Firma invitada
Vol. 31 Num.3
33 min
Vigilancia de la infección de localización quirúrgica: análisis comparativo entre la incidencia acumulada y la razón estandarizada de infección
Surveillance of surgical site infection: comparative analysis between cumulative incidence and standardized infection ratio
1 Unidad de Medicina Preventiva y Salud Pública, Hospital Universitario San Jorge, Servicio Aragonés de Salud, Huesca, España
2 Departamento de Microbiología, Pediatría, Radiología y Salud Pública, Facultad de Ciencias de la Salud y del Deporte, Universidad de Zaragoza, Huesca, España.
3 Grupo de Investigación en Servicios Sanitarios de Aragón (GRISSA), Instituto de Investigación Sanitaria Aragón (IIS Aragón), Zaragoza, España
Correspondencia:
Recepción:
05/06/2026
Aceptación:
19/06/2026
Publicación:
30/09/2026
Cómo citar
Métricas
50
Visualizaciones
1
Descargas
Compartir
Compartir
Resumen (ES)
La IA es un indicador intuitivo que mide la proporción de pacientes infectados, siendo especialmente útil para la comunicación directa con equipos quirúrgicos y el benchmarking interno. No obstante, su utilidad para comparaciones externas es limitada, ya que el ajuste por factores de riesgo mediante estratificación fragmenta excesivamente la muestra, restando potencia estadística. Por otro lado, la REI integra el ajuste de riesgo mediante modelos de regresión logística que calculan las infecciones "esperadas" según el perfil del paciente y del procedimiento. Aunque la REI permite una comparación externa más justa y estandarizada, presenta inconvenientes como su percepción de "caja negra" y su dependencia crítica de la calidad de los modelos basales nacionales.
En el contexto de España, se destaca la necesidad de articular un sistema de vigilancia nacional unificado que genere modelos predictivos propios. Finalmente, se proponen nuevas líneas de desarrollo orientadas a la automatización de la captura de datos y la aplicación de la inferencia causal mediante enfoques contrafactuales para aislar con mayor precisión el efecto atribuible al centro.
Palabras clave (ES):
Resumen (EN)
The CI is an intuitive indicator that measures the proportion of infected patients, being particularly useful for direct communication with surgical teams and internal benchmarking. However, its utility for external comparisons is limited, as risk adjustment through stratification excessively fragments the sample, reducing statistical power. On the other hand, the SIR integrates risk adjustment through logistic regression models that calculate "expected" infections based on the patient's profile and the procedure. Although the SIR allows for a fairer and standardized external comparison, it presents drawbacks such as its perception as a “black box” and its critical dependence on the quality of national baseline models.
In the context of Spain, the need to establish a unified national surveillance system that generates its own predictive models is highlighted. Finally, new lines of development are proposed aimed at automating data capture and applying causal inference through counterfactual approaches to better isolate the effect attributable to the center.
Palabras clave (EN):
Introducción
La vigilancia de la infección de localización quirúrgica (ILQ) constituye una herramienta esencial en los programas de control de infecciones hospitalarias [1]. Su propósito fundamental, común a otros sistemas de vigilancia, es el de generar información para la acción, es decir, aportar indicadores que permitan identificar áreas de mejora y orientar intervenciones [2, 3]. Sin embargo, la interpretación de los resultados de la vigilancia de ILQ plantea importantes desafíos metodológicos, derivados de la heterogeneidad de los distintos centros sanitarios, tanto desde el punto de vista estructural como de la población que asisten.
Como ejemplo, consideremos dos hospitales sometidos a vigilancia de ILQ. Por una parte, un hospital universitario de tercer nivel, hiperespecializado, con alta carga quirúrgica y que actúa como referente a nivel regional. Por otra parte, un hospital comarcal pequeño, con plantilla reducida, sin unidad de cuidados intensivos y con protocolo de derivación al centro de referencia en casos de complicación quirúrgica. Si el primer hospital presentara una Incidencia Acumulada (IA) de ILQ en cirugía de colon en 30 días del 18%, y el segundo hospital un 13%, una lectura acrítica de estos resultados podría llevar a la conclusión precipitada de que el primer hospital presenta peores resultados en ILQ, sin considerar la complejidad de la población atendida ni la disponibilidad de recursos [4, 5].
Esta aparente paradoja ilustra un problema común a todos los sistemas de vigilancia: los resultados en ILQ están condicionados por el perfil del paciente, la complejidad del procedimiento y las características organizativas del centro [4-6], lo que hace que la comparación directa entre hospitales sin ajustar previamente por estas variables pueda llevar a conclusiones espurias [4, 5]. Ante la imposibilidad práctica de disponer de un hospital de referencia idéntico, los sistemas de vigilancia recurren habitualmente a dos estrategias: el benchmarking externo —comparación con centros de características similares— y el benchmarking interno —análisis de la tendencia temporal del propio centro—[7, 8]. El presente trabajo revisa los indicadores tradicionales utilizados en vigilancia de ILQ y reflexiona sobre cómo la elección del indicador —en particular el uso de IA frente a Razón Estandarizada de Infección (REI)— condiciona la validez de las comparaciones en los sistemas de vigilancia de ILQ.
La incidencia acumulada
En vigilancia de la ILQ, la IA mide la proporción de pacientes que desarrollan una infección sobre el total de intervenciones vigiladas. Su cálculo requiere fijar un periodo de vigilancia estandarizado —habitualmente de 30 o 90 días, según los criterios del CDC/NHSN— y realizar el seguimiento de cada cohorte [9].
Este indicador presenta una interpretación intuitiva y permite al hospital evaluar sus resultados a lo largo del tiempo.
La principal limitación de la IA surge al realizar comparaciones interhospitalarias. Para garantizar comparaciones justas, es necesario controlar variables propias del paciente, del procedimiento y del hospital, como el grado de contaminación, la urgencia de la cirugía o el perfil de riesgo del paciente. Sin embargo, la inclusión sucesiva de estos factores fragmenta la muestra en múltiples estratos.
Esta pérdida de volumen muestral puede comprometer la precisión de las estimaciones [10] y limitar la utilidad de las comparaciones externas, especialmente en procedimientos poco frecuentes o en centros con bajo volumen quirúrgico. Estas limitaciones han favorecido el desarrollo de modelos de ajuste de riesgo más complejos, como la Razón Estandarizada de Infección (REI) [9].
La razón estandarizada de infección (REI)
La REI se calcula mediante el cociente entre las infecciones observadas en un centro y las infecciones esperadas o predichas en ese mismo centro [11]. A diferencia de la incidencia acumulada, este indicador integra el ajuste de riesgo directamente en el denominador [11]. Esto permite agrupar procedimientos con características distintas en una sola métrica, a la vez que se pondera el impacto específico de cada factor de confusión y sin necesidad de estratificar la muestra [11].
El cálculo de las infecciones esperadas se realiza mediante un proceso en tres pasos:
- Regresión logística basal/nacional: Utilizando datos de todos los hospitales del sistema de vigilancia en un periodo determinado, se ajusta un modelo de regresión logística con finalidad predictiva para cada procedimiento (p.ej. un modelo para prótesis de cadera, otro modelo para cirugía de colon, etc.). Este modelo servirá para seleccionar las variables de ajuste relevantes y computar sus coeficientes. Por ejemplo, para histerectomías, el modelo de los CDC en 2015 identificó como variables relevantes de ajuste la presencia de diabetes, la puntuación ASA, el índice de masa corporal (IMC), la edad de la paciente y si se había intervenido en un hospital oncológico [11].
- Cálculo de probabilidad individual: Se aplica la ecuación obtenida en el paso 1 a cada cirugía vigilada en el hospital para obtener la probabilidad individual de infección de cada cirugía. Para cada cirugía vigilada se obtiene una probabilidad individual de infección. Siguiendo el mismo ejemplo anterior, la probabilidad de una mujer con diabetes, puntuación ASA de 2, IMC de 29, 32 años e intervenida en un hospital oncológico era de 0,02 [11].
- Sumatorio de probabilidades por procedimiento: Se suman las probabilidades de todas las intervenciones realizadas; el resultado es el total de infecciones predichas. Como restricción metodológica, la REI no se calcula si el sumatorio de probabilidades es inferior a 1, para evitar resultados estadísticamente imprecisos [11]. Esto se debe a que, cuando el número predicho de infecciones es muy bajo, la variabilidad estocástica es tan alta que el indicador carece de potencia estadística para detectar desviaciones reales de la hipótesis nula, disparando los intervalos de confianza.
El valor 1 se establece como el umbral de referencia estándar para el SIR. Si el SIR es inferior a 1 (por ejemplo, 0,80), indica que se observaron menos infecciones de las predichas. Por el contrario, un valor superior a 1 (por ejemplo, 1,20) señala que la incidencia observada supera la carga esperada por el modelo [11].
Limitaciones de la REI
A diferencia de la IA, cuyo cálculo es directo e intuitivo, la REI genera una percepción de “caja negra” debido a la introducción de modelos estadísticos complejos [10, 12]. Al expresar el resultado como una razón abstracta y sin unidades (por ejemplo, 0,80 o 1,20), se puede producir una sensación de pérdida de control sobre los propios datos por parte de los clínicos. Esto reduce su accesibilidad frente a la IA para la comunicación directa con los equipos quirúrgicos y el benchmarking interno.
Además, al resumir la información de múltiples procedimientos y factores de riesgo en un único indicador numérico, la REI simplifica la realidad y conlleva una pérdida de detalle. Esta agregación de datos, inherente a cualquier modelo estadístico, puede ocultar una heterogeneidad clínica importante, permitiendo que dos centros hospitalarios presenten un índice idéntico a pesar de manejar perfiles de riesgo y escenarios quirúrgicos completamente distintos (“el indicador oculta al agregar”).
Finalmente, la validez del indicador está estrictamente condicionada por factores externos al propio centro: la calidad y vigencia del modelo de regresión basal/nacional. Mientras que la IA depende exclusivamente de la calidad de la información y los métodos de vigilancia internos, la REI es vulnerable a los sesgos de una base de datos global. Si el modelo basal de referencia es pobre, incompleto o está desfasado, el indicador local calculado puede perder su validez metodológica.
Situación actual y perspectivas futuras
A pesar de la publicación del protocolo nacional en 2017 y su revisión en 2019, España carece de un sistema de vigilancia unificado de ILQ que agregue los datos de las comunidades autónomas para permitir el benchmarking interhospitalario. Aunque regiones con un alto volumen de datos (como la Comunidad de Madrid o Cataluña) desarrollan modelos propios para el cálculo de la REI [13, 14], la mayoría de las comunidades no disponen de una muestra suficiente. Asimismo, la transposición directa de los coeficientes del CDC/NHSN es metodológicamente incorrecta debido a las diferencias sociodemográficas y estructurales de los sistemas sanitarios. Resulta, por tanto, imprescindible articular un sistema de vigilancia nacional que genere un modelo predictivo basal adaptado a la población española.
Además, la revisión manual de historias clínicas para la recogida de datos supone un uso ineficiente de los recursos humanos. Si bien la clasificación final de la infección requiere supervisión por un especialista, la captura de las covariables clínicas y estructurales debe automatizarse mediante la integración de los sistemas de información. Esta automatización no solo optimizaría la eficiencia, sino que permitiría incorporar un mayor número de variables para desarrollar modelos predictivos más complejos y precisos. De la misma forma, para garantizar la sostenibilidad del sistema, es imperativo asegurar la interoperabilidad entre la historia clínica electrónica y los niveles de vigilancia hospitalaria, autonómica y nacional.
Más allá de las necesidades actuales del sistema, pueden identificarse diversas líneas de desarrollo que probablemente condicionarán la evolución futura de la vigilancia de la ILQ. En cuanto a los indicadores, el desarrollo reciente de la inferencia causal aplicada a datos observacionales ha abierto nuevas posibilidades para la comparación ajustada de resultados entre centros, complementando los enfoques clásicos como la IA estratificada o la REI [15, 16]. El enfoque tradicional de estandarización puede sustituirse por planteamientos contrafactuales: en lugar de preguntar “¿son estos resultados razonables dadas las circunstancias del centro?”, la metodología causal permite reformular la pregunta en términos más precisos y prácticos: “¿cuál sería la incidencia acumulada estimada si esta misma cohorte de pacientes hubiera sido intervenida en un centro de referencia estándar?”. Esta reorientación no es trivial. Mientras la REI compara lo observado con lo esperado según un modelo poblacional, los métodos causales —habitualmente implementados mediante modelos marginales estructurales o puntuaciones de propensión— permiten aislar el efecto atribuible al centro o al equipo quirúrgico con una mayor precisión conceptual y con un mejor control de los factores de confusión.
Finalmente, la creciente disponibilidad de sistemas de información en tiempo real está favoreciendo la transición desde los informes periódicos tradicionales hacia cuadros de mando (dashboards) interactivos. Estas herramientas facilitan la exploración dinámica de los datos y permiten una retroalimentación más rápida a clínicos y gestores, lo que potencialmente incrementa el impacto de la vigilancia sobre la práctica asistencial.
Financiación
No se recibió financiación para la investigación, autoría y/o publicación de este artículo.
Contribuciones de los autores
Armando Chaure Pardos: Conceptualisation, Redacting, checking, and editing, Metodología, Redacting - initial draft
Conflicto de intereses
Declaro que no hay ningún conflicto de interés comercial o financiero para esta investigación.
Disponibilidad de datos
Los datos que apoyan los resultados de este estudio están disponibles bajo petición al autor/a de correspondencia.
Uso de la IA
Agilización en el trabajo de redacción, así como consulta sobre aspectos de forma.
Referencias
- Red Nacional de Vigilancia Epidemiológica (RENAVE). (2019). Protocolo de vigilancia y control de la infección de localización quirúrgica (Protocolo-ILQ). RENAVE.
- Haley, R., Culver, D., White, J., Morgan, W., Emori, T., & Munn, V. (1985). The efficacy of infection surveillance and control programs in preventing nosocomial infections in US hospitals. Am J Epidemiol, 121, 182–205.
- Gastmeier, P., Geffers, C., Brandt, C., Zuschneid, I., Sohr, D., & Schwab, F. (2006). Effectiveness of a nationwide nosocomial infection surveillance system for reducing nosocomial infections. J Hosp Infect, 64(1), 16–22.
- van Dishoeck, A., Koek, M., Steyerberg, E., van Benthem, B., Vos, M., & Lingsma, H. (2013). Use of surgical-site infection rates to rank hospital performance across several types of surgery. Br J Surg, 100(5), 628–636.
- Gibbons, C., Bruce, J., Carpenter, J., Wilson, A. P., Wilson, J., & Pearson, A. (2011). Identification of risk factors by systematic review and development of risk-adjusted models for surgical site infection. Health Technology Assessment, 15(30), 1–156.
- Mu, Y., Edwards, J. R., Horan, T. C., Berrios-Torres, S. I., & Fridkin, S. K. (2011). Improving Risk-Adjusted Measures of Surgical Site Infection for the National Healthcare Safely Network. Infection Control & Hospital Epidemiology, 32(10), 970–986. Available at: https:/
/ doi. org/ 10. 1086/ 662016 - Altan, D., Ahuja, V., Kelleher, C. M., & Chang, D. C. (2022). Look in the Mirror, Not Out the Window: In Favor of Internal Benchmarking. Annals of Surgery Open, 3(3), e184. Available at: https:/
/ doi. org/ 10. 1097/ as9. 0000000000000184 - Ettorchi-Tardy, A., Levif, M., & Michel, P. (2012). Benchmarking: A Method for Continuous Quality Improvement in Health. Healthc Policy, 7(4), e101–e119.
- National Healthcare Safety Network (NHSN). (2026). Procedure-associated Module: Surgical Site Infection Event (SSI)[Technical report]. Centers for Disease Control and Prevention.
- Kao, L. S., Ghaferi, A. A., Ko, C. Y., & Dimick, J. B. (2011). Reliability of Superficial Surgical Site Infections as a Hospital Quality Measure. Journal of the American College of Surgeons, 213(2), 231–235. Available at: https:/
/ doi. org/ 10. 1016/ j. jamcollsurg. 2011. 04. 004 - Centers for Disease Control and Prevention (CDC). (2024). The NHSN Standardized Infection Ratio (SIR): A Guide to the SIR (Based on 2015 National Baseline)[Technical report]. {Centers for Disease Control and Prevention (CDC)}.
- World Health Organization (WHO). (2018). Global guidelines for the prevention of surgical site infection, second edition[Guidelines]. World Health Organization.
- Dirección General de Salud Pública. (2024). Informe epidemiológico Vigilancia de la Infección de Localización Quirúrgica 2022-2023 (Vol. 29, Number 8)[Technical report]. Comunidad de Madrid.
- Servei Català de la Salut. (2024). Vigilància de les Infeccions Relacionades amb l’Atenció Sanitària de Catalunya. Informe Anual 2024. Programa VINCat.[Technical report]. {Generalitat de Catalunya}.
- Hernán, M. A., & Robins, J. M. (2016). Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available: Table 1. American Journal of Epidemiology, 183(8), 758–764. Available at: https:/
/ doi. org/ 10. 1093/ aje/ kwv254 - Hernán, M. A., & Robins, J. M. (2025). Causal Inference: What If.. Chapman \& Hall/CRC.
Explorar
Artículos
Volúmenes
Sobre la revista
Más leídos
Revista Española de Medicina Preventiva y Salud Pública
Revista Española de Medicina Preventiva y Salud Pública
Avances en la Medicina Militar durante la Primera Guerra Mundial: Una perspectiva histórica
Revista Española de Medicina Preventiva y Salud Pública
Revista Española de Medicina Preventiva y Salud Pública
Revista Española de Medicina Preventiva y Salud Pública