Resumen
Antecedentes
Hasta el momento, no existe un modelo de predicción individualizado para el ingreso en la unidad de cuidados intensivos (UCI) de pacientes con neumonía adquirida en la comunidad (NAC) y enfermedad del tejido conectivo (ETC). En este estudio, nuestro objetivo fue establecer un modelo basado en aprendizaje automático para predecir la necesidad de ingreso en la UCI entre esos pacientes.
Métodos
Este fue un estudio retrospectivo sobre pacientes ingresados en un hospital universitario en China entre noviembre de 2008 y noviembre de 2021. Se incluyeron pacientes si se les diagnosticó NAC y ETC durante el ingreso y la hospitalización. Se recopilaron datos relacionados con la demografía, los tipos de ETC, las comorbilidades, los signos vitales y los resultados de laboratorio durante las primeras 24 h de hospitalización. Las variables de referencia se examinaron para identificar posibles predictores mediante tres métodos, incluido el análisis univariante, la regresión del operador de selección y contracción mínima absoluta (Lasso) y el algoritmo Boruta. Se utilizaron nueve algoritmos de aprendizaje automático supervisado para construir modelos de predicción. Evaluamos el rendimiento de la diferenciación, la calibración y la utilidad clínica de todos los modelos para determinar el modelo óptimo. Se realizaron las técnicas de Explicaciones aditivas de Shapley (SHAP) y Explicaciones agnósticas del modelo interpretable local (LIME) para interpretar el modelo óptimo.
Resultados
Los pacientes incluidos se dividieron aleatoriamente en el conjunto de entrenamiento (1070 pacientes) y el conjunto de prueba (459 pacientes) en una proporción de 70:30. Los resultados de la intersección de tres enfoques de selección de características produjeron 16 predictores. El modelo eXtreme gradient boosting (XGBoost) logró el área bajo la curva característica operativa del receptor (AUC) (0,941) y precisión (0,913) más altas entre varios modelos. La curva de calibración y el análisis de la curva de decisión (DCA) sugirieron que el modelo XGBoost superó a otros modelos. Los gráficos de resumen SHAP ilustraron las 6 características principales con la mayor importancia, incluido el péptido natriurético tipo B pro-N-terminal (NT-proBNP) y la proteína C reactiva (PCR) más altos, un nivel más bajo de células T CD4 +, linfocitos y sodio sérico, y una prueba de (1,3)-β-D-glucano (prueba G) sérica positiva.
Conclusión
Desarrollamos, evaluamos y explicamos con éxito un modelo basado en aprendizaje automático para predecir el ingreso a la UCI en pacientes con NAC y ETC. El modelo XGBoost podría utilizarse como referencia clínica después de la validación y mejora externas.
Fondo
La neumonía adquirida en la comunidad (NAC) es una infección aguda del parénquima pulmonar causada por bacterias, virus u hongos adquiridos fuera del hospital. Es una de las enfermedades infecciosas más comunes en la práctica clínica. Mientras tanto, ha sido reconocida como un importante problema de salud y una de las principales causas de morbilidad y mortalidad en todos los grupos de edad a nivel mundial (1,2,3). La enfermedad del tejido conectivo (ETC) representa un grupo heterogéneo de enfermedades autoinmunes sistémicas que afectan a múltiples órganos, incluidas las miopatías inflamatorias idiopáticas (MII), la artritis reumatoide (AR), el síndrome de Sjögren (SS), etc. Se caracteriza por la presencia de autoanticuerpos circulantes y la inflamación crónica autodirigida que conduce a la deposición de colágeno, daño tisular y fibrosis y, en última instancia, falla de los órganos diana. La prevalencia y la carga de enfermedad de la ETC continúan aumentando significativamente durante los últimos años (4). Los pacientes con ETC tienen un mayor riesgo de NAC que la población general según informes previos (5, 6). Además, los pacientes con ETC, especialmente aquellos con alta actividad de la enfermedad, están predispuestos a sufrir resultados desfavorables de NAC en comparación con aquellos sin ETC (7, 8). Por el contrario, se informa que la neumonía es la principal causa de ingreso a la unidad de cuidados intensivos (UCI) en pacientes con ETC, seguida de la exacerbación aguda de la ETC (9). Los mecanismos subyacentes incluyen el uso de medicamentos inmunosupresores, disfunción del sistema inmunológico, comorbilidades relacionadas, etc. Por lo tanto, se debe prestar mucha atención a los pacientes con NAC y ETC.
Se estima que el 23% de los pacientes que son hospitalizados con NAC requieren ingreso en UCI (10). El deterioro clínico puede ocurrir después del ingreso hospitalario en pacientes con NAC. Sin embargo, el ingreso a un entorno que no sea una UCI con posterior traslado a la UCI puede estar asociado con malos resultados y mayor mortalidad (11, 12). Por lo tanto, además de iniciar oportunamente los antibióticos apropiados y el soporte respiratorio, predecir la probabilidad de ingreso en la UCI es otra cuestión importante en el manejo de los pacientes con NAC. Los sistemas de puntuación de riesgo tradicionales, como el índice de gravedad de la neumonía (PSI) y el CURB-65 (confusión, uremia, aumento de la frecuencia respiratoria, hipotensión y edad de 65 años o más) se han utilizado ampliamente para facilitar la elección del sitio de atención adecuado y predecir el pronóstico de los pacientes con NAC (13, 14). Mientras tanto, los criterios de 2007 de la Sociedad de Enfermedades Infecciosas de Estados Unidos/Sociedad Torácica Estadounidense para definir la neumonía adquirida en la comunidad grave (criterios IDSA/ATS 2007) siguen siendo la herramienta más pragmática para predecir la admisión a la UCI en casos de NAC (15). Sin embargo, se informa que los valores predictivos de PSI y CURB-65 en pacientes con NAC y CTD fueron limitados (dieciséis). Lamentablemente, existen pocos estudios sobre la estratificación individualizada del riesgo de los mismos. Hasta donde sabemos, no existe hasta el momento un modelo de predicción específico para el ingreso en UCI de pacientes con NAC y ETC.
El aprendizaje automático, una rama de la inteligencia artificial, puede manejar una gran cantidad de datos de alta dimensión, analizar relaciones complejas e identificar predictores óptimos de resultados clínicos. En los últimos años, los modelos de predicción tanto para el diagnóstico médico como para la evaluación del pronóstico de diversas enfermedades se han beneficiado significativamente de diversos algoritmos de aprendizaje automático de vanguardia (17, 18). Son más flexibles y pueden tener poderes predictivos superiores a los modelos lineales tradicionales que utilizan variables con significación estadística en algunas enfermedades específicas según informes previos (19, 20). Además, la evidencia previa demostró que los algoritmos de aprendizaje automático tenían un buen desempeño al reconocer y predecir la necesidad de cuidados intensivos en la evaluación inicial de los pacientes (21). En este estudio, nuestro objetivo fue establecer un modelo basado en aprendizaje automático utilizando parámetros clínicos no invasivos y fácilmente disponibles para predecir la necesidad de ingreso en UCI durante la hospitalización en pacientes con NAC y ETC.
Métodos
Diseños de estudio
Se trató de un estudio observacional retrospectivo de un solo centro sobre pacientes con neumonía ingresados en el Hospital de China Occidental de la Universidad de Sichuan en China entre noviembre de 2008 y noviembre de 2021. El protocolo del estudio fue aprobado por el Comité de Ética de Investigación Biomédica del Hospital de China Occidental de la Universidad de Sichuan (n.º 2022 − 733) y se llevó a cabo de conformidad con la Declaración de Helsinki enmendada. Se eliminó el requisito del consentimiento informado por escrito de los pacientes debido al diseño retrospectivo. Toda la información personal de los pacientes ya había sido desidentificada durante el análisis.
Pacientes y datos
Los pacientes eran elegibles para la inclusión si se les había diagnosticado NAC y ETC durante el ingreso y la hospitalización. La NAC se definió como un nuevo infiltrado pulmonar en la radiografía de tórax o la tomografía computarizada (TC) y al menos uno de los siguientes síntomas de infección respiratoria aguda inferior: fiebre, tos productiva, expectoración purulenta, disnea, dolor torácico pleurítico, signos torácicos focales en la auscultación o recuentos anormales de glóbulos blancos periféricos (22). En el presente estudio, las enfermedades del tejido conectivo incluyeron polimiositis/dermatomiositis (PM/DM), artritis reumatoide (AR), síndrome de Sjögren (SS), esclerosis sistémica (SSc), lupus eritematoso sistémico (LES), síndrome antisintetasa (ASS), enfermedad indiferenciada del tejido conectivo (UCTD) y enfermedad mixta del tejido conectivo (MCTD). El diagnóstico de cada tipo de enfermedad del tejido conectivo se estableció en función de los criterios correspondientes de las guías clínicas relacionadas o estudios previos (23,24,25,26,27,28). Se excluyó del estudio a los pacientes que: (1) eran menores de 18 años; (2) estaban embarazadas; (3) tenían expedientes clínicos incompletos. Además, solo se consideró el primer ingreso si el paciente había tenido múltiples ingresos durante el período del estudio.
Se recogieron los datos clínicos demográficos, tipos de ETC, comorbilidades, signos vitales y resultados de laboratorio durante las primeras 24 h de hospitalización. El primer valor se utilizó para el análisis si se repetía algún dato. Los datos clínicos fueron revisados y recopilados por dos médicos experimentados utilizando un formulario de recopilación de datos estandarizado de forma independiente. Cualquier desacuerdo se resolvió mediante un tercer médico o una discusión en equipo hasta llegar a un consenso. El resultado primario fue la necesidad de ingreso en la UCI durante la hospitalización.
Selección de características y construcción de modelos
El diagrama de flujo de este estudio se muestra en la Figura. 1Los pacientes incluidos se dividieron aleatoriamente en dos grupos (70 % en el grupo de entrenamiento y 30 % en el grupo de prueba) mediante un muestreo aleatorio simple. El grupo de entrenamiento se utilizó para desarrollar los modelos y el grupo de prueba se utilizó para evaluar el rendimiento de los modelos.
Figura 1Diagrama de flujo del estudio. CAP: neumonía adquirida en la comunidad; CTD: enfermedad del tejido conectivo; Lasso: operador de selección y contracción mínima absoluta; LR: regresión logística; CART: árbol de clasificación y regresión; RF: bosque aleatorio; SVM: máquina de vectores de soporte; KNN: k-vecinos más cercanos; DT: árbol de decisión; GBM: máquina de refuerzo de gradiente; XGBoost: refuerzo de gradiente extremo; NB: bayes ingenuo; AUC: área bajo la curva característica operativa del receptor; DCA: análisis de la curva de decisión; SHAP: explicaciones aditivas de Shapley; LIME: explicaciones locales interpretables agnósticas del modelo
Imagen de tamaño completoLas variables de referencia se examinaron para identificar posibles predictores en el conjunto de entrenamiento a través de tres métodos independientes, incluido el análisis univariado, la regresión del operador de selección y contracción mínima absoluta (Lasso) y el algoritmo Boruta (29). El análisis univariado es un método clásico de selección basado en valores P. Las variables con valor P < 0,05 se consideraron como...
