I, Martinsen B, Mathiesen LL, Iversen HK, Esbensen BA. Strengthening nursing role and functions in stroke rehabilitation 24/7: A mixed-methods study assessing the feasibility and acceptability of an educational intervention programme. Nurs Open. 2018. 19; 6(1): 162-174. Doi: 10.1002/nop2. 202.
  • Libruder C, Ram A, Hershkovitz Y, Karolinsky D, Tanne D, Bornstein NM, Zucker I. The contribution of potentially modifiable risk factors to acute ischemic stroke burden - Comparing young and older adults -. Prev Med. 2022. 155: 106933. Doi: 10.1016/j .ypmed.2021.106933.
  • Murie-Fernández M, Marzo MM. Predictors of Neurological and Functional Recovery in Patients with Moderate to Severe Ischemic Stroke: The EPICA Study. Stroke Res Treat. 2020. 1419720. Doi:10.1155/2020/1419720.
  • Dash S, Shakyawar SK, Sharma M, Kaushik S. Big data in healthcare: management, analysis and future prospects. J Big Data. 2019. 6: 54. Doi: 10.1186/s40537-019-0217-0.
  • Parisi L, Chandran NR, Manaog ML. Feature-driven machine learning to improve early diagnosis of Parkinson’s disease. Expert Syst. Appl. 2018. 110: 182–190. Doi: 10.1016/j.eswa.2018.06.003
  • González J, Martín, F, Sánchez M, Sánchez F, Moreno MN. “Multiclassifier systems for predicting neurological outcome of patients with severe trauma and polytrauma in intensive care units”. J Med Syst. 2017. 41: 136. Doi: 10.1007/s10916-017-0789-1.
  • Martín-González F, González-Robledo J, Sánchez-Hernández F, Moreno-García MN. Success/Failure Prediction of Noninvasive Mechanical Ventilation in Intensive Care Units. Using Multiclassifiers and Feature Selection Methods. Methods Inf Med. 2016. 55(3): 234-41. Doi: 10.3414/ME14-01-0015.
  • Kraiem MS, Sánchez-Hernández F, Moreno-García M. Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties. 2021. Models. Appl. Sci. 11, 8546. Doi: 10.3390/app11188546.
  • Sánchez-Hernández F, Ballesteros-Herráez JC, Kraiem MS, Sánchez-Barba M, Moreno García MN. “Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach”. Appl. Sci. 2019. 9(24): 5287. Doi: 10.3390/app9245287.
  • Zhang YQ, Liu AF, Man FY, Zhang YY, Li C, Liu YE, Zhou J, Zhang AP, Zhang YD, Lv J, Jiang WJ. MRI radiomic features-based machine learning approach to classify ischemic stroke onset time. J Neurol. 2022. 269, 350–360. Doi: 10.1007/s00415-021-10638-y.
  • Rodríguez V, Sánchez F. Nursing triage in acute stroke. Enfermería Global. 2021. 64:120-131. Doi: 106018/eglobal.465261.
  • Quinlan JR. C4.5: Programs for machine learning. Morgan Kaufmann. 1993. San Mateo, CA. USA.
  • Hall MA. Correlation-based feature selection for machine learning. Ph.D diss. Dept. of Computer Science. 1998. Waikato University.
  • Chawla NV, Bowyer K, Hall LO, KebelmeyerWP. SMOTE: synthetic minority over sampling technique. J. Artif Intell Res. 2002. 202(16): 321-357. Doi: 10.1613/jair. 953.
  • Zonneveld TP, Richard E, Vergouwen MD, Nederkoorn PJ, de Haan R, Roos YB, Kruyt ND. Blood pressure-lowering treatment for preventing recurrent stroke, major vascular events, and dementia in patients with a history of stroke or transient ischaemic attack. Cochrane Database Syst Rev. 2018. 7: CD007858. Doi: 10.1002/ 14651858.CD007858.pub2.
  • Weiss J, Freeman M, Low A, Fu R, Kerfoot A, Paynter R, Motu'apuaka M, Kondo K, Kansagara D. Benefits and harms of intensive blood pressure treatment in adults aged 60 years or older: a systematic review and meta-analysis. Ann Intern Med. 2017. 166: 419-29. Doi: 10.7326/M16-1754.
  • Tun NN, Arunagirinathan G, Munshi SK, Pappachan JM. Diabetes mellitus and stroke: A clinical update. World J Diabetes. 2017. 8(6): 235-248. Doi: 10.4239/ wjd.v8.i6.235.
  • Saeedi P, Salpea P, Karuranga S, Unwin N, Wild SH, Williams R. Mortality attributable to diabetes in 20–79 years old adults, 2019 estimates: Results from the International Diabetes Federation Diabetes Atlas, 9th edition. Diab Res Clin Prac. 2020. 162: 108086. Doi: 10.1016/j.diabres.2020.108086.
  • Hackam DG, Hegele RA. Cholesterol Lowering and Prevention of Stroke. An Overview. Stroke. 2019. 50: 537-541. 2019. Doi: 10.1161/STROKEAHA.118.023167
  • Li YG, Lip GYH. Stroke prevention in atrial fibrillation: State of the art. Int J Cardiol. 2019. 287: 201-209. Doi: 10.1016/j.ijcard.2018.09.057.
  • Katsanos AH, Kamel H, Healey JS, Hart RG. Stroke Prevention in Atrial Fibrillation. Looking Forward. Circulation. 2020. 142: 238. Doi: 10.1161/CIRCULATIONAHA. 120.049768.
  • Albers GW, Marks MP, Kemp S, Christensen S, Tsai JP, Ortega-Gutierrez S, McTaggart RA, Torbey MT, Kim-Tenser M, Leslie-Mazwi T, Sarraj A, Kasner SE, Ansari SA, Yeatts SD, Hamilton S, Mlynash M, Heit JJ, Zaharchuk G, Kim S, Carrozzella J, Palesch YY, Demchuk AM, Bammer R, Lavori PW, Broderick JP, Lansberg MG; DEFUSE 3 Investigators. Thrombectomy for stroke at 6 to 16 hours with selection by perfusion imaging. 2018. N Engl J Med. 378(8): 708-718. Doi: 10.1056/NEJMoa1713973.
  • Gong L, Ruan C, Yang X, Lin W. Effects of Predictive Nursing Intervention among Patients with Acute Stroke. Ir J Public Health. 2021. 50(7): 1398-1404. Doi:10.18502/ijph.v50i7.6629.
Fuente de los datos: Dialnet