Resumen
Antecedentes
La neumonía es una gran amenaza para la salud de los niños, especialmente aquellos menores de cinco años. La infección por mycoplasma pneumoniae es una causa central de neumonía pediátrica, y la incidencia de neumonía severa micoplasma pneumoniae (SMPP) ha aumentado en los últimos años. Por lo tanto, existe una necesidad urgente de establecer un modelo de advertencia temprana para SMPP para mejorar el pronóstico de la neumonía pediátrica.
Métodos
El estudio comprendió 597 pacientes con SMPP de entre 1 mes y 18 años. Los datos clínicos se seleccionaron mediante el análisis de regresión de Lasso, seguido de la aplicación de ocho algoritmos de aprendizaje automático para desarrollar un modelo de alerta temprana. La precisión del modelo se evaluó mediante validación y cohorte prospectiva. Para facilitar la evaluación clínica, el estudio simplificó los indicadores y construyó un modelo simplificado visualizado. La aplicabilidad clínica del modelo fue evaluada por la curva DCA y CIC.
Resultados
Después de la selección de variables, se desarrollaron ocho modelos de aprendizaje automático utilizando la edad, el sexo y los 21 indicadores séricos identificados como factores predictivos para SMPP. Un modelo de máquina de impulso de gradiente de luz (LightGBBM) demostró un rendimiento fuerte, logrando un AUC de 0.92 para la validación prospectiva. El análisis SHAP se utilizó para las variables ventajosas de pantalla, que contiene el suero S100A8/A9, la tomografía computarizada traqueal (CT), la proteína de unión a retinol (RBP), la relación celular de plaquetas más grande (P-LCR) y los recuentos de células Treg CD4+CD25+, para una construcción de un modelo simplificado (SCRTT) para mejorar la aplicabilidad clínica. El modelo de diagnóstico SCRPT exhibió eficacia diagnóstica favorable (AUC> 0.8). Además, el estudio encontró que S100A8/A9 superó a los marcadores clínicos clínicos también pueden diferenciar la gravedad de MPP.
Conclusiones
El modelo SCRPT que consta de cinco variables dominantes (S100A8/A9, CT, RBP, PLCR y Treg Cell) se espera que ocho aprendizaje automático sea una herramienta para el diagnóstico temprano de SMPP. S100A8/A9 también se puede usar como biomarcador para la diferenciación de validez de SMPP cuando las condiciones médicas son limitadas.
Introducción
Las infecciones respiratorias plantean un desafío significativo para la salud pública global (1). Según la Organización Mundial de la Salud (OMS), la neumonía causa aproximadamente 740,000 muertes infantiles anualmente, lo que representa una causa principal de mortalidad por debajo de los cinco (2). Entre los agentes causales para la neumonía infantil, Mycoplasma pneumoniae (MP) se distingue con su patogenicidad y datos epidemiológicos para causar infecciones del tracto respiratorio (3). La neumonía severa de micoplasma pneumoniae (SMPP) es una condición grave resultante de la infección de MP, caracterizada por un curso de enfermedad prolongada, manifestaciones clínicas complejas y una propensión para desarrollar neumonía necrotizante, atelectasia y otras complicaciones pulmonares. Además, puede conducir a una variedad de síntomas extrapulmonares, incluidas lesiones miocárdicas e hepáticas, que pueden ser potencialmente mortales (4). En los últimos años, factores como la amplia prevalencia de MP, su tendencia a causar infecciones repetidas (5), la tasa creciente de resistencia a los medicamentos (6) y coinfecciones (7, 8) han llevado a un aumento en la incidencia de SMPP (9), que amenaza seriamente la salud de los niños (10,11,12). Por lo tanto, es necesario prestar atención al diagnóstico y el tratamiento de SMPP en una etapa temprana.
Actualmente, el diagnóstico de SMPP depende predominantemente de técnicas de imagen y signos clínicos (9). Sin embargo, las características clínicas y radiológicas de SMPP tienen un fuerte parecido con las de las infecciones inducidas por virales y exhiben características heterogéneas (13). En otras palabras, las presentaciones de neumonía difieren significativamente entre pacientes pediátricos con variables (14). Esto presenta un desafío formidable al diagnóstico rápido y preciso de SMPP en los niños y la implementación de estrategias de tratamiento apropiadas (15). En respuesta a las diversas presentaciones de neumonía, se han establecido pautas integrales de diagnóstico y tratamiento, como las puntuaciones CRUB-65 y PSI, para evaluar la gravedad de la neumonía en adultos (16). Sin embargo, la evaluación de la neumonía en niños carece de un marco de diagnóstico objetivo, cuantitativo, rentable y conveniente. Los biomarcadores tradicionales, incluido el recuento de glóbulos blancos (WBC), la proteína C reactiva (CRP) y la procalcitonina (PCT), son inadecuados para distinguir con precisión la gravedad de las infecciones pulmonares en pacientes pediátricos (17, 18). En consecuencia, investigaciones recientes se han centrado en identificar biomarcadores específicos para el diagnóstico de neumonía y desarrollar sistemas de evaluación adaptados a los niños. Los estudios sugieren que varios sistemas de evaluación pueden mejorar la estratificación del riesgo de las enfermedades pulmonares pediátricas (19), como el puntaje de gravedad de emergencia respiratoria pediátrica (prensa) (20), la puntuación clínica de infección pulmonar (CPI) (21), y pro-adrenomedullin (pro-ADM) (22). Sin embargo, estos modelos de predicción no son aplicables a la evaluación de SMPP debido a su complejidad, baja sensibilidad y falta de especificidad para el diagnóstico de SMPP. Actualmente, no existe un enfoque sistemático para la clasificación de riesgos de SMPP pediátrico.
En comparación con los sistemas de puntuación tradicionales, los modelos de aprendizaje automático (ML) han demostrado un rendimiento superior en la predicción de diversas enfermedades o afecciones clínicas (23, 24). Los modelos ML generalmente se construyen en función de grandes cantidades de datos registrados en sistemas de registro electrónico de pacientes (EPR). Sus capacidades de aprendizaje profundo les permiten capturar relaciones no lineales complejas, e incluso correlaciones previamente desconocidas en Big Data, lo que permite una minería más profunda de datos clínicos (25). También muestran un gran potencial en entornos clínicos donde se recopilan e integran grandes cantidades de datos diariamente (26). Recientemente, Yang y sus colegas desarrollaron un modelo utilizando algoritmos ML para identificar con precisión la neumonía (CAP) adquirida en la comunidad con precisión (CAP) en adultos (27). Además, ML se ha empleado para diferenciar los patógenos en CAP pediátrico (28). ML también se ha utilizado para desarrollar modelos pronósticos relacionados con la neumonía para predecir el riesgo de mortalidad y las complicaciones, incluido el síndrome de dificultad respiratoria aguda (ARDS) (29). Desafortunadamente, hasta la fecha, no se ha desarrollado ningún modelo ML para predecir SMPP en niños.
El objetivo de este estudio es desarrollar un modelo de evaluación robusto para la gravedad de MPP en pacientes pediátricos utilizando algoritmos de aprendizaje automático. Tal modelo tiene como objetivo proporcionar a los profesionales de la salud una herramienta valiosa para diseñar planes de tratamiento personalizados para diferentes situaciones médicas, optimizando así las estrategias terapéuticas individualizadas.
Metodología
Diseño de la investigación
El diseño de investigación para este estudio, como se ilustra en la figura 1abarca un proceso de cuatro pasos: desarrollo, validación interna, validación prospectiva e interpretación. La fase inicial implica la creación de modelos predictivos utilizando una cohorte de entrenamiento, que representa el 78% del conjunto de datos de derivación. Posteriormente, el restante del conjunto de datos de derivación sirve para la validación interna. Además, se utiliza un conjunto de datos independiente para la cohorte de validación prospectiva. Además, se empleó el algoritmo de explicaciones aditivas de Shapley (SHAP) para descifrar la importancia de las características individuales dentro del modelo predictivo e identificar relaciones no lineales entre los predictores de riesgos.
Fig. 1Diagrama de flujo de reclutamiento e investigación de seguimiento en este estudio de cohorte
Imagen de tamaño completoSujetos de estudio
Este fue un estudio de observación prospectivo, abierto, no cegado, en 859 pacientes hospitalizados con CAP que ingresaron en el Hospital de Niños Wuhan, Tongji Medical College, la Universidad de Ciencia y Tecnología de Huazhong desde enero de 2023 hasta julio de 2024. Los pacientes fueron incluidos si cumplieron los siguientes criterios: edad entre 1 mes y 18 años, presencia de fiebre y respiratoria, y se incluyeron al menos los criterios de la edad, y al menos los examinados de la fiebreza en los síntomas de la fiebre, y al menos los examinados de la edad. Según las Directrices para CAP en Children (Comisión, 2019) (30). De acuerdo con el micoplasma pneumoniae de la neumonía del laboratorio de diagnóstico (consenso (31), Seleccionamos aún más a 597 niños con MPP como sujetos de investigación basados en los resultados de las pruebas etiológicas. Bajo la dirección de los médicos clínicos, los 597 pacientes se clasificaron en casos leves (321 pacientes) y casos graves (276 pacientes) de acuerdo con las pautas para MPP en pediatría (32). Entre estos niños, el grupo de derivación comprendía un total de 537 participantes, mientras que la cohorte prospectiva consistía en 60 individuos. Los criterios de exclusión incluyen: individuos que presentan trastornos de inmunodeficiencia, crónicas pulmonares, condiciones cardiovasculares, glomerulonefritis crónica, dolencias reumáticas, deficiencias nutricionales, diabetes mellitus y otros trastornos metabólicos heredados. Los pacientes que fueron coinfectados con otros patógenos y los que previamente se sometieron a intervenciones quirúrgicas pulmonares también fueron eliminados. Además, los niños fueron excluidos si sus padres o tutores no proporcionaron consentimiento de representación o si faltaban datos. El proceso de selección del paciente se mostró en la Figura 1 complementaria.
La cohorte de derivación y la cohorte de validación prospectiva siguieron los mismos criterios de inclusión y exclusión. La cohorte prospectiva estaba formada por pacientes que se presentaron en el Departamento de Medicina Respiratoria del Hospital de Niños Wuhan, Tongji Medical College, Huazhong University of Science & Technology de noviembre de 2023 a enero de 2024. Estos pacientes fueron diagnosticados inicialmente con infección por micoplasma pneumoniae en los últimos tres meses. Posteriormente, los pacientes fueron sometidos a monitoreo de seguimiento al menos dos semanas. Las características clínicas de los 60 pacientes incluidos en la cohorte de validación prospectiva se describen en la Tabla Suplementaria S1.
El consentimiento informado por escrito se obtuvo de todos los padres. La aprobación de ética fue revisada y proporcionada por la ética médica …
(Tagstotranslate) Mycoplasma Pneumoniae Neumonía (T) Diagnóstico temprano (T) Aprendizaje automático (T) Evaluación de riesgos (T) Niños (T) Sistema de neumología/respiratorio
