Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

Technisches Resümee: Dynamische Trajektorien der Sepsis-induzierten Koagulopathie und maschinelles Lernen zur Früherkennung

Problemstellung

Die Sepsis-induzierte Koagulopathie (SIC) ist ein dynamischer Prozess, der Entzündungen, Endothelschäden und eine gestörte Fibrinolyse umfasst, jedoch derzeit mittels statischer Einzelzeitpunkt-Messungen (dem SIC-Score) bewertet wird. Dieser Ansatz erfasst die rasche Entwicklung der Koagulation und der Organdysfunktion während einer kritischen Erkrankung nicht ausreichend. Patienten mit ähnlichen Baseline-SIC-Scores können divergente klinische Verläufe nehmen – schnelle Besserung, persistierende Abnormalität oder graduelle Genesung –, die mit rein querschnittlichen Daten nicht unterscheidbar sind. Die Studie adressiert die Notwendigkeit, reproduzierbare longitudinale SIC-Score-Trajektorien zu identifizieren und deren prognostische Relevanz über heterogene Intensivstation-Populationen hinweg zu bestimmen.

Methodik

Diese multizentrische retrospektive Kohortenstudie nutzte vier verschiedene Intensivregister-Datenbanken:

• Entwicklungskohorte: MIMIC-IV (6.416 Patienten).
• Validierungskohorten: MIMIC-III CareVue (1.157 Patienten), eICU-CRD (2.077 Patienten) und NWICU (641 Patienten).

Datenverarbeitung und Modellierung:

1. Kohortenauswahl: Erwachsene (≥18 Jahre) mit einem Intensivaufenthalt von >24 Stunden, die die Sepsis-3-Kriterien erfüllten und mit SIC diagnostiziert wurden (SIC-Score ≥4 innerhalb von 24 Stunden nach der Sepsis-Diagnose). Die Patienten mussten mindestens drei berechenbare SIC-Scores innerhalb der ersten 7 Tage nach der Aufnahme auf die Intensivstation aufweisen.
2. Trajektorien-Modellierung: Es wurde eine gruppenbasierte Trajektorienmodellierung (GBTM) auf serielle SIC-Scores angewendet (berechnet in 6-Stunden-Intervallen) über die ersten 7 Tage. Quadratische Modelle mit 1–6 latenten Klassen wurden unter Verwendung des Bayesian Information Criterion (BIC), der Entropie, der durchschnittlichen posterioren Wahrscheinlichkeit (AvePP) und der Wahrscheinlichkeit korrekter Klassifizierung (OCC) evaluiert.
3. Statistische Analyse:
   • Überlebensanalyse: Die Assoziationen mit der 28-Tage-Gesamtmortalität wurden mittels multivariabler Cox-Proportional-Hazards-Modelle untersucht (adjustiert für Demografie, Komorbiditäten, Vitalparameter und Laborwerte).
   • Bias-Minimierung: Die Analysen beinhalteten multiple Imputation für fehlende Daten, kalibrierte Inverse Probability of Treatment Weighting (IPTW) zum Ausgleich von Kovariaten sowie eine Day-7-Landmark-Analyse (Beschränkung der Analyse auf Patienten, die am 7. Tag noch am Leben waren), um den Immortal-Time-Bias zu adressieren.
   • Subgruppenanalyse: Interaktionsterme wurden über Strata hinweg getestet (z. B. Alter, SOFA-Score, Komorbiditäten) unter Anwendung der False-Discovery-Rate (FDR)-Korrektur.
4. Maschinelles Lernen (ML) zur Vorhersage: Eine verschachtelte ML-Pipeline wurde entwickelt, um das Phänotyp-Muster der „persistierend hohen“ (Persistently High) Trajektorie unter Verwendung von Baseline-Variablen zu prädizieren, die innerhalb der ersten 24 Stunden verfügbar sind.
   • Merkmalsauswahl (Feature Selection): Boruta- und LASSO-Methoden wurden innerhalb eines 10-fachen verschachtelten Cross-Validation-Frameworks eingesetzt.
   • Algorithmen: Elastic Net, Random Forest, XGBoost, SVM und k-Nearest Neighbors wurden verglichen.
   • Validierung: Das finale Modell (XGBoost) wurde einer temporalen Validierung (MIMIC-IV 2020–2022) und einer externen Validierung (MIMIC-III, eICU, NWICU) unterzogen. Die Leistung wurde mittels AUROC, AUPRC, Kalibrierungskurven, Decision-Curve-Analyse und SHAP (Shapley Additive exPlanations) bewertet.

Kernergebnisse

1. Identifizierung von drei Trajektorien:
GBTM identifizierte drei distinkte, reproduzierbare SIC-Score-Trajektorien über alle vier Datenbanken hinweg:

• Niedrig-rascher Rückgang (Low-Rapid Decline) (19,25 %): Begann mit einem Median-SIC von 4,0, sank rasch ab und stabilisierte sich.
• Persistierend hoch (Persistently High) (32,00 %): Begann mit einem Median-SIC von 6,0, blieb erhöht und zeigte minimale Verbesserungen.
• Moderater Rückgang (Moderate-Decline) (48,75 %): Begann bei einem Median-SIC von 5,0 und sank graduell ab.
  Das Drei-Klassen-Modell zeigte eine hohe Klassifikationsqualität (Entropie = 0,947; AvePP > 0,97).

2. Prognostische Assoziationen:

• Mortalitätsrisiko: Die „persistierend hohe“ Trajektorie war konsistent mit dem höchsten 28-Tage-Mortalitätsrisiko über alle Kohorten hinweg assoziiert. In voll adjustierten Modellen lag die Hazard Ratio (HR) für Klasse 2 gegenüber Klasse 1 zwischen 2,45 (eICU) und 3,93 (NWICU).
• Robustheit: Diese Assoziationen blieben nach IPTW-Kalibrierung und in der Day-7-Landmark-Analyse signifikant (z. B. HR 3,09 in MIMIC-IV für Klasse 2).
• Inkrementeller Wert: Das Hinzufügen der Trajektorienklasse zum Baseline-SOFA-Score verbesserte die Diskriminierung für die 28-Tage-Mortalität moderat (z. B. ΔAUC = 0,028 in MIMIC-IV), während das Hinzufügen eines einzelnen Baseline-SIC-Scores kaum eine Verbesserung bewirkte.

3. Leistung des maschinellen Lernens:

• Prädiktoren: Das XGBoost-Modell identifizierte 10 Baseline-Variablen, wobei der Baseline-SOFA-Score und die Thrombozyten-Komponente des SIC die einflussreichsten Prädiktoren waren.
• Diskriminierung: Das Modell erreichte AUROCs zwischen 0,830 und 0,862 in den temporalen und externen Validierungskohorten.
• Kalibrierung & Nutzen: Das Modell zeigte eine akzeptable Kalibrierung (Brier-Scores 0,141–0,154) und einen positiven Nettonutzen in der Decision-Curve-Analyse über klinisch relevante Schwellenwerte hinweg. Die SHAP-Analyse bestätigte konsistente Rankings der Merkmalswichtigkeit über die Kohorten hinweg.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass longitudinale SIC-Messungen während der ersten Woche der Intensivaufnahme reproduzierbare prognostische Subphänotypen offenbaren, die statische Beurteilungen nicht erfassen. Speziell gilt:

• Prognostische Subphänotypen: Die „persistierend hohe“ Trajektorie identifiziert eine distinkte Gruppe von Patienten mit anhaltendem Exzess-Mortalitätsrisiko, während der „Niedrig-rasche Rückgang“ einen günstigen Verlauf markiert.
• Temporale Dimension: Die Trajektorien-Information fügt den Standard-Schweregrad-Beurteilungen (SOFA) eine moderate, aber bedeutsame temporale Dimension hinzu, indem sie zwischen Patienten unterschieden wird, deren Koagulationsstörung abklingt, und solchen mit persistierenden Abnormalitäten.
• Früherkennung: Die Studie zeigt, dass der „Persistierend hohe“ Phänotyp früh (innerhalb von 24 Stunden) unter Verwendung routinemäßig verfügbarer klinischer Daten mittels maschinellen Lernens vorhergesagt werden kann, mit hoher Generalisierbarkeit über verschiedene Institutionen und Zeiträume hinweg.

Einschränkungen und Vorsichtsmaßnahmen:
Die Autoren betonen explizit, dass es sich hierbei um Beobachtungsbefunde handelt, die keine Kausalität begründen oder spezifische Behandlungsprotokolle definieren. Die Studie beansprucht nicht, dass trajektorien-informierte Interventionen die Ergebnisse verbessern; vielmehr schlägt sie diese Trajektorien als Zielobjekte für zukünftige prospektive Validierungen vor. Die Autoren weisen darauf hin, dass das retrospektive Design Raum für Residual-Confounding lässt und dass die Einschlusskriterien (die mehrere SIC-Scores erfordern) einen Selektionsbias zugunsten längerer Intensivaufenthalte einführen können. Die Ergebnisse bedürfen einer prospektiven Validierung vor einer klinischen Implementierung.