Predicción de Hiperbilirrubinemia Neonatal (2010ICTPAGR)

Objetivo: Desarrollar una estrategia basada en la evidencia para evaluar el riesgo de hiperbilirrubinemia significativa en recién nacidos sanos a término y casi a término (prematuro tardío).

Hipótesis: Una estrategia escalonada que combine parámetros clínicos y valores de bilirrubina transcutánea (TcB) no invasivos en serie podría predecir de forma fiable una hiperbilirrubinemia neonatal significativa.

Métodos: Se revisarán los datos de los recién nacidos >34 semanas de gestación incluidos en el registro de hiperbilirrubinemia neonatal de la sala de recién nacidos sanos del Hospital Universitario de Patras, desde enero de 2008 hasta diciembre de 2010.

El registro incluye datos recopilados prospectivamente, como sexo, edad gestacional, información perinatal y de gestación, grupo ABO y Rh de la madre y el bebé, deficiencia de G6PD, prueba de Coombs, tipo de parto y complicaciones, peso al nacer, medicamentos e intervenciones posnatales, tipo y volumen de alimentación. (diariamente), extensión de la ictericia, mediciones de TcB a intervalos de 12+/-4 horas hasta el alta, valores de bilirrubina sérica total (si se obtienen), mediciones de TcB o TSB en el seguimiento, peso al alta, necesidad de fototerapia (pacientes hospitalizados o después del alta). Los valores de TcB y TSB se trazan en un gráfico de horas específicas.

Un nuevo nomograma predictivo basado en mediciones de TcB (Varvarigou et al. Pediatrics 2009;124:1052-9) se utilizará para clasificar los valores de TcB como de riesgo alto, intermedio y bajo.

La hiperbilirrubinemia significativa se definirá como un valor de TSB por encima del nivel umbral de fototerapia según las directrices de la AAP 2004

Estadísticas: Los efectos independientes y conjuntos de varios factores clínicos en el desarrollo de hiperbilirrubinemia significativa se evaluarán mediante análisis de regresión logística. Se utilizará el análisis de conglomerados y el método de árbol de detección de interacción automática de chi-cuadrado (CHAID) para desarrollar la estrategia. En cada paso, CHAID elige la variable independiente (predictora) que tiene la interacción más fuerte con la variable dependiente. Las categorías de cada predictor se fusionan si no son significativamente diferentes con respecto a la variable dependiente.