Vol 11 No 3 2026-6

Artículo de investigación

Perfil epidemiológico y clínico de pacientes críticos: delimitación de fenotipos mediante clúster bietápico.

Epidemiological and clinical profile of critically ill patients: phenotype delineation using two-step clustering

Julio César González Aguilera1*, Larisa Zamora Matamoros 2, Alexis Álvarez Aliaga 3, Jorge Omar Cabrera Lavernia 4, Armando Arias Ortiz 5, Yoleinis Esperanza Vázquez Belizón 6
1 Hospital Provincial General Carlos Manuel de Céspedes. Bayamo, Granma, Cuba; email: juliogrm19682024@gmail.com. ORCID: https://orcid.org/0000-0003-3914-2631
2 Larisa Zamora Matamoros. Facultad de Ciencias Matemáticas. Facultad de Ciencias Naturales y Exactas. Universidad de Oriente. Santiago de Cuba, Cuba; email: larisa@uo.edu.cu. ORCID: https://orcid.org/0000-0003-2210-0806
3 Alexis Álvarez Aliaga. Hospital Provincial General Carlos Manuel de Céspedes. Bayamo, Granma, Cuba; email:alvarezaliagaalex72@gmail.com. ORCID:   https://orcid.org/0000-0001-8608-2120
4 Jorge Omar Cabrera Lavernia. Hospital Provincial General Carlos Manuel de Céspedes, Bayamo, Granma, Cuba; email: jomabel2017@gmail.com. ORCID:   https://orcid.org/0000-0002-8560-1651
5 Armando Arias Ortiz. Hospital Provincial General Carlos Manuel de Céspedes. Bayamo, Granma, Cuba; email: aariasortiz62@gmail.com. ORCID:    https://orcid.org/0000-0003-4592-1789
6 Yoleinis Esperanza Vázquez Belizón.  Hospital Provincial General Carlos Manuel de Céspedes, Bayamo, Granma Cuba; email: yoleinis@infomed.sld.cu. ORCID:    https://orcid.org/0000-0001-6500-6049
* Autor para la correspondencia: Céspedes 223 entre Lora y Masó. Bayamo. Granma. Cuba. CP 85100. Teléfono: +5352401975.
Correo electrónico: juliogrm19682024@gmail.com
Available from: https://revistabionatura.org/files-web/. (Doi10.70373/RB/2026.11.03.6)
Resumen
La heterogeneidad de los pacientes críticos limita el pronóstico preciso. El trabajo tiene como objetivo identificar el perfil epidemiológico y clínico de pacientes ingresados en cuidados intensivos para delimitar grupos homogéneos. Se realizó un estudio de cohorte en 497 pacientes en la unidad de cuidados intensivos del hospital Carlos Manuel de Céspedes, de Bayamo, Granma, Cuba. Se aplicó análisis de clúster bietápico con criterio bayesiano de Schwarz. El clúster 1 (55,1 %) incluyó pacientes con cirugía urgente (77,7 %), procedentes del quirófano (88,7 %), con APACHE II promedio de 8,83, SOFA promedio de 0,45, baja necesidad de ventilación mecánica artificial (4,4 %) y mortalidad de 2,2 %. El clúster 2 (44,9 %) agrupó pacientes con afecciones clínicas (87,0 %), procedentes de sala de hospitalización (40,4 %) o emergencia (40,4 %) con APACHE II promedio de 12,42, SOFA promedio de 2,00, alta necesidad de ventilación mecánica artificial (32,7 %), mayor incidencia de sepsis (14,3 %) y mortalidad de 20,2 %. Las variables discriminantes fueron la enfermedad de base (importancia=1), origen (0,83) y condición quirúrgica (0,45). Se concluye que el análisis identificó dos perfiles diferenciados por tipo de ingreso: quirúrgico urgente con mejor pronóstico y clínico con mayor gravedad y mortalidad.
Palabras clave: cuidados intensivos; análisis de clúster; perfiles clínicos.
Abstract
The heterogeneity of critically ill patients limits accurate prognostication. This study aimed to identify the epidemiological and clinical profiles of patients admitted to intensive care in order to define homogeneous groups. A cohort study was was carried out in 497 patients in the intensive care unit of the Carlos Manuel de Céspedes hospital in Bayamo, Granma, Cuba. A two-step cluster analysis using the Schwarz Bayesian criterion was applied. Cluster 1 (55.1%) comprised patients undergoing emergency surgery (77.7 %) who were admitted from the operating room (88.7 %); this group had a mean APACHE II score of 8.83, a mean SOFA score of 0.45, a low need for mechanical ventilation (4.4 %), and a mortality rate of 2.2 %. Cluster 2 (44.9%) grouped patients with medical conditions (87.0%) admitted from general wards (40.4%) or the emergency department (40.4%); this group had a mean APACHE II score of 12.42, a mean SOFA score of 2.00, a high need for mechanical ventilation (32.7%), a higher incidence of sepsis (14.3%), and a mortality rate of 20.2%. The discriminating variables were underlying disease (importance = 1), origin (0.83), and surgical status (0.45). The study concludes that the analysis identified two profiles differentiated by admission type: emergency surgical patients with a better prognosis, and medical patients with greater severity and mortality.
Keywords: intensive care; cluster analysis; clinical profiles.
Introducción
La unidad de cuidados intensivos (UCI) constituye un entorno clínico de elevada heterogeneidad, donde los pacientes presentan condiciones de base, gravedad, respuestas al tratamiento y desenlaces muy diversos1. Esta variabilidad, particularmente evidente en la sepsis o la insuficiencia respiratoria, representa uno de los principales desafíos para la práctica de la medicina intensiva, al limitar la capacidad de establecer pronósticos precisos y de implementar estrategias terapéuticas personalizadas. 2,3
La falta de herramientas para estratificar adecuadamente a esta población heterogénea limita el desarrollo de nuevos tratamientos. Los ensayos clínicos tradicionales, al tratar a los pacientes como un grupo homogéneo, no logran demostrar beneficios significativos que podrían ser evidentes en subgrupos específicos 4.
En respuesta a esta limitación, la investigación en cuidados intensivos se centra en la identificación de perfiles epidemiológicos y clínicos para definir subfenotipos o grupos clínicamente homogéneos. Para ello se emplea el análisis de clúster, el cual permite agrupar a los pacientes según similitudes en sus características clínicas, biológicas o de su evolución temporal 5,6.
Estudios previos demuestran el valor de esta aproximación. En pacientes con sepsis, se han identificado subfenotipos con diferentes respuestas a tratamientos como la resucitación hídrica o la inmunomodulación 7,8,9. De manera similar, en pacientes con neumonía adquirida en el hospital y con COVID-19 grave, el análisis de clúster delimita subgrupos con perfiles de gravedad, disfunción inmunológica y riesgo de mortalidad notablemente distintos 10,11.
La combinación de puntuaciones pronósticas como el Sequential Organ Failure Assessment (SOFA) y el índice de comorbilidad de Charlson mediante técnicas de clúster mejora la predicción de la mortalidad en comparación con los modelos tradicionales 12.
A pesar de estos avances, gran parte de la investigación se centra en síndromes específicos o en poblaciones con enfermedades muy definidas. Existe una brecha en el conocimiento sobre cómo estratificar a la población general de una UCI, que incluye un espectro mucho más amplio de entidades médicas y quirúrgicas. Los pacientes postquirúrgicos, con enfermedades médicas agudas y trauma, entre otros, coexisten en estas unidades, y a menudo se analizan de forma agregada, lo que podría diluir diferencias clínicamente relevantes.
La caracterización de grupos en función de variables disponibles al ingreso proporciona una herramienta para la estratificación pronóstica precoz y sienta las bases para futuras investigaciones encaminadas a evaluar respuestas a tratamientos específicos en cada subgrupo. La identificación de estos perfiles contribuye a optimizar la asignación de recursos y aplicar un modelo de atención personalizado en la UCI 13.
El presente estudio se propuso como objetivo identificar el perfil epidemiológico y clínico de pacientes críticos ingresados en cuidados intensivos para delimitar grupos homogéneos mediante clúster bietápico.
Materiales y Métodos
Diseño y contexto del estudio
Se realizó un estudio observacional, analítico, de cohorte prospectiva en pacientes ingresados en la UCI del hospital provincial general “Carlos Manuel de Céspedes”, de Bayamo, Granma, Cuba, en el periodo comprendido desde el 1 de septiembre de 2021 hasta el 31 de diciembre de 2022.
Criterios de inclusión
Se incluyeron todos los pacientes mayores de 18 años con estadía mínima de 24 horas en la UCI y que ingresaron por cualquier causa.
Muestra
La muestra quedó conformada por 497 pacientes, lo cual supera los criterios recomendados para análisis de clúster (al menos 10 casos por variable predictora) 14.
Variables
Para el estudio se obtuvieron 24 variables. Entre las variables continuas se consideraron la edad (años), la puntuación Acute Physiology and Chronic Health Evaluation II (APACHE II) al ingreso, 15 el riesgo de muerte estimado por APACHE II (RM, %), la puntuación Sequential Organ Failure Assessment al ingreso 16 y la estadía en UCI (días).
Como variables categóricas se tomaron: sexo, estado al alta (vivo/fallecido), enfermedad de base (paciente con afecciones clínicas, cirugía programada, cirugía urgente y trauma), infección comunitaria al ingreso, origen del paciente (sala del hospital, quirófano, emergencia, otra UCI, otro hospital), hospitalización previa en los 30 días, cirugía previa, paciente quirúrgico, uso de antibiótico al ingreso, desarrollo de sepsis/shock séptico durante la estancia, uso previo de antibiótico, inmunosupresión, neutropenia, número de comorbilidades; necesidad de ventilación mecánica artificial (VMA) invasiva, depuración extrarrenal, nutrición parenteral (NPT) y presencia de Síndrome de respuesta inflamatoria sistémica (SRIS).
Se aplicaron los criterios de sepsis y shock séptico del Third International Consensus Definition for Sepsis and Septic Shock (Sepsis-3) 17. El uso previo de antibiótico se consideró cuando se recibió 90 días antes. La necesidad de depuración extrarrenal  se refirió al empleo de hemodiálisis convencional, hemodiálisis con ultrafiltración o plasmaféresis.
El diagnóstico de la infección comunitaria al ingreso se basó en los criterios de los Centers for Disease Control and Prevention (CDC)18. La inmunosupresión se consideró en los pacientes con quimioterapia, radiaciones, corticoesteroides a altas dosis y por periodos prolongados; enfermedades neoplásicas avanzadas, VIH e inmunodeficiencia congénita o adquirida. Un conteo absoluto de neutrófilos ˂ 500 células/mm3 definió la neutropenia.
El antecedente de enfermedades como la diabetes mellitus tipo 1 y 2, la enfermedad renal crónica (ERC), enfermedad pulmonar obstructiva crónica (EPOC), insuficiencia cardiaca congestiva (ICC), cardiopatía isquémica, hipertensión arterial (HTA) y cirrosis hepática se consideró como comorbilidad. El SRIS se identificó mediante los criterios de ACCP/SCCM Consensus Conference Committee. American College of Chest Physicians/Society of Critical Care Medicine 19.
Análisis estadístico
Identificación de grupos clínicamente homogéneos
Para identificar grupos clínicamente homogéneos en la cohorte de pacientes ingresados en UCI se realizó un análisis de clúster bietápico (two-step cluster). Este método es apropiado cuando se dispone de una combinación de variables categóricas y continuas, ya que utiliza una medida de distancia basada en la verosimilitud logarítmica (Log-likelihood).
El número óptimo de clústeres se determinó mediante el criterio bayesiano de Schwarz (BIC), la razón de cambio del BIC y la razón de medidas de distancia (RMD) entre los clústeres.  Valores > 1,5 de la RMD  indican una buena separación. También se estimó el coeficiente de silueta promedio como medida de cohesión interna.
Comparación entre clústeres
Se aplicó la prueba de Kolmogorov-Smirnov para determinar la normalidad o no de las variables continuas. En caso de normalidad, se aplicó la prueba t-student para la comparación entre los clústeres y, en caso contrario, la prueba U de Mann-Whitney.
El tamaño del efecto se calculó mediante la d de Cohen en caso de normalidad. En caso de no normalidad se estimó mediante la correlación biserial por rangos (r), usando la fórmula r=|Z|⁄√N, donde |Z| es el valor absoluto del estadístico Z (aproximación a la normal de la U de Mann-Whitney) y N es el tamaño total de la muestra.
Las variables categóricas se compararon con la prueba de Ji cuadrado de asociación. Cuando más del 20 % de las celdas en una tabla de contingencia presentaban frecuencias < 5 (condición que viola el supuesto de la prueba de Ji cuadrado), se aplicó simulación de Monte Carlo con 10 000 muestras para obtener un p-valor válido (pMC). Un p-valor simulado de 0,000 indica que ningún Ji cuadrado de las tablas simuladas superó el observado. El tamaño del efecto se estimó con la V de Cramer, con la misma clasificación de magnitudes de la r de correlación biserial por rangos.
Adicionalmente, se calculó la diferencia absoluta en puntos porcentuales (pp) para variables categóricas, medida de la magnitud clínica de la diferencia entre los clústeres. Se definieron los siguientes  umbrales: irrelevante (0 – 9 pp), débil (10 – 19 pp), moderada (20 – 29 pp), fuerte (30 – 39 pp) y muy fuerte (≥ 40). Estos umbrales se establecieron antes del análisis para facilitar la interpretación de los perfiles de clústeres.
Contribución de las variables a la separación de clústeres
Para cuantificar la contribución de cada variable a la separación de los clústeres, se utilizó el figura de importancia del predictor proporcionado por el algoritmo bietápico del SPSS. Este indicador se expresa en una escala de 0 – 1, donde valores cercanos a 0  indican que la variable no contribuye a la separación de los clústeres y cercanos a 1 que es fundamental para definir los grupos. Se definió a priori un umbral de importancia > 0,20 para considerar que una variable contribuye de manera clínicamente relevante a la discriminación entre clústeres. Este umbral se estableció antes del análisis para evitar sobreinterpretación de variables con baja capacidad discriminante.
Todos los análisis se realizaron con un nivel de significación α = 0,05 (bilateral). Un p-valor inferior a 0,05 se consideró estadísticamente significativo. El procesamiento y análisis de los datos se realizó utilizando el paquete estadístico IBM SPSS Statistics versión 25 (IBM Corp., Armonk, NY, EE.UU.).
Consideraciones éticas
El estudio se ajustó a los principios de la Declaración de Helsinki. Se aprobó por el Comité de Ética de las investigaciones (acuerdo 26-acta 4/2026) y el Consejo Científico institucional (acuerdo 93-acta 5/2026). Los datos se obtuvieron de la práctica asistencial y se trataron de forma confidencial antes de su análisis. No se ensayaron nuevas medidas terapéuticas durante la investigación. Se obtuvo el consentimiento informado de todos los sujetos participantes en el estudio.
Resultados
Identificación de grupos clínicamente homogéneos
El análisis de clúster bietápico identificó una solución de dos clústeres como la óptima. El clúster 1 estuvo compuesto por 274 pacientes (55,1 %) y el clúster 2 por 223 pacientes (44,9 %). La razón de medidas de distancia fue de 1,755 y el coeficiente de silueta promedio fue de 0,1.
Comparación entre clústeres
La prueba de Kolmogorov-Smirnov mostró que ninguna de las variables continuas seguía una distribución normal (p < 0,001).
En la tabla 1 se observa que las diferencias entre ambos clústeres en cuanto a edad (clúster 1: 40,77 años; clúster 2: 42,31, p=0,369) y estadía (clúster 1: 6,55 días; clúster 2: 5,98 días, p=0,441) no fueron estadísticamente significativas, por lo que con un nivel de significación del 5 % puede plantearse que los datos no muestran suficiente evidencia para aceptar que la edad y la estadía contribuyen a clasificar a los pacientes en esos grupos. Sin embargo, el resto de las variables continuas sí aportan a esta clasificación.
Se corroboraron los resultados con la prueba U de Mann Whitney, la cual mostró p valores iguales a 0,369 y 0,441 para la edad y la estadía, respectivamente, y menores que 0,05 para el resto de las variables. El APACHE II y el RM muestran efectos pequeños (r = 0,222 y 0,217, respectivamente), mientras que el SOFA al ingreso tiene un efecto mediano (r = 0,308).
Tabla 1. Comparación de valores promedios de las variables continuas entre clústeres
Variable Clúster 1 (%) Clúster 2 (%) p-valor Tamaño del efecto r
Edad (años) 40,77 42,31 0,369 0,040
APACHE II * 8,83 12,42 0,000 0,222
RM (%) † 11,32 21,58 0,000 0,217
SOFA al ingreso ‡ 0,45 2,00 0,000 0,308
Estadía en días 6,55 5,98 0,441 0,035
* APACHE II: Acute Physiology and Chronic Health Evaluation II  †  RM: riesgo de muerte
 según APACHE II   ‡ SOFA: Escala Secuencial Organ Failure Assessment.
La tabla 2 muestra la comparación de variables categóricas como el sexo, el estado al alta, la infección comunitaria al ingreso, el origen, la hospitalización previa, la cirugía previa, el paciente quirúrgico y el uso de antibiótico previo entre los clústeres. No se observaron diferencias significativas entre los dos clústeres para las variables sexo e  infección comunitaria al ingreso. Para ellas el tamaño del efecto resultó insignificante (< 0,10).
Sin embargo, se observaron diferencias estadísticamente significativas para el estado al alta (pMC < 0,001), con 18 pp de diferencia entre los clústeres, en el clúster 1 a favor de los vivos y en el clúster 2 de los fallecidos, por lo que esta variable permite la caracterización diferencial de los grupos. En relación con la enfermedad de base se corroboraron diferencias significativas en su distribución entre ambos clústeres (pMC < 0,001), siendo las más notables en las categorías “pacientes con afecciones clínicas” (83,7 pp más en el clúster 2) y “cirugía urgente” (72,3 pp más en el clúster 1). (Tabla 2)
El origen del paciente también contribuye a la caracterización diferencial de los clústeres, al comprobarse diferencias estadísticamente significativas en su distribución (pMC < 0,001). Las diferencias más importantes se aprecian en la procedencia del quirófano (77,9 % pp más para el clúster 1), “sala del hospital” y “emergencia” (40,4 pp más en ambas categorías para el clúster 2). (Tabla 2)
Se observaron diferencias estadísticamente significativas (pMC = 0,014) en la distribución por hospitalización previa entre ambos clústeres (10,7 pp más para el clúster 2 en la categoría “Sí”); por lo que esta variable también contribuye a la caracterización diferencial de los grupos. (Tabla 2)
Al analizar la variable cirugía previa se comprobaron diferencias estadísticamente  significativas en la distribución de los pacientes entre ambos clústeres (pMC < 0,001), siendo las diferencias más notables en las categorías “no cirugía” (27 pp más en el clúster 2) y “cirugía abdominal” (16,9 pp más en el clúster 1). (Tabla 2)
Se aprecian, además, diferencias estadísticamente significativas entre los clústeres respecto al paciente quirúrgico y al uso previo de antibiótico (pMC < 0,001), con 56,2 pp y 16,7 pp, respectivamente, a favor del clúster 1 en la categoría “Si” para ambas variables.  (Tabla 2)
Tabla 2. Comparación de variables categóricas entre clústeres
Variable/Categoría Clúster 1 (%) Clúster 2
(%) Diferencia absoluta (pp) * pMC† V
de Cramer
Sexo 0,840 0,013
 Femenino54,7 56,11,4
   Masculino45,343,91,4
Estado al alta < 0,001 0,295
Vivo97,8 79,8 18,0
Fallecido2,220,218,0
Enfermedad de base < 0,001 0,869
 Afecciones clínicas 3,3 87,0 83,7
Cirugía programada 13,1 1,311,8
Cirugía urgente77,75,472,3
Trauma5,8 6,3 0,5
Infección al ingreso 0,338 0,047
                                         Sí 44,248,94,7
                                        No 55,851,14,7
Origen < 0,001 0,802
Sala del hospital8,040,432,4
Quirófano88,79,079,7
Emergencia1,540,438,9
Otra UCI0,77,26,5
Otro hospital1,13,12,0
Hospitalización previa
                                         Sí 27,4 38,1 10,7 0,014 0,114
                                        No 72,661,910,7
Cirugía previa
No 63,9 91,0 27,1 < 0,001 0,347
Aparato genital 14,6 5,8 8,8
Neurocirugía 2,20,41,8
Torácica 0,70,40,3
                              Abdominal 18,21,316,9
                         Cabeza/cuello0,40,40,4
                             Otra cirugía0,00,40,4
Paciente quirúrgico < 0,001 0,565
                                           Sí 67,911,756,2
                                            No 32,188,356,2
Antibiótico previo < 0,001 0,169
                                            Sí 48,531,816,7
                                           No 51,568,216,7
*pp: puntos porcentuales  † pMC: p-valor de Monte Carlo.
Otras variables categóricas como no desarrollar sepsis/shock séptico (12,1 pp más en el clúster 1; pMC < 0,001), recibir antibiótico al ingreso (21,2 pp más en el clúster 1; pMC < 0,001) y la necesidad de VMA invasiva (28,3 pp más en el clúster 2; pMC < 0,001) también permiten diferenciar ambos grupos. (Tabla 3)
Entre todas las variables, la enfermedad de base, el origen y la cirugía urgente (V de Cramer = 0,869; 0,802 y 0,565; respectivamente) tuvieron un efecto grande. La VMA y la cirugía previa (V de Cramer = 0,375 y 0,347; respectivamente) presentaron un efecto mediano; y el estado al alta (V de Cramer = 0,295), la hospitalización previa (V de Cramer = 0,114), el uso previo de antibiótico (V de Cramer = 0,169), la depuración extrarrenal (V de Cramer = 0,120), el antibiótico al ingreso (V de Cramer = 0,289) y la sepsis/shock séptico (V de Cramer = 0,235), uno pequeño. El efecto del resto de las variables fue insignificante. (Tablas 2 y 3).
Estos resultados corroboran los obtenidos mediante la diferencia en puntos porcentuales, excepto para la variable depuración extrarrenal. Según la diferencia en puntos porcentuales (3,2 pp más para el clúster 2 para la categoría “Sí”),  esta variable no aporta a la clasificación, sin embargo, la prueba de hipótesis (pMC = 0,019) sí lo hace, con un efecto pequeño.
Tabla 3. Comparación de variables categóricas entre clústeres
Variable/Categoría Clúster 1 (%) Clúster 2
(%) Diferencia absoluta (pp) * pMC† V
de Cramer
Inmunosupresión  0,470 0,040
                                   Sí 8,46,32,1
                                  No 91,693,72,1
Neutropenia 0,477 0,055
                                    Sí0,41,30,9
                                   No99,698,70,9
Comorbilidad 0,851 0,013
                                  Una 33,932,71,2
                       Dos o más66,167,31,2
Infección intrahospitalaria 0,231 0,058
                                  Sí 40,946,65,7
                                 No 59,153,45,7
SRIS 0,802 0,015
                                  Sí 38,039,51,5
                                 No 62,060,51,5
Sepsis/shock séptico  < 0,001 0,235
                                  No  97,885,712,1
                            Sepsis                2,29,06,8
                 Shock séptico  0,05,45,4
Antibiótico al ingreso < 0,001 0,289
                                  Sí 93,872,621,2
                                 No 6,227,421,2
VMA‡
< 0,0010,375
                                  Sí 4,432,728,3
                                 No 95,667,328,3
Depuración extrarrenal 0,019 0,120
                                  Sí 0,43,63,2
                                 No 99,696,43,2
Nutrición parenteral 0,331 0,056
                                  Sí 3,61,81,8
                                 No 96,498,21,8
*pp: puntos porcentuales;  †pMC: p-valor de Monte Carlo; ‡VAM : ventilación mecánica artificial.
Contribución de las variables a la separación de clústeres
Como se muestra en la figura 1 las variables que más contribuyen a la formación de los clústeres son la enfermedad de base, el origen y el paciente quirúrgico; con una importancia de 1,00; 0,83 y 0,45; respectivamente.
Figura 1. Importancia de los  predictores
En la tabla 4 se describe la importancia de los predictores y las categorías más frecuentes que permiten la caracterización clínica e identificación pronóstica de los clústeres. Como se observa el clúster 1 se caracteriza por pacientes con cirugía urgente (77,7 %), con origen del quirófano (88,5 %) y pacientes quirúrgicos (67,9 %). El clúster 2 se distingue por pacientes con afecciones clínicas (87,0), procedentes de salas del hospital (40,4 %) y pacientes no quirúrgicos (88,3 %). Estas variables tuvieron un umbral de importancia > 0,20.
La VMA mostró mayor frecuencia en el clúster 1 (clúster 1: 95,6 % vs. 67,3 % en clúster 2), con una importancia límite según el umbral considerado (0,20).
Para el caso de las variables continuas, todas mostraron un valor de importancia menor que 0,20 y un tamaño de efecto menor de 0,5, por lo que tienen una distribución similar en ambos clúster y no se consideran discriminantes. Las variables categóricas con importancia < 0,20 tuvieron distribución similar en ambos clústeres y no se consideraron discriminantes.
Tabla 4. Importancia de predictores y categorías más frecuentes en los clústeres
Variable Importancia Categorías más frecuentes (%)
Clúster 1 (n=274)Clúster 2 (n=223)
Enfermedad de base 1,00 Cirugía urgente (77,7 %) Afecciones clínicas (87,0 %)
Origen 0,83 Quirófano (88,5 %) Sala del hospital (40,4 %)
Paciente quirúrgico 0,45 Sí (67,9 %) No (88,3 %)
VAM* 0,20 No (95,6 %) No (67,3 %)
SOFA (promedio)† 0,18 0,45 2,00
Estado al alta 0,13 Vivo (97,8 %) Vivo (79,8 %)
APACHE II (promedio) ‡ 0,12 8,83 12,42
Antibiótico al ingreso 0,12 Sí (93,8 %) Sí (72,6 %)
Cirugía previa 0,12 No (63,9 %) No (91,0 %)
RM II§ 0,08 11,32 21,58
Sepsis/choque séptico  0,07 No (97,8 %) No (85,7 %)
Antibiótico previo 0,05 No (51,5 %) No (68,2 %)
Depuración extrarenal 0,03 No (99,6 %) No (96,4 %)
Hospitalización previa 0,02 No (72,6 %) No (61,9 %)
Estadía promedio (días) 0,01 6,55 5,98
Infección intrahospitalaria 0,01 No (59,1 %) No (53,4 %)
Nutrición parenteral 0,01 No (96,4 %) No (98,2 %)
Neutropenia 0,01 No (99,6 %) No (98,7 %)
Infección al ingreso 0,01 No (55,8 %) No (51,1 %)
Edad promedio (años) 0,01 40,77 42,31
Inmunosupresión 0,01 No (91,6 %) No (93,7 %)
SRIS¶ 0,01 No (62,0 %) No (60,5 %)
Sexo 0,00 Femenino (54,7 %) Femenino (56,1 %)
Número de comorbilidades 0,00 No (66,1 %) No (67,3 %)
*VAM: ventilación mecánica artificia;  †SOFA: Escala Secuencial Organ Failure Assessment;  ‡APACHE II: Acute Physiology and Chronic Health Evaluation II; §RM: riesgo de muerte  según APACHE II;  ¶SRIS: Síndrome de respuesta inflamatoria sistémica.
Discusión
La identificación de perfiles epidemiológicos y clínicos mediante análisis de clúster contribuye a delimitar subfenotipos de pacientes graves dentro de una población general en la UCI, los cuales pueden orientar decisiones terapéuticas y organizativas, sentar bases para futuras investigaciones y avanzar hacia una medicina personalizada.
La falta de diferencias entre los clústeres según la edad refleja la lógica interna del análisis de clúster. En estudios previos en UCI, la edad no siempre logra diferenciar los grupos. Este resultado ocurre, por lo general, cuando otras características clínicas son más determinantes para la clasificación que la edad misma.
Un estudio que utilizó el análisis de clúster para clasificar a pacientes con infección en la UCI encontró que la edad no presentaba diferencias significativas entre los cinco grupos identificados y que otras variables como el tipo de infección o microorganismo aislado definieron los grupos 7.
Una cohorte sobre movilización en UCI identificó un clúster denominado “trauma joven” donde la edad fue relevante, pero su clúster más numeroso fue el de pacientes de mediana edad, cuya edad promedio fue similar a la de toda la cohorte. En este caso, la edad no fue un rasgo definitorio para este grupo 20. Asimismo, un análisis similar en pacientes mayores de 80 años encontró fenotipos basados en fragilidad y gravedad, pero la edad al ser un criterio de inclusión, no fue discriminante 21.
Sin embargo, una investigación en pacientes con sepsis con un amplio rango de edades sí pudo identificar un clúster de pacientes jóvenes y otro de pacientes de edad avanzada. Este hallazgo demuestra, que en una población con variabilidad etaria marcada y en la cual otras variables no son dominantes, la edad puede ser un factor de agrupación principal 22.
La estadía hospitalaria se incluyó en el análisis del presente estudio, sin embargo, es fundamentalmente una variable de resultado o un evento posterior. A diferencia de otras características basales del paciente, la estadía se asocia con factores como la gravedad, evolución clínica, complicaciones, prácticas institucionales y disponibilidad de camas y recursos. Por lo general las variables basales al ingreso definen con mayor precisión los clústeres.
Aunque para pacientes incluidos en el clúster 2 (afecciones médicas) la gravedad y la mortalidad fueron ligeramente mayores, los más graves fallecieron precozmente; lo  que contribuyó a la reducción de la estadía promedio en este grupo. Estudios precedentes en UCI sobre sepsis, gravedad, mortalidad y evaluación de biomarcadores han demostrado que  la estadía no constituye un factor discriminante 7,8,9 .
El hecho del SOFA de mostrar mayor tamaño del efecto, refleja que la disfunción múltiple de órganos (DMO) es un fenómeno central en la patogenia de los estados críticos. En los pacientes con afecciones clínicas apunta a una DMO establecida desde el ingreso, mientras que en los quirúrgicos es consecuencia de una causa local  sin deterioro sistémico previo.
La literatura previa respalda la superioridad del SOFA en el análisis de clúster. Seymour  9  y colaboradores demostraron que el SOFA contribuyó a la separación de cuatro fenotipos de sepsis, y que los fenotipos con puntajes promedios más altos presentaron mayor mortalidad. En el estudio de Sakornsakolpat P y colaboradores 7, el SOFA fue uno de los principales discriminadores. Bos y colaboradores 23 demostraron que la DMO discriminó entre fenotipo hiperinflamatario y el no inflamatorio en pacientes con  Síndrome de Distrés Respiratorio Agudo.
Esta evidencia sugiere que, para estratificación fenotípica en poblaciones de pacientes críticos, las escalas de disfunción orgánica son más útiles que las escalas pronósticas generales.
Los hallazgos del presente estudio indican que el principal determinante de la estratificación en la población general de UCI es el tipo de ingreso, diferenciando fundamentalmente a los pacientes quirúrgicos urgentes de aquellos con afecciones clínicas. Desde un análisis fisiopatológico, los pacientes quirúrgicos ingresan por un evento focal y controlable; los que presentan afecciones clínicas desarrollan procesos sistémicos que afectan múltiples órganos desde el inicio. Sakornsakolpat P y colaboradores 7, encontraron en pacientes con sepsis un mayor grado de DMO y peor pronóstico en pacientes con enfermedades de base.
La importancia de la VMA en la caracterización de los clústeres, aunque menor, refleja la gravedad de la insuficiencia respiratoria en los pacientes con afecciones clínicas, y la mortalidad en este grupo confirma su peor pronóstico. Autores como García y colaboradores 11  y Delucci y colaboradores 24 apoyan este hallazgo con sus resultados.
El uso de antibiótico al ingreso en pacientes quirúrgicos puede estar en relación con la profilaxis y empleo terapéutico precoz para tratar la infección, mientras que el desarrollo de sepsis y shock séptico en los no quirúrgicos sugiere el mayor riesgo de complicaciones infecciosas.
El hallazgo de dos fenotipos claramente diferenciados (quirúrgico urgente y clínico) en la población del estudio refleja la naturaleza de los procesos patológicos que motivan el ingreso en la UCI y sus profundas implicaciones terapéuticas y pronósticas.
El perfil quirúrgico urgente corresponde a pacientes con una agresión focal y controlable quirúrgicamente, que mantiene su reserva funcional y responde más favorablemente al tratamiento; el clínico agrupa a pacientes con enfermedades sistémicas que afectan a múltiples órganos desde el inicio, y que tienen menos reserva funcional y peor pronóstico.
La identificación de estos fenotipos se asemeja con los hallazgos de investigaciones previas en la UCI, como los de Castela Forte y colaboradores 6 en grupos homogéneos, los de Yokokawa Y y colaboradores en pacientes con sepsis 25 y los de Ururahy RDR y colaboradores 26 en  los diagnosticados con COVID-19.
A pesar de las similitudes, la principal contribución del estudio radica en la aplicación del análisis de clúster a una población general de la UCI, no limitada a síndromes específicos. La inclusión de variables disponibles al ingreso en la identificación de los fenotipos, proporciona una herramienta simple y fácilmente implementable para la asignación de recursos y la planificación terapéutica. Además, se demuestra que en una población gravedad moderada, es posible identificar diferencias clínicamente relevantes en mortalidad y necesidades de soporte vital, lo que tiene implicaciones en la gestión de recursos humanos y materiales.
El coeficiente de silueta promedio bajo pudiera limitar los resultados del estudio. Sin embargo, este valor está influido por la naturaleza mayoritariamente categórica de las variables (19 de 24) y no invalida la calidad de la solución, confirmada por el criterio principal del algoritmo y el equilibrio de los tamaños de clúster. Por otro parte, la inclusión de biomarcadores inflamatorios hubiera permitido una estratificación más refinada de los grupos; sin embargo la falta de disponibilidad en la práctica habitual limitó su empleo.
Futuras investigaciones en poblaciones homogéneas deberán incorporar biomarcadores y datos evolutivos, y validar los hallazgos en cohortes externas.
Conclusiones
El análisis de clúster identificó dos fenotipos bien diferenciados: un fenotipo quirúrgico urgente con menor gravedad, bajo requerimiento de soporte ventilatorio y mejor pronóstico,  y un fenotipo médico caracterizado por mayor disfunción orgánica, elevada necesidad de ventilación mecánica y mayor mortalidad.
Contribución de los autores
Conceptualización: Julio César González Aguilera, Larisa Zamora Matamoros. Metodología: Julio César González Aguilera, Larisa Zamora Matamoros. Software: Larisa Zamora Matamoros.
Validación: Jorge Omar Cabrera Lavernia, Armando Arias Ortiz.Análisis formal: Julio César González Aguilera, Alexis Álvarez Aliaga. Investigación: Julio César González Aguilera, Larisa Zamora Matamoros, Yoleinis Esperanza Vázquez Belizón.  Curación de datos: Julio César González Aguilera, Larisa Zamora Matamoros, Yoleinis Esperanza Vázquez Belizón, Armando Arias Ortiz. Escritura – preparación del borrador original: Julio César González Aguilera, Larisa Zamora Matamoros, Jorge Omar Cabrera Lavernia. Escritura—revisión y edición: Julio César González Aguilera, Alexis Álvarez Aliaga. Supervisión: Larisa Zamora Matamoros.
Todos los autores han leído y aprobado la versión publicada del manuscrito.
Financiamiento: Esta investigación no recibió financiación externa.
Declaración del Comité de Revisión Institucional: El estudio se llevó a cabo de acuerdo con las directrices de la Declaración de Helsinki y fue aprobado por el Comité de Ética de las investigaciones (acuerdo 26-acta 4/2026) y el Consejo Científico institucional (acuerdo 93-acta 5/2026).
Declaración de consentimiento informado: Se obtuvo el consentimiento informado de todos los sujetos participantes en el estudio.
Declaración de disponibilidad de datos: Los datos del estudio forman parte de las bases de la Unidad de Cuidados Intensivos del hospital provincial general “Carlos Manuel de Céspedes”, de Bayamo, Granma, Cuba.
Conflictos de interés: Los autores declaran que no existe conflicto de interés.
Referencias
1. Cuadrado D, Riaño D, Gómez J, Rodríguez A,  Bodí M. Methods and measures to quantify ICU patient heterogeneity. J Biomed Inform. 2021; 117: 103768. doi: 10.1016/j.jbi.2021.103768.
2. Shen J, Fang K, Xie J, Sun D, Li L. Analysis of the heterogeneous treatment effect of vasoactive drug dosage and time on hospital mortality across different sepsis phenotypes: a retrospective cohort study. Eur J Med Res. 2025; 30(1):410. doi: 10.1186/s40001-025-02660-x.
3. Anesi GL, Dress E, Chowdhury M, Wang W, Small DS, Delgado MK, et al. Among-Hospital Variation in Intensive Care Unit Admission Practices and Associated Outcomes for Patients with Acute Respiratory Failure. Ann Am Thorac Soc. 2023; 20(3):406-413. doi: 10.1513/AnnalsATS.202205-429OC.
4. Iwashyna TJ, Burke JF, Sussman JB, Prescott HC, Hayward RA, Angus DC. Implications of Heterogeneity of Treatment Effect for Reporting and Analysis of Randomized Trials in Critical Care. Am J Respir Crit Care Med. 2015; 192(9):1045-51. doi: 10.1164/rccm.201411-2125CP.
5. Loftus TJ, Shickel B, Balch JA, Tighe PJ, Abbott KL, Fazzone B, et al. Phenotype clustering in health care: A narrative review for clinicians. Front. Artif. Intell. 2022; 5:842306. doi: 10.3389/frai.2022.842306.
6. Castela Forte J, Perner A, van der Horst ICC. The use of clustering algorithms in critical care research to unravel patient heterogeneity. Intensive Care Med. 2019; 45 (7):1025–1028. doi: 10.1007/s00134-019-05631-z.
7. Sakornsakolpat P, Tongyoo S, Permpikul C. Characteristics and Cluster Analysis of 18,030 Sepsis Patients Who Were Admitted to Thailand’s Largest National Tertiary Referral Center during 2014-2020 to Identify Distinct Subtypes of Sepsis in Thai Population. Crit Care Res Pract. 2024; 2024:6699274. doi: 10.1155/2024/6699274.
8. Misset B, Philippart F, Fitting C, Bedos JP, Diehl JL, Hamzaoui O, et al. Clustering ICU patients with sepsis based on the patterns of their circulating biomarkers: A secondary analysis of the CAPTAIN prospective multicenter cohort study. PLoS One. 2022; 17(10):e0267517. doi: 10.1371/journal.pone.0267517.
9. Seymour CW, Kennedy JN, Wang S, Chang CH, Elliott CF, Xu Z, Berry S, et al.  Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019; 321(20):2003-2017. doi: 10.1001/jama.2019.5791.10.
10. Pregnar J, Priyanka Mellacheruvu S, Balhara Taank C, Campoli F, Emilia Lazar R, Chilingarashvili G, et al. Phenotypic clustering reveals distinct ICU pneumonia subgroups with varying severity and outcomes. Critical Care Medicine. 2026; 54 (3S). doi: 10.1097/01.ccm.0001183440.67537.1f
11. García-García F, Lee DJ, Nieves-Ermecheo M, Bronte O, España PP, Quintana JM, et al. Obtaining patient phenotypes in SARS-CoV-2 pneumonia, and their association with clinical severity and mortality. Pneumonia (Nathan). 2024; 16(1):12. doi: 10.1186/s41479-024-00132-0.
12. Romanelli A, Palmese S, De Vita S, Calicchio A, Gammaldi R. Stratifying Mortality Risk in Intensive Care: A Comprehensive Analysis Using Cluster Analysis and Classification and Regression Tree Algorithms. Intensive Care Res. 2024; 4: 116–128.  doi:10.1007/s44231-024-00064-9.
13.  Sikora, A, Jeong H, Yu M, Chen X, Murray B, Kameleswaran R. Cluster analysis driven by unsupervised latent feature learning of medications to identify novel pharmacophenotypes of critically ill patients. Sci Rep. 2023; 13: 15562. doi:10.1038/s41598-023-42657-2.
14. Hair, JF, Black WC, Babin BJ, Anderson RE. Multivariate data analysis. 8th ed. United Kingdom: Cengage Learning, EME; 2019.
15. Knaus WA, Draper EA, Wagner DP, Zimmerman JE. APACHE II: a severity of disease classification system. Crit Care Med. 1985; 13(10): 818-29.
16. Vincent JL, Ferreira F, Moreno R. Scoring systems for assessing organ dysfunction and survival. Crit Care Clin. 2000; 16(2):353-66. doi: 10.1016/s0749-0704(05)70114-7.
17. Singer M, Deutschman CS, Seymour CW, Shankar-Hari M, Annane D, Bauer M, et al. The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA. 2016; 315(8):801-10. doi: 10.1001/jama.2016.0287.
18. CDC/NHSN Surveillance Definitions for Specific Types of Infections. En: National Healthcare Safety Network (NHSN) Patient Safety Component Manual. 2021. [acceso 20/3/2026]. Disponible en: https://www.cdc.gov/nhsn/pdfs/pscmanual/17pscnosinfdef_current.pdf
19. Bone RC, Balk RA, Cerra FB, Dellinger RP, Fein AM, Knaus WA, et al. The ACCP/SCCM Consensus Conference Committee. American College of Chest Physicians/Society of Critical Care Medicine. Chest. 1992; 101(6):1644-55. doi: 10.1378/chest.101.6.1644.
20. Fuest KE, Ulm B, Daum N, Lindholz M, Lorenz M, Blobner K, et al. Clustering of critically ill patients using an individualized learning approach enables dose optimization of mobilization in the ICU. Crit Care. 2023; 27(1):1. doi: 10.1186/s13054-022-04291-8.
21. Mousai O, Tafoureau L, Yovell T, Flaatten H, Guidet B, Jung C, et al. Clustering analysis of geriatric and acute characteristics in a cohort of very old patients on admission to ICU. Intensive Care Med. 2022; 48(12):1726-1735. doi: 10.1007/s00134-022-06868-x.
22. Baek MS, Kim JH, Kwon YS. Cluster analysis integrating age and body temperature for mortality in patients with sepsis: a multicenter retrospective study. Sci Rep. 2022; 12(1):1090. doi: 10.1038/s41598-022-05088-z.
23. Bos LD, Schouten LR, van Vught LA, Wiewel MA, Ong DSY, Cremer O, et al. Identification and validation of distinct biological phenotypes in patients with acute respiratory distress syndrome by cluster analysis. Thorax. 2017 Oct;72(10):876-883. doi: 10.1136/thoraxjnl-2016-209719.
24, Liu X, Jiang Y, Jia X, Ma X, Han C, Guo N, et al. Identification of distinct clinical phenotypes of acute respiratory distress syndrome with differential responses to treatment. Crit Care. 2021 Aug 30;25(1):320. doi: 10.1186/s13054-021-03734-y.
25. Yokokawa Y, Sakurai R, Kudo D, Tamiya G, Kushimoto S. Clinical subphenotypes of sepsis based on mixed continuous and categorical data and differences in treatment effects: a cluster analysis of multicenter observational studies. Crit Care. 2026 ;30(1):28. doi: 10.1186/s13054-025-05819-4.
26. Ururahy RDR, Gallo CA, Besen BAMP, Carvalho MT, Ribeiro JM, Zigaib R, et al.  Bedside clinical data subphenotypes of critically ill COVID-19 patients: a cohort study. Rev Bras Ter Intensiva. 2021;33(2):196-205. doi: 10.5935/0103-507X.20210027.
| Received: [6 agosto 2026]  | Accepted: [15 octubre 2026]  | Published: [15 noviembre 2026]  |
Citation: Mancheno, González, J; Zamora, L; Álvarez, A; Cabrera, J; Arias, A; Vázquez, Y.  Perfil epidemiológico y clínico de pacientes críticos: delimitación de fenotipos mediante clúster bietápico Bionatura. 2026. Volumen 11, No 3.
Peer review information: Bionatura thanks the anonymous reviewers for their contribution to the peer review of this work using https://reviewerlocator.webofscience.com/
All articles published by Bionatura Journal are freely and permanently accessible online immediately after publication, without subscription charges or registration barriers.
Publisher’s Note: Bionatura stays neutral concerning jurisdictional claims in published maps and institutional affiliations.
Copyright: © 2026 by the authors. Submitted for possible open access publication under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/)

Vol11 No2 2026

INDEXADA EN

INDEXADA EN