Valor pronóstico de las imágenes de CT funcionales en dards covid: un estudio observacional prospectivo de dos centros

Resumen

Antecedentes

Los pacientes con SDRA tienen pulmones heterogéneos que los exponen al riesgo de exacerbación de lesiones pulmonares por ventilación mecánica. La imagen de TC de pulmón funcional ofrece una descripción completa del comportamiento mecánico pulmonar regional. Aquí, investigamos si los parámetros regionales de la función pulmonar regional basados ​​en el registro de CT están asociados con la supervivencia en pacientes con costos.

Métodos

Realizamos un estudio observacional prospectivo de dos centros de pacientes adultas de los países con una indicación de TC dentro de las 72 h de inicio. Las imágenes de CT de doble volumen se alinearon utilizando el registro de la imagen. Los parámetros funcionales pulmonares regionales, y sus distribuciones espaciales, fueron analizados por modelos de peligro proporcionales de Cox univariables con supervivencia como resultado principal. Las variables seleccionadas basadas en el análisis univariable se incluyeron en un modelo de COX gradual ajustado por edad, sexo, índice de masa corporal y sapsii.

Resultados

94 pacientes fueron incluidos en el estudio. El reclutamiento se asoció con un peligro de muerte más alto (HR = 1.45, P = 0.023) de muerte, mientras que el desplazamiento apical (SΔVZ) y central (SΔVX) de cambio de volumen específico Centre-of-Mass se asoció con un menor peligro de muerte (HR = 0.72, P = 0.041; HR = 0.68, P = 0.031, respectivamente).

Conclusiones

Nuestros datos muestran que, además del reclutamiento, la distribución espacial del cambio de volumen específico, una medida sustituta de la ventilación pulmonar regional, se asocia con el riesgo de muerte en pacientes con ARDS Covid-19 ventilados mecánicamente. Nuestros hallazgos sugieren que los biomarcadores funcionales basados ​​en el registro de imágenes de CT pueden tener un valor pronóstico en pacientes con costos.

Registro de prueba

Este estudio se registró retrospectivamente en ensayos clínicos bajo NCT06113276 (https://clinicaltrials.gov/study/nct06113276) el 27/10/2023.

Introducción

El síndrome de dificultad respiratoria aguda (ARDS) es un síndrome complejo y diverso que abarca una variedad de etiologías clínicas y microbiológicas, proteínas plasmáticas y biomarcadores genómicos, intercambio de gases y, lo que es más importante, anomalías mecánicas pulmonares (1). Una declaración reciente de ATS recomienda avanzar en los enfoques de ciencia de datos para facilitar las estrategias de medicina de precisión para los SDRA (2).

Las anormalidades mecánicas heterogéneas en los pulmones se observan consistentemente en todos los pacientes con SDRA (3). Si bien la ventilación mecánica sigue siendo la piedra angular de la terapia para casos de ARDS moderados a severos, conlleva el riesgo de exacerbar la lesión pulmonar al someter el tejido pulmonar mecánicamente no uniforme al estrés y la tensión excesivos ((4). El espectro completo del comportamiento mecánico pulmonar local en un pulmón heterogéneo es imposible de evaluar con la mecánica respiratoria estándar.

Los avances en el procesamiento de imágenes de tomografía computarizada (CT) permiten la evaluación de la función pulmonar regional basada en la coincidencia precisa de las imágenes de CT adquiridas en 2 niveles diferentes de inflación pulmonar (5). Dichos enfoques de registro de imagen nos permiten examinar las alteraciones en la densidad pulmonar dentro de los voxels de imagen parcialmente coincidentes a medida que ocurre la inflación (6), cuantificando el cambio de volumen regional y su distribución espacial. Las imágenes de CT funcionales también permiten la evaluación cuantitativa de las regiones pulmonares que son hiperinfladas, reclutadas de marea o completamente colapsadas. Sin embargo, el valor pronóstico potencial de las variables de imágenes funcionales, derivado del procesamiento de imágenes de CT de vanguardia en ARDS, permanece inexplorada.

Este estudio tiene como objetivo aprovechar el análisis de los parámetros funcionales pulmonares regionales, derivados de imágenes de CT de doble volumen, parámetros que abarcan como la tensión pulmonar regional, el cambio de densidad, la deformación, el reclutamiento, la hiperinflación y sus distribuciones espaciales. Presumimos que los parámetros cuantitativos de imágenes de TC morfológicas y funcionales pulmonares o su distribución espacial están asociados con el resultado clínico, en pacientes con asquerosos. Algunos de los datos de CT sin procesar de este estudio se han utilizado en estudios anteriores (7, 8).

Métodos

Diseño de estudio

Este estudio fue un análisis secundario de un estudio de observación prospectivo en curso multicéntrico realizado en dos unidades de cuidados intensivos (UCI) ubicados en hospitales universitarios. El estudio fue aprobado por un comité de ética institucional (CSE HCL20_194) y se registró en ensayos clínicos (NCT06113276). El consentimiento para la utilización de datos se buscó de los pacientes o sus representantes. Se proporcionan más detalles sobre los métodos en el Suplemento de datos en línea.

Población de estudio

97 pacientes elegibles mayores de 18 años con SDRA (9) Bajo ventilación mecánica invasiva, con una relación de presión parcial de oxígeno en la sangre arterial sobre la fracción de oxígeno inspirada (PAO2/FIO2) por debajo de 300 Torr, y una indicación para la TC de acuerdo con su médico asistente dentro de las 72 h de inicio de ARDS, se incrustaron desde noviembre de 2020 hasta diciembre de 2021. Los pacientes fueron seguidos durante 90 días después de la inclusión. PAO2 / FIO2 y cumplimiento respiratorio estático (CRS, definido como: VT / (PPLAT-PEEP); donde también se registraron VT: volumen de marea; PPLAT: Presión de meseta; PEEP: presión positiva de extracción final) para cada paciente.

CT Imágenes y procesamiento de imágenes

Las adquisiciones de CT de dosis bajas se realizaron en posición supina durante las pausas de inspiración final y de extracción final a 15 (P15) y 5 CMH2O (P5) desde el ápice hasta la base pulmonar. Los pulmones se segmentaron manualmente utilizando el software Creatools (10), excluyendo estructuras pleurales, hilares y mediastínicas (8). La distribución de las regiones no outamente Aeradas, definida respectivamente por valores de densidad de: -100–100, y -500 –99 Hu, se cuantificó dentro de las mitades apicales y caudales y los pulmones izquierdo y derecho de las imágenes P15 y se expresó como el porcentaje de volumen pulmonar total.

Para medir la deformación pulmonar regional con inflación pulmonar, se usó el algoritmo de muestreo de desplazamiento denso (escritura) para el registro no rígido de las imágenes P5 y P15 (11). Los resultados basados ​​en imágenes se calcularon en regiones de vóxel 4 × 4 × 4 para minimizar los posibles errores debido a la desalineación del vóxel. Las siguientes métricas se extrajeron de las imágenes registradas: cambio de atenuación pulmonar (ΔHU); cambio de volumen de gas (ΔVg); Determinante jacobiano (j; j> 1 o j <1, indica expansión o contracción local, respectivamente); Reclutamiento pulmonar regional (REC); e hiperinflación (hola). El cambio de volumen de gas regional específico (SΔV) se definió como ΔV normalizado al volumen de gas regional en p5. Para cada métrica, se calcularon descriptores de la distribución estadística (mediana, IQR, asimetría, curtosis) y espacial (distancia relativa del centro de masa desde el centro de la cuadrícula de imagen normalizada). Además, se calculó un mapa promedio para todos los pacientes tanto en los grupos de sobrevivientes como no supervivientes para cada métrica. Se proporciona una descripción detallada de todas las variables en tablas suplementarias. 1 Y 2.

Análisis estadístico

Las variables continuas no distribuidas normalmente se transformaron por la transformación de potencia de Yeo-Johson (12). Cada variable estaba centrada por su media y reescalada por su desviación estándar para normalizar el tamaño del efecto en todas las variables. No se imputaron datos faltantes. Las características del sujeto y las variables derivadas de la imagen se compararon entre los sobrevivientes y los no supervivientes utilizando las pruebas de Fisher y Kruskal-Wallis para variables discretas y continuas, respectivamente. La correlación fue evaluada por el coeficiente de correlación de Pearson. La asociación de variables y supervivencia de registro de imágenes se evaluó mediante análisis de riesgos proporcionales de Cox univariados. Las variables con un valor p ≤ 0.1 se ingresaron en un modelo de riesgos proporcionales de Cox, utilizando un factor de inflación de varianza ≤ 2 para detectar multicolinealidad. Se realizó una selección del modelo gradual basada en el Criterio de información de Akaike (AIC) para simplificar el modelo. El modelo final de Cox incluyó las variables de imagen seleccionadas junto con covariables clínicas como edad, sexo, índice máximo de cuerpo (IMC) y la puntuación de fisiología aguda simplificada (SAPSII) calculada sin contribución de edad. El flujo de trabajo previo al procesamiento y análisis se implementó utilizando R versión 4.3.2 (13), con dplyr, bestnormalize, supervivencia y paquetes de sobrevaluación. Un valor p <0.05 se consideró significativo.

Resultados

Cohorte de estudio

De 99 sujetos inicialmente inscritos, 5 sujetos fueron excluidos del análisis; Uno tenía datos clínicos faltantes, uno debido a un gran derrame pleural, 3 tenían pruebas negativas de reacción en cadena de polimerasa (PCR). 94 pacientes fueron incluidos en el análisis final. Las características de los sujetos se resumen en la tabla 1. Los no supervivientes tuvieron una puntuación SAPSII significativamente más alta y PAO2/FIO2 inferior. La configuración de ventilación mecánica, la prevalencia de ECMO, la edad, el IMC y el cumplimiento respiratorio no fueron significativamente diferentes entre los sobrevivientes y los no supervivientes.

Tabla 1 Características de la población estudiada incluida dentro de cada clústerMesa de tamaño completo

Distribución regional de densidad pulmonar

La distribución de la fracción de tejido no outamente acalorada dentro de las mitades apicales y caudales, y dentro del pulmón derecho e izquierdo se resumen en la tabla 2. Se observó una fracción significativamente mayor de regiones no aeradas en regiones caudales, independientemente del estado de supervivencia. La fracción no acumulada no fue significativamente diferente entre los pulmones derecho e izquierdo. No hubo diferencias significativas en la fracción de tejido no aercerada entre los sobrevivientes y los no supervivientes. Con respecto a la mala aireación, no hubo diferencias significativas entre las regiones apicales y caudales. Sin embargo, la fracción mal aireada fue significativamente mayor en los pulmones izquierdos tanto en los sobrevivientes como en los no supervivientes. Además, los pulmones izquierdos de los no supervivientes tenían una fracción significativamente mayor de mala aireación en comparación con los sobrevivientes (10.0 (6.5–12.8) vs. 7.8 (6.2–9.6), P = 0.044).

Tabla 2 Distribución de la fracción de tejido no outamente AERTADOMesa de tamaño completo

Variables funcionales pulmonares regionales asociadas con una mayor mortalidad

Mesa 3 Define las variables funcionales derivadas de la imagen incluidas en el modelo final de riesgos proporcionales de Cox, y resume …

(Tagstotranslate) Síndrome de angustia respiratoria aguda (T) SARS-CoV-2 (T) Tomografía computarizada (T) Registro de imágenes (T) Imágenes funcionales pulmonares (T) Sistema de neumología/respiratorio