Cómo su visita a la sala de emergencias se convierte en datos de NEISS: Guía para investigadores sobre la base de datos de NEISS

Cada año, aproximadamente 400 000 registros de lesiones salen de los servicios de urgencias de los hospitales estadounidenses y se incorporan a un archivo de datos público que cualquier persona puede descargar gratuitamente. Este archivo es la base de datos NEISS , el Sistema Nacional de Vigilancia Electrónica de Lesiones, gestionado por la Comisión de Seguridad de Productos de Consumo de EE. UU. (CPSC) desde 1972. Si usted recibió tratamiento por una lesión relacionada con un producto en uno de los hospitales incluidos en la muestra, es probable que encuentre allí una versión anonimizada de su visita, reducida a unos veinte campos codificados y una frase de texto libre.

Este artículo analiza una lesión de principio a fin: desde la ficha clínica que un médico redacta a las 2 de la madrugada, pasando por el codificador que la traduce, hasta el cálculo del peso que la convierte a un valor nacional, y finalmente la fila que un investigador descarga un año después. Además, corrige la idea errónea más perjudicial sobre este conjunto de datos: que utiliza códigos ICD-10. No es así, y un estudio diseñado bajo esa premisa fracasa antes de comenzar.

Puntos Clave

• Una muestra de probabilidad estratificada de 100 hospitales de un marco de 4,723 departamentos de emergencias elegibles de EE. UU. No todos informan cada año: 96 lo hicieron en 2023, 77 de 100 en 2024.
• Recoge casi 400,000 casos relacionados con productos al añoSe trata de una cifra récord, no una cifra nacional.
• NEISS lo hace No Utilice ICD-10-CM o ICD-10-PCS. Utiliza conjuntos de códigos internos cerrados: 26 códigos de partes del cuerpo, 30 códigos de diagnóstico y códigos de producto de cuatro dígitos, hasta tres por caso.
• Cada estuche lleva un Weight; el archivo también se envía Stratum y PSULos tres elementos son necesarios para una estimación defendible y un error estándar correcto.
• Los archivos son gratuitos y de uso público para los años de tratamiento comprendidos entre 2006 y 2025. El sistema se está reconstruyendo y se espera que la versión modernizada de la CPSC esté plenamente operativa a principios de 2027.

Qué es realmente la base de datos NEISS

La CPSC denomina a NEISS su “sistema de recopilación de datos y vigilancia retrospectiva más grande y dinámico”. Su propósito es permitir que los analistas de la CPSC realicen estimaciones nacionales oportunas de las lesiones asociadas con (pero no necesariamente causadas por) productos de consumo específicos. Esta aclaración entre paréntesis es una formulación de la propia CPSC en las preguntas frecuentes oficiales de NEISS , y es la frase más importante de la página. La base de datos de NEISS establece una asociación, no una relación de causalidad, y ninguna sofisticación estadística posterior convierte una en la otra.

La muestra consta de 100 hospitales seleccionados de un conjunto de datos de 4,723 servicios de urgencias elegibles correspondientes al año 2020, que representan 155 707 175 visitas anuales a urgencias. Para ser elegible, el hospital debe estar ubicado en Estados Unidos, contar con al menos seis camas para pacientes hospitalizados y un servicio de urgencias disponible las 24 horas. Los cinco estratos se componen de cuatro categorías según el tamaño del servicio de urgencias, además de un estrato para hospitales infantiles.

Fuente: Declaración de apoyo de la CPSC para la recopilación de información, Parte B (presentación a la OMB). Preparado por Editverse.

De ello se desprenden dos puntos. La muestra es exactamente de 100, no de «más de 100», como la describen la mayoría de las fuentes secundarias. Y el número de hospitales que realmente informan de cambios: 96 en 2019, 96 en 2023 y 77 de 100 en 2024. Los ponderadores ajustan la falta de respuesta, pero un estudio que compare 2019 con 2024 compara periodos con bases de datos de información sustancialmente diferentes, y un revisor que conozca el sistema lo preguntará. Nuestro artículo complementario sobre la fiabilidad de las estadísticas de lesiones del NEISS analiza cómo influye esto en la estimación de la estabilidad.

Es importante aclarar una distinción importante. La base de datos NEISS cuenta con subsistemas que utilizan diferentes subconjuntos de hospitales y definiciones de casos: NEISS-AIP (todas las lesiones, con los CDC, desde el año 2000), NEISS-Work (lesiones laborales, con NIOSH, aproximadamente 67 servicios de urgencias), NEISS-CADES (eventos adversos relacionados con medicamentos, 60 servicios de urgencias entre 2017 y 2019) y NEISS-FISS (lesiones por arma de fuego). Citar una tasa de NEISS-Work como una cifra de "NEISS" constituye un error de hecho, incluso cuando el documento subyacente es impecable.

Paso 1: Qué se registra en el hospital

Una persona se cae de un patinete eléctrico, llega a un servicio de urgencias seleccionado y recibe tratamiento por una fractura de muñeca. El historial clínico de esa visita es completo: nota de triaje, exploración física, pruebas de imagen e instrucciones de alta. Casi nada de esta información llega a la base de datos NEISS.

La base de datos NEISS contiene la información que un técnico especializado extrae del historial clínico y la organiza en una estructura fija. Con el diseño anterior, se trata de una extracción manual de datos médicos, no de una alimentación automática desde el historial clínico electrónico, que es precisamente lo que la modernización de la CPSC pretende reemplazar. El técnico responde a un conjunto cerrado de preguntas y luego escribe una breve frase que describe el evento.

La lista completa de variables de uso público es lo suficientemente corta como para imprimirla: CPSC_Case_Number, Treatment_Date, Age, Sex, Race, Other_Race, Hispanic, Body_Part, Body_Part_2, Diagnosis, Diagnosis_2, Other_Diagnosis, Other_Diagnosis_2, Disposition, Location, Fire_Involvement, Alcohol, Drug, Product_1, Product_2, Product_3, Narrative, Stratum, PSU, WeightEse es todo el registro. No se puede responder aquí ninguna pregunta sobre comorbilidades, costos, duración de la estancia, hallazgos de imágenes o resultados posteriores al alta.

Hay un detalle que llama la atención de casi todos los nuevos usuarios: Age no es un número entero simple. 0 significa edad no registrada, 2 a 120 son años, y 201 a 223 tienen entre 1 y 23 años. mesesSi lees la columna ingenuamente, crearás una cohorte de entre 201 y 223 años, que pasa todas las comprobaciones de sintaxis y destruye todas las estimaciones estratificadas por edad que produzcas.

Paso 2: Codificación y por qué la base de datos NEISS no utiliza la CIE-10.

Esta es la sección más importante, y es donde la versión anterior de este artículo se equivocaba. Afirmaba que los codificadores del NEISS clasifican las lesiones usando ICD-10-CM/PCS. Eso es falso. La consecuencia es clara: un investigador que planea un análisis del NEISS basado en ICD-10 descubre a mitad del proyecto que la variable no existe.

La base de datos NEISS utiliza conjuntos de códigos internos cerrados mantenidos por la CPSC. Cada valor permitido se enumera en el Diccionario de datos de NEISS , y las reglas para aplicarlos se encuentran en el Manual de codificación de NEISS :

• Parte del cuerpo: un código de dos dígitos con 26 valores actuales, por ejemplo 30 Hombro, 34 Muñeca, 35 Rodilla, 75 Cabeza, 77 Globo ocular, 82 Mano, 92 Dedo, 94 Oreja. Cuatro códigos antiguos (78, 86, 90, 91) están marcados como “(Antiguo)” y requieren un manejo cuidadoso en series largas.
• Diagnóstico: un código de dos dígitos con 30 valores, por ejemplo 52 Conmoción cerebral, 57 Fractura, 59 Laceración, 63 Punción, 64 Distensión/Esguince, 68 Intoxicación, 71 Otro/No especificado. Cuando el diagnóstico es 71, el texto libre Other_Diagnosis El campo contiene lo que el programador quiso decir.
• Producto: un código CPSC de cuatro dígitos sin equivalente externo, hasta tres por caja, espacios no utilizados llenos 0000.
• Provisión: siete valores, incluyendo 1 tratado y dado de alta, 4 tratados e ingresados ​​y 8 fallecimientos. Ubicacion: nueve valores, desde 1 Hogar hasta 9 Lugar de recreación o deportes.

Ese es todo el vocabulario clínico. Treinta códigos de diagnóstico no son muchos: no incluye lateralidad, escala de gravedad, jerarquía de causas externas ni codificación de procedimientos. Si su pregunta requiere alguna de estas características, NEISS no es la base de datos adecuada, y elegir correctamente desde el principio es el objetivo principal de nuestra guía sobre qué base de datos de salud debe usar su estudio . El sistema que sí utiliza ICD-10-CM/PCS es NEDS, que se compara más adelante en este artículo.

Los conjuntos de códigos también cambian. La CPSC mantiene un Tabla de comparabilidad de códigos de producto Documentando cada código de producto fusionado, dividido, eliminado o reactivado desde 1972. Los sacacorchos (0416) se eliminaron en 1983, se restablecieron en 1994, se eliminaron de nuevo en 1995 y se restablecieron en mayo de 2000. Las sierras eléctricas estacionarias (0825) se dividieron en los códigos 0841 a 0845 a partir de 1974. Si se consulta un código a lo largo de dos décadas sin esa tabla, se publicará una tendencia artificial. Varias columnas también tienen fechas de inicio fijas: Body_Part_2, Diagnosis_2, Product_3, Hispanic, Alcohol y Drug existen solo desde 2019 y Sex = 3 solo a partir de 2021. Cualquier serie que abarque de 2018 a 2019 o de 2020 a 2021 contiene una ruptura estructural. Para saber cómo un codificador elige entre dos códigos plausibles, consulte cómo se asignan los códigos de producto y diagnóstico de NEISS.

Paso 3: La narrativa de 400 caracteres que hace única a la base de datos NEISS.

Tras los campos codificados, viene la razón por la que muchos investigadores eligen la base de datos NEISS en lugar de bases de datos más grandes: Narrativeuna descripción del evento en texto libre, con un límite de 400 caracteres.

El manual de codificación es prescriptivo. La descripción debe comenzar con una abreviatura de edad y sexo (“25YOM”, “19MOF”), usar mayúsculas y minúsculas y ortografía correcta, nombrar el producto específico, colocar el diagnóstico clínico al final precedido por “DX:”, registrar el nivel de alcohol en sangre en tres dígitos (“BAC 080”) y no contener información de identificación. Un ejemplo real dice: Mujer de 28 años que conducía un patinete eléctrico chocó contra un bordillo y cayó sobre la mano extendida. DX: fractura de muñeca.

Escribir cuatrocientos caracteres bajo presión de tiempo es un instrumento muy limitado. Además, es el único lugar en el sistema federal de vigilancia de lesiones donde se registran las circunstancias de una lesión a nivel nacional. NEDS no cuenta con nada parecido. Ese único campo de registro fue la razón por la que fueron posibles los siguientes estudios:

• Shields y sus colegas analizaron relatos de accidentes con ollas a presión ocurridos entre 2003 y 2019 para clasificar los factores desencadenantes en cuatro categorías que no existen en ningún campo codificado: agente inflamable, golpe por el producto, lesión al abrir la olla y otros. A partir de 759 casos reales, obtuvieron una estimación nacional de 28 337 lesiones (IC del 95 %: 24 588 a 32 086), aproximadamente 1,667 por año.⁹
• Dell y sus colegas identificaron casos probables de personas sin hogar en los registros de armas de fuego del NEISS-FISS, basándose únicamente en la información anonimizada, en el 0.10 % de los casos (n = 3,225), siendo la agresión el mecanismo en el 82.64 %. El NEISS no cuenta con una variable sobre la situación de la vivienda; la información proporcionada en la descripción del caso fue la que aportó dicha variable.¹⁷
• Parker aplicó el procesamiento del lenguaje natural a 59,025 relatos de disparos sin ponderar recopilados entre 1993 y 2015, lo que cambió el panorama nacional. Las estimaciones previas situaban el hogar como la principal causa de los disparos (23.4%), por delante de la calle o la carretera (22.9%). Tras la clasificación mediante PLN, la calle o la carretera resultó ser la opción más frecuente (46.1%) y el hogar (37.7%).⁵
• Omaki y sus colegas codificaron manualmente 4,546 relatos para entrenar un modelo, lo aplicaron a 91,325 casos codificados de caídas en niños menores de cinco años y descubrieron que los bebés se caían de la cama en el 33% de las lesiones por caídas.⁶
• Chen y sus colegas demostraron que el coste laboral es manejable: una herramienta interactiva de aprendizaje automático redujo la clasificación de decenas de miles de relatos de traumatismos craneoencefálicos de días a minutos después de unos 60 minutos de entrenamiento.¹⁹

El trabajo narrativo es una decisión de diseño, no una ocurrencia tardía. Si su pregunta requiere detalles contextuales, se compromete a una revisión manual o a un clasificador más una submuestra de validación, y esto debe incluirse en el protocolo. Nuestra publicación sobre el campo narrativo de texto libre profundiza en la estrategia de extracción.

Paso 4: El peso que convierte un récord en una estimación nacional

Aquí es donde la mayoría de los artículos del NEISS tienen éxito o fracasan.

Dado que la base de datos NEISS es una muestra probabilística, cada caso tiene un peso estadístico. La propia formulación de la CPSC es que las estimaciones nacionales “se derivan sumando los pesos estadísticos de los casos de lesiones correspondientes”. El peso no es constante. Es el inverso de la probabilidad de selección del hospital dentro de su estrato, ajustado por la falta de respuesta y por las fusiones hospitalarias. Schroeder y Ault lo expresan como:

NEISSwt = (N_h x n'_h) / (n_h x r_h)

donde, dentro del estrato h : N son los hospitales en el marco, n son los hospitales seleccionados, n' son los hospitales dentro del alcance, r son los hospitales participantes. Por lo tanto, un registro de un hospital de estrato pequeño puede tener un peso mucho mayor que uno de un departamento de emergencias muy grande. Un recuento de filas de NEISS sin ponderar no es, por consiguiente, una versión reducida del número nacional. Es una cantidad diferente con una forma diferente.

Dos cifras ilustran este punto, y la versión anterior de este artículo las confundió. La cifra de casos recopilados es la propia de la CPSC: "casi 400 000 casos relacionados con productos" por año. La estimación nacional ponderada es de un orden de magnitud diferente; la cifra más reciente publicada por la CPSC para todos los productos es de 10 994 000 lesiones relacionadas con productos de consumo tratadas en urgencias durante el año calendario 2020, con dos salvedades: 2020 fue un año de pandemia con volúmenes reducidos en urgencias, y la CPSC no publica de forma rutinaria un único total sin duplicados para todos los productos.

La razón por la que evita ese total es instructiva. Cada publicación de Data Highlights indica que “el sistema de datos permite informar hasta tres productos por cada lesión de una persona, por lo que la lesión de una persona puede contarse en tres grupos de productos”. Si se suman las categorías publicadas, se duplican y triplican las personas contando. Las estimaciones de 2024 de una sola categoría son seguras para citar: escaleras, rampas, rellanos y pisos en 3,101,789; camas, colchones y almohadas en 1,114,811; sillas, sofás y sofás cama en 756,953; accesorios de baño en 658,680; equipos de ejercicio en 564,845.

Las variables de diseño se envían en el archivo público como Stratum, PSU (el hospital muestreado) y Weight, o Wt En el archivo SAS, aplicar la ponderación sin declarar los estratos y conglomerados proporciona una estimación puntual aceptable con un error estándar generalmente demasiado pequeño, lo que resulta en intervalos demasiado estrechos y valores p demasiado generosos. Durand y sus colegas utilizaron el propio NEISS como caso de prueba e informaron que, en casi todos los casos, los enfoques corregidos por el diseño contrastaban profundamente con las técnicas estadísticas estándar.⁴ Si nunca ha visto hasta dónde puede llegar un diseño en un resultado, la demostración más clara en este sitio es ¿Qué sucedió cuando ejecutamos el mismo análisis de NHANES de tres maneras diferentes?Para conocer la teoría de muestreo que subyace específicamente a las ponderaciones NEISS, consulte cómo los pesos del NEISS escalan una muestra a una estimación nacional.

La CPSC también publica reglas de notificación que conviene seguir. La varianza se informa como un coeficiente de variación (CV) igual a la raíz cuadrada de la varianza dividida por la estimación; el intervalo del 95 % es la estimación más o menos (1.96 x estimación x CV); y la CPSC considera que una estimación es inestable y no la notifica cuando la estimación es inferior a 1,200, el número de casos contribuyentes es inferior a 20 o el CV supera el 33 %.

Paso 5: Publicación y cómo descargar los archivos de la base de datos NEISS

Los registros se validan, ponderan y publican anualmente. La CPSC indica que, por lo general, los datos del año calendario más reciente con las fechas de tratamiento están disponibles en abril del año siguiente. En la práctica, el calendario se retrasa: los datos correspondientes a las fechas de tratamiento de 2025 estuvieron disponibles el 7 de mayo de 2026. Se recomienda calcular aproximadamente un año y algunos meses, en lugar de los plazos de procesamiento de 72 horas o de dos a cuatro semanas que circulan en páginas web de dudosa reputación sobre este conjunto de datos.

Obtener los datos es realmente fácil. Sin solicitud, sin acuerdo de uso de datos, sin coste alguno:

• Generador de consultas y portal de descarga de estimaciones de NEISS, con archivos anuales para los años de tratamiento de 2006 a 2025 en formatos Excel, texto delimitado por tabulaciones y SAS.
• Explicación de la CPSC sobre cómo se elaboran sus propias estimaciones., incluyendo las reglas de CV y ​​de reporte mencionadas anteriormente.
• Descripción del programa NEISS de la CPSC, útil para la apertura de una sección de métodos.

Una advertencia que la CPSC indica claramente, y que debería incluirse en el párrafo de limitaciones, es la siguiente: las estimaciones que un usuario genera a través del sitio web «pueden diferir de las publicaciones de la CPSC debido a diferencias analíticas en el procesamiento de datos». Es mejor indicarlo claramente que dejar que un revisor lo descubra. En el apartado « Cómo obtener los archivos de datos NEISS» se explica cómo descargar y visualizar la estructura de los archivos.

Ejemplo práctico correcto: Conversión de filas de la base de datos NEISS a una estimación nacional

La versión anterior de este artículo incluía un fragmento de Stata que utilizaba discwt y hosp_edSe trata de nombres de variables de HCUP/NEDS; no existen en un archivo NEISS y el código no se podía ejecutar. Aquí está la versión corregida.

* ---- Stata: NEISS public-use file, one treatment year ----
* Design variables ship in the file: Stratum, PSU, Weight

* 1. Declare the design ONCE. Everything downstream depends on this line.
svyset PSU [pweight=Weight], strata(Stratum) singleunit(certainty)

* 2. Age is not a plain integer.
*    0 = not recorded; 2-120 = years; 201-223 = 1-23 MONTHS.
gen byte infant  = inrange(Age, 201, 223)
gen double age_y = .
replace    age_y = Age             if inrange(Age, 2, 120)
replace    age_y = (Age - 200)/12  if infant

* 3. Case definition. Product codes are four digits, up to THREE per case,
*    so check all three slots. Replace 1234 with your product code.
gen byte casedef = inlist(1234, Product_1, Product_2, Product_3)

* 4. Unweighted case count. This is NOT a national number.
*    Report it anyway; reviewers expect both.
count if casedef == 1

* 5. Weighted national estimate with a design-based standard error.
svy: total casedef

* 6. Subgroup estimate, domain-restricted. Do NOT drop rows first;
*    that breaks the variance estimation.
svy, subpop(if age_y < 18): total casedef

* 7. Apply CPSC's reportability rules to whatever comes back:
*    suppress if estimate < 1200, unweighted cases < 20, or CV > 33%.
estat cv

El mismo diseño en R con el survey paquete:

library(survey)

neiss_design <- svydesign(
  id      = ~PSU,        # primary sampling unit = the sampled hospital
  strata  = ~Stratum,    # four ED-size strata + children's hospital stratum
  weights = ~Weight,     # CPSC statistical weight
  data    = neiss,
  nest    = TRUE         # PSU ids are nested within strata
)

# National estimate of fractures (NEISS diagnosis code 57):
svytotal(~I(Diagnosis == 57), neiss_design)

# Then CV = SE / estimate. Suppress if estimate < 1200,
# contributing cases < 20, or CV > 33%.

En SAS el equivalente es PROC SURVEYMEANS or PROC SURVEYFREQ con STRATA Stratum; CLUSTER PSU; WEIGHT Wt;.

Dos hábitos distinguen los análisis NEISS publicables de los rechazados. Siempre se informa el recuento de casos sin ponderar junto a la estimación ponderada: el ejemplo reciente más claro es el artículo de pickleball de JAMA Ophthalmology, que informa una estimación de 3,112 lesiones oculares derivadas de 73 casos sin ponderar, con una tendencia de regresión ponderada por encuesta de 405 casos adicionales por año (IC del 95 % 288 a 522, P = 0.004). ¹⁰ Un lector ve inmediatamente lo escasos que son los datos subyacentes. Y subconjunto con una opción de subpoblación en lugar de eliminando filas, porque eliminar filas elimina la información que el estimador de varianza necesita sobre el diseño completo. Para verificar la coherencia de una tasa que haya derivado, nuestra calculadora de tasa de incidencia gratuita maneja la aritmética.

Lo que los investigadores han respondido con la base de datos NEISS.

Una revisión exploratoria realizada por los CDC examinó 6,944 citas e identificó 167 artículos revisados ​​por pares que utilizaron NEISS-AIP como fuente principal de datos entre 2001 y 2021, con un promedio de 8.0 artículos por año en 72 revistas. ³ Esto corresponde únicamente al subconjunto de NEISS-AIP; la literatura más amplia de NEISS es considerablemente mayor. Trabajos recientes muestran dónde el sistema es más sólido.

Micromovilidad. Neuroth y sus colegas estimaron 60,554 lesiones por patinetes eléctricos tratadas en los servicios de urgencias de EE. UU. entre 2015 y 2019 (IC del 95 %: 37,525 a 84,594), de las cuales aproximadamente el 19 % involucraron un vehículo de motor; estas fueron ingresadas con mayor frecuencia (14.6 % frente a 8.8 %, p < 0.01). ¹² Akomaning y sus colegas, a partir de 4,020 registros no ponderados de patinetes y bicicletas eléctricas, informaron una estimación ponderada de 279,990 visitas relacionadas con patinetes eléctricos y un aumento de aproximadamente el triple, de 22,835 en 2019 a 65,892 en 2022, con una probabilidad 2.61 veces mayor de que los hombres estuvieran involucrados en el consumo de alcohol (IC del 95 %: 1.84 a 3.69). ¹³

Lesiones por baterías de iones de litio. La versión anterior de este artículo contenía dos cifras contradictorias, 37% y +142%, ninguna de ellas con fuente. Lo que realmente se publicó: los autores de la FDA que analizaron datos del NEISS de 2020 a 2024 estimaron 2,043 visitas a urgencias (IC del 95%: 1,326 a 2,760) por explosiones y quemaduras de baterías de sistemas electrónicos de administración de nicotina, derivadas de 52 casos sin ponderar, con un 26.3% que requirió ingreso. ¹¹ Nótese la forma: pocos registros, un intervalo amplio, una tasa de ingreso inusualmente alta. Un análisis legítimo y una buena ilustración de lo limitado que puede ser el NEISS para un peligro emergente.

Lesión pediátrica. Xiao y colegas revisaron 20 años de cuerpos extraños esofágicos pediátricos: 52 315 casos sin ponderar que producen una estimación nacional de 1 589 325, con monedas en el 37.6 % y baterías en el 6.8 %, y la incidencia aumentó de 7.3 a 14.2 por cada 10 000 niños (p < 0.0001). ¹⁴ La base de datos NEISS responde a esto mejor que cualquier otra disponible, porque el producto es la exposición y el producto está codificado.

Caídas. Hammig y Haldeman estimaron 687,902 visitas a urgencias por caídas por escaleras entre personas de 15 a 64 años solo en 2019, y la intoxicación alcohólica se asoció con una mayor prevalencia de traumatismo craneoencefálico (cociente de prevalencia 2.7; IC del 95%: 2.3 a 3.1). ¹⁵

Lesiones por arma de fuego y la trampa del subsistema. Bhagavathula y sus colegas, utilizando NEISS-FISS de 2000 a 2021, estimaron 2.36 millones de lesiones no mortales por arma de fuego entre adultos estadounidenses en edad laboral, de los cuales el 85.7 % eran hombres. ¹⁶ Junto a esto se encuentra el mejor resumen disponible sobre cuándo elegir qué base de datos: Carpenito y sus colegas afirman que HCUP-NEDS “proporciona datos precisos sobre el número de lesiones no mortales por arma de fuego, [pero] la intención de la lesión no se codifica de forma fiable”, mientras que NEISS-FISS codifica la intención de forma fiable, pero “es demasiado pequeño para producir estimaciones estables del número de estos eventos”. ⁷

Daños relacionados con medicamentos. El análisis NEISS-CADES en JAMA es una buena referencia para presentaciones. A partir de 96 925 casos en 60 servicios de urgencias, los autores estimaron 6.1 visitas por daños relacionados con medicamentos por cada 1,000 habitantes al año (IC del 95 %: 4.8 a 7.5), de las cuales el 38.6 % (IC del 95 %: 35.2 a 41.9) requirieron hospitalización. ⁸ Cada estimación incluye un intervalo; se indica tanto el número de servicios de urgencias participantes como el número de casos. Este es el método estándar.

Lo que la base de datos NEISS no puede hacer

Una publicación que solo vende un conjunto de datos no es útil. Si alguno de los siguientes puntos es fundamental para tu pregunta, elige otra opción.

1. Solo lesiones tratadas en urgencias. Las lesiones tratadas en centros de atención de urgencias, en el consultorio de un médico, en casa o que no reciben tratamiento alguno son invisibles, al igual que las muertes que nunca llegan a un servicio de urgencias.
2. No se realizó seguimiento longitudinal. Cada registro corresponde a una sola visita. No incluye identificador del paciente, reingresos, resultados posteriores al alta ni datos sobre costos. La recuperación, la recurrencia y los resultados a largo plazo quedan fuera del sistema.
3. No hay estimaciones estatales, del condado ni del área metropolitana. En la revisión exploratoria de los CDC de 167 artículos del NEISS-AIP, la limitación más comúnmente identificada por los autores (n = 38) fue que el sistema produce únicamente estimaciones nacionales.³ La versión anterior de este artículo incluía una tabla con los resultados de las políticas estatales de Arizona y Ohio. Dado que no existen estimaciones estatales similares, la tabla ha sido eliminada.
4. Brechas geográficas reales. Según el diseño anterior, 14 estados no contaban con ningún hospital participante, y Alaska, Hawái, la región de las Montañas Rocosas y las regiones del norte estaban infrarrepresentadas.
5. Inestabilidad de células pequeñas. Con aproximadamente 100 hospitales, las exposiciones raras generan muy pocos casos sin ponderar. Si no está seguro de si un subgrupo puede respaldar una estimación, calcúlelo antes de la extracción utilizando nuestra Guía sobre potencia estadística y tamaño de muestra.
6. Asociación, nunca causalidad. Un código de producto registra que el producto estaba presente, no que fuese el causante de la lesión.
7. Algunos registros no son lesiones. Una validación de vinculación de registros en un hospital infantil del NEISS reveló que el 13.32 % de los casos muestreados (385 de 2,890) no correspondían a lesiones según el diagnóstico de la CIE-9-CM en el mismo registro; entre las lesiones reales, la concordancia fue de kappa 0.87 (IC del 95 %: 0.85 a 0.88). Los autores concluyen que la mejor práctica «debería incluir la revisión manual de las narrativas de los casos».¹
8. La precisión de la codificación no es una cifra única. Desconfíe de cualquier página que cite un único porcentaje de precisión del NEISS; la versión anterior de este artículo citaba siete y todos ellos han sido eliminados. Más allá de los resultados de validación mencionados, el único hallazgo disponible es una evaluación de los CDC que indica que más del 99 % de las variables de causa e intención en los datos de violencia autoinfligida del NEISS-AIP de 2018 se codificaron de forma coherente con la descripción del gráfico.¹⁸ Se trata de consistencia interna para dos variables, un subsistema y un año. No es una tasa de precisión para todo el sistema.
9. Los cambios en el sistema rompen las series temporales. Las adiciones variables de 2019 y 2021, el historial de códigos de producto y el número variable de hospitales informantes significan que una línea de tendencia ingenua de veinte años es una afirmación que debe defender, no un hecho que pueda graficar. Nuestra publicación sobre los sesgos inherentes al muestreo de NEISS Cubre los aspectos que probablemente plantee la revisión por pares.

Parte de lo que omite NEISS pertenece a otros sistemas, no a nadie. Los dispositivos médicos implantables y las bombas de infusión son competencia de la FDA MAUDE, no de la CPSC, lo cual es importante al elegir una base de datos para el análisis de fallas de dispositivos.

NEISS vs NEDS: Cómo elegir entre ellos

Estos dos conceptos se confunden constantemente, incluso en la versión anterior de este artículo. Son complementarios, no competidores.

Fuentes: Documentación del CPSC NEISS; Resumen del AHRQ HCUP NEDS e introducción de 2020. Elaborado por Editverse.

En resumen: si la exposición es un producto o un mecanismo, utilice la base de datos NEISS. Si el resultado es el costo, el pagador, la carga de comorbilidades o la gravedad clínica, presupueste para NEDS. Si necesita ambos, incluya el costo en el protocolo en lugar de descubrirlo posteriormente.

La base de datos NEISS se está reconstruyendo: ¿Qué significa NEISS-R?

Si planea realizar un estudio NEISS en 2026 o 2027, esta información es indispensable. La CPSC ha anunciado una modernización, denominada NEISS-Remodel o NEISS-R, que implica el paso de la extracción manual de registros médicos en aproximadamente 70 hospitales a un intercambio electrónico de datos estandarizado que abarca los 50 estados. Se prevé que el sistema modernizado esté plenamente operativo a principios de 2027.

Tres implicaciones. Indique la antigüedad de los datos que utilizó, ya que en breve, «datos NEISS» implicará dos mecanismos de recopilación distintos según el año. Prevea una discontinuidad, puesto que el cambio de la extracción manual al intercambio electrónico, junto con un conjunto de datos hospitalarios modificado, produce precisamente un salto en una serie temporal que no guarda relación con las lesiones. Y si su estudio abarca la transición, planifique el análisis de sensibilidad ahora. La guía de la CPSC ya advierte que «los usuarios de datos deben considerar cuidadosamente el impacto probable de las actualizaciones del sistema» en las comparaciones longitudinales; conviene leer directamente el anuncio completo de modernización de la CPSC .

Cinco errores que hunden un estudio sobre la base de datos del NEISS.

1. Publicar un recuento sin ponderar como cifra nacional. El error más común y el más fácil de detectar para un revisor. Informe ambas cifras.
2. Ponderación sin declarar el diseño. La estimación puntual se mantiene; los errores estándar no.
3. Reading Age como un número entero. Los valores del 201 al 223 corresponden a meses. Esto corrompe silenciosamente cualquier análisis pediátrico que afecte.
4. Consulta de un código de producto a lo largo de dos décadas. Primero, consulta la tabla de comparabilidad. Los códigos se fusionan, se dividen, desaparecen y vuelven a aparecer.
5. Suponiendo que una variable existe porque existe en NEDS. Sin códigos CIE, sin costo, sin comorbilidad, sin reingreso, sin identificador estatal.

La presentación de informes también es importante. Un análisis NEISS es un estudio observacional, y los revisores esperan que se presente conforme a la lista de verificación STROBE para estudios observacionales , con el diseño del muestreo, la definición de caso y la ponderación descritos con suficiente claridad como para poder reproducirlos a partir del archivo público.

Servicios profesionales para un estudio basado en NEISS

La mayoría de los proyectos NEISS fallan en uno de estos tres puntos: la pregunta ya estaba respondida, las variables no estaban disponibles durante los años que requería el diseño, o la muestra analítica no pudo respaldar la estimación una vez restringida. Estos tres problemas son fáciles de detectar antes de la extracción, pero costosos de descubrir posteriormente.

No existe un paquete específico para NEISS, ya que un proyecto de NEISS se clasifica en una de las tres categorías anteriores según su alcance. Todo lo que se incluye en esta línea se encuentra en Registro y Estudios de Datos del Mundo Real . Si ya dispone de su extracto y solo necesita que se gestione correctamente el diseño de la encuesta, nuestro servicio de análisis es la opción más rápida.

Conclusión

Una visita a urgencias se convierte en datos del NEISS mediante un proceso más corto y directo de lo que la mayoría de los investigadores esperan. Un analista capacitado lee el historial clínico, asigna algunos códigos de dos y cuatro dígitos de vocabularios cerrados de la CPSC, redacta una frase de hasta 400 caracteres y no adjunta nada más. La CPSC pondera el registro según la probabilidad de selección de su hospital dentro de uno de cinco estratos, y aproximadamente un año después, el archivo se publica gratuitamente para quien lo desee.

Dos hechos son cruciales. NEISS no utiliza la CIE-10, por lo que la definición del caso debe elaborarse y justificarse a partir de sus propios códigos y, generalmente, de las descripciones. Además, los aproximadamente 400 000 registros que se recopilan anualmente no constituyen una cifra nacional, por lo que la ponderación y las variables de diseño marcan la diferencia entre una estimación y un recuento sin sentido. Si se aplican correctamente, se informa el recuento sin ponderar junto a la estimación ponderada, se aplican los umbrales de notificación de la CPSC y se reconoce con honestidad lo que el sistema no puede responder, la base de datos de NEISS seguirá siendo uno de los conjuntos de datos públicos más útiles para la investigación de lesiones.

Preguntas frecuentes sobre la base de datos NEISS

¿La base de datos NEISS utiliza códigos ICD-10?

No. NEISS utiliza conjuntos de códigos internos cerrados mantenidos por la CPSC: 26 códigos de partes del cuerpo, 30 códigos de diagnóstico, códigos de producto de cuatro dígitos (hasta tres por caso), códigos de disposición y ubicación, y una descripción de 400 caracteres. Todos los valores permitidos se encuentran en el Diccionario de Datos de NEISS. La base de datos que utiliza ICD-10-CM e ICD-10-PCS es NEDS, la Muestra Nacional de Departamentos de Emergencia, un sistema diferente administrado por AHRQ que debe adquirirse.

¿Cuántos casos contiene la base de datos del NEISS cada año?

El Informe Anual del año fiscal 2023 de la CPSC indica que el NEISS proporciona información sobre casi 400 000 casos relacionados con productos anualmente, y su declaración de apoyo de la OMB ofrece una cifra de planificación de aproximadamente 470 000 casos, de los cuales se seleccionan aproximadamente 2,375 para una investigación retrospectiva. Estas son cifras récord. La estimación nacional ponderada es una cantidad diferente: la cifra más reciente publicada por la CPSC para todos los productos es de 10 994 000 lesiones relacionadas con productos de consumo tratadas en urgencias para el año calendario 2020, un año de pandemia con volúmenes reducidos en urgencias.

¿Cuántos hospitales hay en la muestra del NEISS?

Exactamente 100, seleccionados de un total de 4,723 departamentos de urgencias elegibles en EE. UU. en 2020, se dividen en cinco categorías: 43 pequeños, 26 medianos, 12 grandes, 11 muy grandes y 8 hospitales infantiles. No todos los 100 hospitales informan en un año determinado. Los datos destacados de la CPSC registran 96 hospitales que informaron en 2019, 96 en 2023 y 77 de los 100 en 2024.

¿Necesito los ponderadores de muestreo para publicar una estimación NEISS?

Sí, y también necesitas las variables de diseño. El archivo público incluye Estrato, Unidad Primaria de Servicio (UPS) y Peso. La suma de los pesos de los casos que cumplen con tu definición produce la estimación nacional; declarar Estrato y UPS como el diseño de la encuesta es lo que hace que los errores estándar sean correctos. Una estimación puntual ponderada calculada sin las variables de diseño suele tener errores estándar demasiado pequeños, lo que produce intervalos de confianza demasiado estrechos.

¿La base de datos NEISS me puede proporcionar estimaciones a nivel estatal o a nivel de condado?

No. Esta es la limitación más frecuentemente mencionada en la literatura publicada sobre NEISS. En una revisión exploratoria de los CDC de 167 artículos sobre NEISS-AIP, la limitación más citada por los autores fue que el sistema solo produce estimaciones nacionales y no puede utilizarse para la vigilancia a nivel estatal o de condado. Con el diseño anterior, 14 estados no contaban con ningún hospital participante.

¿Qué tan precisa es la codificación NEISS?

No existe una cifra de precisión única, y cualquier fuente que la cite debe ser tratada con recelo. Un estudio de vinculación de registros en un hospital infantil NEISS encontró que el 13.32 % de los casos muestreados no eran lesiones según los estándares de la CIE-9-CM, con una concordancia entre los casos de lesiones reales de kappa 0.87 (IC del 95 %: 0.85 a 0.88). En comparación con la definición de la CIE-9-CM de los CDC, la definición de lesión cerebral traumática recomendada por NEISS tuvo una sensibilidad del 91.0 % y un valor predictivo positivo del 76.5 %. Los autores del primer estudio recomiendan la revisión manual de las narrativas de los casos como la mejor práctica.

¿Los datos de NEISS son gratuitos y hasta qué fecha se remontan?

Los archivos de uso público del NEISS son gratuitos, sin necesidad de solicitud ni acuerdo de uso de datos. Los archivos anuales se pueden descargar a través del portal de consulta de la CPSC para los años de tratamiento de 2006 a 2025, en formatos Excel, texto delimitado por tabulaciones y SAS. Generalmente, los datos de cada nuevo año están disponibles en abril del año siguiente, aunque la publicación puede demorarse: los datos correspondientes a las fechas de tratamiento de 2025 estuvieron disponibles el 7 de mayo de 2026.

¿Puede NEISS informarme si un producto causó una lesión?

No. La propia CPSC afirma que el NEISS admite estimaciones de lesiones “asociadas con (pero no necesariamente causadas por) productos de consumo específicos”. Un código de producto registra que el producto estuvo presente en el incidente, no que produjo la lesión. El NEISS tampoco incluye identificador del paciente, ni seguimiento ni datos de resultados posteriores a la consulta, por lo que las preguntas sobre causalidad y resultados quedan fuera del alcance del sistema.

Referencias

1. Thompson MC, Wheeler KK, Shi J, Smith GA, Xiang H. Una evaluación de la comparabilidad entre la codificación de lesiones NEISS e ICD-9-CM. PLoS One. 2014;9(3):e92052. doi:10.1371 / journal.pone.0092052. IDPM: 24658100.
2. Thompson MC, Wheeler KK, Shi J, Smith GA, Groner JI, Haley KJ, Xiang H. Vigilancia de lesiones cerebrales traumáticas pediátricas mediante el NEISS: elección de una definición de caso apropiada. Brain Inj. 2014;28(4):431-7. doi:10.3109/02699052.2014.887146. IDPM: 24564802.
3. Navon L, Chen LH, Cowhig M, Wolkin AF. Dos décadas de datos sobre lesiones no mortales: una revisión exploratoria del Sistema Nacional de Vigilancia Electrónica de Lesiones - Programa de Todas las Lesiones, 2001-2021. Inj Epidemiol. 2023;10(1):44. doi:10.1186/s40621-023-00455-4. IDPM: 37679835.
4. Durand WM, Stey PC, Chen ES, Sarkar IN. Análisis de tendencias de resultados agregados en datos complejos de encuestas de salud. AMIA Jt Summits Transl Sci Proc. 2018;2017:349-58. PMID: 29888093.
5. Parker ST. Estimación de la ubicación de lesiones por arma de fuego no mortales con procesamiento del lenguaje natural y modelos de aprendizaje automático. JAMA Netw Open. 2020;3(10):e2020664. doi:10.1001 / jamanetworkopen.2020.20664. IDPM: 33052403.
6. Omaki E, Shields W, Rouhizadeh M, Delgado-Barroso P, Stefanos R, Gielen A. Comprensión de las circunstancias de las lesiones por caídas pediátricas: un análisis de aprendizaje automático de las narrativas del NEISS. Inj Prev. 2023;29(5):384-8. doi:10.1136/ip-2023-044858. IDPM: 37399309.
7. Carpenito T, Miller M, Manjourides J, Azrael D. Uso de imputación múltiple por superaprendizaje para asignar intención a lesiones no mortales por arma de fuego. Prev Med. 2022;163:107183. doi:10.1016 / j.ypmed.2022.107183. IDPM: 35964778.
8. Budnitz DS, Shehab N, Lovegrove MC, Geller AI, Lind JN, Pollock DA. Visitas a urgencias en EE. UU. atribuidas a daños por medicamentos, 2017-2019. JAMA. 2021;326(13):1299-1309. doi:10.1001 / jama.2021.13844. IDPM: 34609453.
9. Shields W, Dong Y, Jager L, Shiang E, Frattaroli S, Omaki E. Uso de la base de datos NEISS para comprender las lesiones relacionadas con las ollas a presión en los EE. UU. Inj Prev. 2023;29(6):506-10. doi:10.1136/ip-2023-044910. IDPM: 37666516.
10. Lacher CR, Koc I, Tsui JC. Lesiones oculares relacionadas con el pickleball en pacientes que acuden a los servicios de urgencias. JAMA Ophthalmol. 2025;143(11):938-44. doi:10.1001 / jamaophthalmol.2025.3577. IDPM: 41100112.
11. Blakney AM, Griggs E, Farrell S, Lindsey K, Chang JT. Explosiones y quemaduras relacionadas con baterías de sistemas electrónicos de administración de nicotina (ENDS) atendidas en servicios de urgencias de Estados Unidos, 2020-2024. Prev Med. 2026;207:108563. doi:10.1016 / j.ypmed.2026.108563. IDPM: 41875938.
12. Neuroth LM, Humphries KD, Wing JJ, Smith GA, Zhu M. Lesiones relacionadas con patinetes eléctricos en vehículos motorizados en EE. UU.: un análisis descriptivo de los datos del NEISS. Am J Emerg Med. 2022;55:1-5. doi:10.1016/j.ajem.2022.02.004. IDPM: 35228017.
13. Akomaning E, Osei SP, Bhagavathula AS. Lesiones relacionadas con el alcohol por el uso de patinetes eléctricos y bicicletas eléctricas en EE. UU. (2019-2022): un estudio retrospectivo. Inj Prev. 2026;32(4):565-70. doi:10.1136/ip-2024-045461. IDPM: 39653429.
14. Xiao JB, Siu JM, Propst EJ, Wolter NE. Tendencias de consumo reflejadas en el contenido del esófago pediátrico: una revisión de 20 años. Laryngoscope. 2024;135(1):438-44. doi:10.1002/lary.31728. IDPM: 39177065.
15. Hammig B, Haldeman S. Caídas relacionadas con escaleras en los EE. UU.: lesión cerebral traumática y el papel de la intoxicación alcohólica. J Epidemiol Community Health. 2023;77(1):44-8. doi:10.1136/jech-2022-219396. IDPM: 36328421.
16. Bhagavathula A, Price JH, Khubchandani J. Tendencias y disparidades en lesiones no mortales por armas de fuego entre adultos en edad laboral en los Estados Unidos, 2000-2021. J Community Health. 2025;50(3):454-63. doi:10.1007/s10900-024-01431-9. IDPM: 39702661.
17. Dell NA, Vaughn MG, Salas-Wright CP. Lesiones por arma de fuego entre personas sin hogar: evidencia transversal de una encuesta nacional de departamentos de emergencia de Estados Unidos. Public Health Pract (Oxf). 2023;6:100446. doi:10.1016/j.puhip.2023.100446. IDPM: 37954558.
18. Ehlman DC, Haileyesus T, Lee R, Ballesteros MF, Yard E. Evaluación de los datos de violencia autoinfligida del Sistema Nacional de Vigilancia Electrónica de Lesiones – Programa de Todas las Lesiones, Estados Unidos, 2018. J Safety Res. 2021;76:327-31. doi:10.1016/j.jsr.2020.12.002. IDPM: 33653565.
19. Chen W, Wheeler KK, Lin S, Huang Y, Xiang H. Clasificación computarizada “aprender sobre la marcha” de lesiones cerebrales traumáticas utilizando datos narrativos de NEISS. Accid Anal Prev. 2016;89:111-7. doi:10.1016/j.aap.2016.01.012. IDPM: 26851618.
20. Comisión de Seguridad de Productos de Consumo de EE. UU. Datos destacados del NEISS 2024. Disponible en: cpsc.gov.
21. Schroeder T, Ault K. La muestra NEISS (diseño e implementación) de 1979 a 1996. Washington D.C.: Comisión de Seguridad de Productos de Consumo de EE. UU.; junio de 2001. Disponible en: cpsc.gov.
22. Agencia para la Investigación y la Calidad de la Atención Médica. Descripción general de la Muestra Nacional de Departamentos de Emergencia (NEDS). Proyecto de Costos y Utilización de la Atención Médica. Disponible en: hcup-us.ahrq.gov.