A Method for Characterizing Disease Progression from Acute Kidney Injury to Chronic Kidney Disease

Resumen Técnico: Método para Caracterizar la Progresión de la Lesión Renal Aguda a la Enfermedad Renal Crónica

1. Problema

Los pacientes que sufren una Lesión Renal Aguda (LRA o AKI, por sus siglas en inglés) tienen un alto riesgo de desarrollar Enfermedad Renal Crónica (ERC o CKD). Sin embargo, identificar a los subgrupos de pacientes con mayor riesgo sigue siendo un desafío clínico.

• Limitaciones de estudios previos: La mayoría de las investigaciones actuales dependen de características estáticas y de un solo punto en el tiempo (como demografía y comorbilidades), lo que falla al capturar factores dinámicos y variables en el tiempo que influyen en los resultados de la LRA.
• Necesidad: Se requiere un enfoque que utilice datos longitudinales de registros electrónicos de salud (EHR) para rastrear la evolución clínica dinámica de los pacientes y modelar la transición desde un estado agudo a uno crónico.

2. Metodología

El estudio empleó un enfoque impulsado por datos utilizando la base de datos de registros electrónicos de salud (EHR) del NewYork-Presbyterian/Columbia University Irving Medical Center (NYP/CUIMC), abarcando más de 7 millones de pacientes desde 1985 hasta 2023.

A. Construcción de la Cohorte:

• Se identificaron 20,699 pacientes con un primer episodio de LRA documentado durante una hospitalización (dentro de las primeras 48 horas).
• Se excluyeron pacientes con ERC preexistente o concurrente.
• La LRA se definió mediante un aumento del 50% o más en la creatinina sérica respecto a la línea base.

B. Representación del Paciente (Embeddings):
Para cada paciente, se construyó una secuencia de vectores temporales que representan su estado clínico acumulado desde el evento de LRA. Cada vector se formó concatenando dos tipos de incrustaciones (embeddings):

1. Incrustaciones de secuencia de códigos médicos: Capturan la exposición acumulada a condiciones, medicamentos y procedimientos utilizando modelos Paragraph Vector entrenados en EHRs.
2. Incrustaciones temporales de creatinina: Capturan la trayectoria fisiológica específica del riñón. Se utilizó un marco basado en Transformers (pre-entrenado con aprendizaje de lenguaje enmascarado y ajustado finamente para la clasificación de ERC) para generar representaciones de la serie temporal de creatinina y edad.

C. Identificación de Estados Clínicos:

• Se aplicó el algoritmo de agrupamiento KMeans++ sobre todos los vectores de pacientes para identificar patrones distintos de progresión de la enfermedad.
• Se seleccionó un óptimo de 15 estados clínicos distintos (validados mediante el método del codo y revisión por un nefrólogo certificado).
• Cada estado se caracterizó por la prevalencia de condiciones médicas (agrupadas por sistemas de órganos) y características demográficas.

D. Modelado de Transiciones y Análisis de Supervivencia:

• Modelo de Estados Múltiples: Se utilizó un modelo de Markov no homogéneo en el tiempo para estimar las probabilidades de transición entre los 15 estados clínicos y hacia los estados terminales (desarrollo de ERC o muerte por todas las causas). Se empleó el estimador de Aalen-Johansen.
• Análisis de Riesgo: Se utilizaron modelos de riesgos proporcionales de Cox ponderados (para manejar violaciones de la proporcionalidad) para identificar factores de riesgo específicos para el desarrollo de ERC dentro de diferentes subpoblaciones de LRA (definidas por su estado inicial o sus primeras transiciones).

3. Contribuciones Clave

1. Enfoque Dinámico y Escalable: Presenta un método novedoso que integra secuencias temporales de códigos médicos con biomarcadores específicos (creatinina) para modelar la progresión de una condición aguda a una crónica, superando las limitaciones de los enfoques estáticos.
2. Descubrimiento de Fenotipos: Identifica 15 estados clínicos post-LRA distintos, cada uno con perfiles de riesgo de ERC diferentes, permitiendo una estratificación más granular que las clasificaciones tradicionales.
3. Factores de Riesgo Contextuales: Demuestra que los factores de riesgo para la ERC no son universales, sino que varían significativamente según el estado clínico en el que se encuentra el paciente (ej. lo que es un factor de riesgo en un estado puede ser protector en otro).
4. Marco Replicable: Proporciona una metodología que puede adaptarse a otras condiciones que implican transiciones de agudo a crónico (ej. daño hepático agudo a cirrosis).

4. Resultados

• Cohorte: De 20,699 pacientes con LRA, el 17% (3,491 pacientes) desarrolló ERC.
• Estados Clínicos: Se identificaron 15 estados distintos. La mayoría de los pacientes (75%) permanecieron en un solo estado o realizaron solo una transición durante el periodo de estudio.
• Probabilidades de Transición:
  • El estado S3 mostró la probabilidad más alta de progresión a ERC (42.3% a los 10 años).
  • La probabilidad de desarrollar ERC varía drásticamente entre estados; por ejemplo, el estado S0 tiene una probabilidad del 40.5% a los 10 años, mientras que otros estados tienen riesgos menores.
• Factores de Riesgo Identificados:
  • Factores Establecidos: La gravedad de la LRA, diabetes, hipertensión, insuficiencia cardíaca y enfermedad hepática se confirmaron como factores de riesgo, pero su impacto dependía del estado clínico.
  • Hallazgos Novedosos y Específicos por Estado:
    • En el estado S0: La sepsis al ingreso pareció ser un factor protector; niveles altos de potasio aumentaron el riesgo, mientras que niveles altos de sodio fueron protectores.
    • En el estado S4: Pacientes más jóvenes con niveles altos de hemoglobina y albúmina tuvieron mayor riesgo (contrario a la literatura tradicional). La enfermedad hepática y niveles bajos de magnesio aumentaron el riesgo.
    • En el estado S5: El uso de AINEs y la presión arterial sistólica alta fueron factores de riesgo.
    • Transiciones: Para pacientes que transicionaron de S0 a S12, el uso de AINEs y la temperatura corporal alta se asociaron con un mayor riesgo de ERC.

5. Significado e Impacto

• Herramientas de Soporte a la Decisión: Este estudio sienta las bases para el desarrollo de herramientas de soporte a la decisión clínica integradas en los EHR. Estas herramientas podrían identificar dinámicamente a pacientes de alto riesgo para derivaciones tempranas a nefrología y monitoreo ambulatorio.
• Medicina de Precisión: Al demostrar que el riesgo de ERC es dependiente del estado clínico, el estudio apoya la gestión personalizada de pacientes post-LRA en lugar de aplicar estrategias de prevención uniformes.
• Validación de Datos del Mundo Real: Confirma que los datos longitudinales de EHR, combinados con técnicas avanzadas de aprendizaje automático (NLP, Transformers, modelos de estados múltiples), pueden extraer conocimientos clínicos significativos y replicar hallazgos conocidos mientras descubren nuevos fenotipos de enfermedad.
• Limitaciones: El estudio se basa en un solo centro terciario, no incorpora métricas de orina (debido a la disponibilidad limitada) y depende de datos estructurados, sin utilizar notas clínicas no estructuradas.

En conclusión, el artículo propone un marco robusto y basado en datos para caracterizar la trayectoria de la enfermedad renal, transformando la comprensión de cómo la LRA evoluciona hacia la ERC y ofreciendo una vía para la intervención temprana y personalizada.