Early Physiological Trajectory-Based Phenotyping in Surgical Intensive Care Unit Patients: A Gaussian Mixture Modeling Approach Integrating Temperature, Central Venous Pressure, Fluid Balance, and Glycemic Dynamics

Resumen Técnico: Fenotipado Temprano Basado en la Trayectoria Fisiológica en Pacientes de la UCI Quirúrgica

Planteamiento del Problema
La toma de decisiones clínicas actual en las Unidades de Cuidados Intensivos (UCI) quirúrgicas depende en gran medida de puntuaciones de gravedad estáticas y transversales (p. ej., APACHE II) y de mediciones de signos vitales en un momento único. Estas herramientas no logran capturar la evolución temporal dinámica de la fisiología del paciente, la cual puede albergar información pronóstica crítica. Aunque se dispone de abundantes datos de monitorización de alta frecuencia, estos siguen infrautilizados para la identificación de patrones fisiológicos latentes que podrían permitir el reconocimiento temprano del deterioro o de distintos subgrupos de pacientes. El desafío radica en extraer patrones longitudinales clínicamente interpretables a partir de señales fisiológicas ruidosas, de alta dimensión y multidimensionales en el entorno agudo.

Metodología
Este estudio de cohorte retrospectivo analizó a 3.493 pacientes adultos ingresados en una única UCI quirúrgica de cuidados terciarios entre 2016 y 2020. El estudio empleó un flujo de trabajo de aprendizaje automático no supervisado para identificar fenotipos de trayectoria fisiológica durante las primeras 72 horas de ingreso.

1. Extracción y Preprocesamiento de Datos: Se extrajeron cuatro dimensiones fisiológicas clave a resolución horaria: Temperatura Corporal (TEMP), Presión Venosa Central (CVP), Balance de Líquidos Neto (FB) y Glucosa en Sangre (GLU). Los datos horarios faltantes se imputaron mediante interpolación lineal, llenado hacia adelante (forward-fill) y llenado hacia atrás (backward-fill), lo que resultó en un vector de características de 288 dimensiones (72 horas × 4 variables) por paciente.
2. Reducción de Dimensionalidad: Se aplicó el Análisis de Componentes Principales (PCA) para reducir el espacio de características de 288 dimensiones. El número de componentes se mantuvo basándose en un umbral de varianza acumulada del 80%, capturando los modos dominantes de variación fisiológica mientras se reducía el ruido.
3. Agrupamiento (Modelado de Mezclas Gaussianas - GMM): Se ajustó un Modelo de Mezclas Gaussianas (GMM) con matrices de covarianza completas a los datos transformados por PCA. El número óptimo de grupos ($K$) se determinó mediante el Criterio de Información Bayesiano (BIC) en modelos con $K=1$ a $K=10$. Se utilizó el algoritmo de Esperanza-Maximización (EM) para la estimación de parámetros, inicializado con centroides de k-means++.
4. Análisis Estadístico: Los grupos de trayectoria se caracterizaron por sus perfiles longitudinales medios y covariables clínicas (edad, sexo, puntuaciones APACHE II, estancia hospitalaria [LOS], mortalidad). Las diferencias en las puntuaciones APACHE II se evaluaron mediante pruebas de Kruskal-Wallis con comparaciones post-hoc de Dunn. Las asociaciones de mortalidad se evaluaron mediante pruebas exactas de Fisher y regresión logística, aplicando precaución debido a la baja tasa de eventos general (0,57%).

Contribuciones Clave

• Identificación de Fenotipos: El estudio identificó con éxito cinco fenotipos distintos de trayectoria fisiológica (G1–G5) utilizando únicamente datos de monitorización rutinaria a pie de cama, sin conocimiento previo de los resultados clínicos o las puntuaciones de gravedad.
• Validación frente a Puntuaciones de Gravedad: El algoritmo de agrupamiento, operando únicamente con datos de series temporales, produjo agrupaciones que se alinean fuertemente con la puntuación de gravedad APACHE II (Kruskal-Wallis $H=231,30, p < 0,0001$), validando la relevancia clínica de los fenotipos derivados de los datos.
• Descubrimiento del Fenotipo de "Alto Riesgo Compensado" (G4): Un subgrupo específico (G4, 14,0% de la cohorte) se caracterizó por una edad avanzada, las segundas puntuaciones más altas de APACHE II, una estancia hospitalaria prolongada y una hiperglucemia por estrés persistente, pero presentó cero mortalidad. Este grupo demostró una "fisiología compensada" con un balance de líquidos cercano a cero y una CVP en el límite superior de la normalidad, destacando una población que requiere un uso intensivo de recursos que las puntuaciones estáticas podrían no señalar como de alto riesgo de muerte, pero que requieren una duración de cuidados significativa.
• Diferenciación del Uso de Recursos: El estudio demostró que los fenotipos de trayectoria se diferencian fuertemente por el uso de recursos (LOS), siendo el Grupo G2 (Severo-Prolongado) el que presenta una mediana de estancia de 14,0 días, frente a los 1,2 días del Grupo G5 (Acuidad Baja-Transitoria).

Resultados

• Características de los Clústeres:
  • G1 (Moderado-Estable): El grupo más grande (45,6%), trayectorias estables, gravedad moderada.
  • G2 (Severo-Prolongado): Mayor APACHE II (22,3), mayor estancia (14,0 días) y mayor tasa de mortalidad (1,48%).
  • G3 (Estancia Corta-Leve): Normalización rápida, estancia corta (1,5 días).
  • G4 (Alto Riesgo Compensado): Pacientes de mayor edad (media de 61,1 años), APACHE II elevado (18,7), estancia prolongada (6,2 días), hiperglucemia persistente, pero con cero muertes.
  • G5 (Acuidad Baja-Transitoria): Estancia más corta (1,2 días), menor gravedad.
• Correlación de Gravedad: Las puntuaciones APACHE II difirieron significamente entre todos los grupos, observándose los contrastes más fuertes entre G2 vs. G3 y G3 vs. G4.
• Análisis de Mortalidad: La mortalidad general no difirió significativamente entre los grupos ($p=0,078$) debido a la baja tasa de eventos (20 muertes en total). Sin embargo, se observó una tendencia limítrofe que sugiere una mayor mortalidad en G2 en comparación con G1 (OR 2,64, $p=0,081$). La ausencia de muertes en G4 sugiere que la mortalidad por sí sola puede no ser la métrica óptima para definir el riesgo en esta población específica de la UCI quirúrgica; el consumo de recursos y la inestabilidad fisiológica son más discriminativos.

Significancia y Reivindicaciones
El artículo sostiene que el fenotipado de trayectorias basado en GMM ofrece una dimensión complementaria a las puntuaciones de gravedad estáticas al aprovechar la dinámica temporal de los datos fisiológicos. La significancia principal reside en la capacidad de identificar subgrupos de pacientes latentes con perfiles de gravedad y patrones de utilización de recursos distintos que no son inmediatamente evidentes mediante evaluaciones de un solo punto en el tiempo.

Específicamente, la identificación del fenotipo G4 desafía la dependencia de la mortalidad como único punto final para la estratificación del riesgo. Los autores postulan que el G4 representa una "población de uso intensivo de recursos" caracterizada por una fisiología compensada y desregulación metabólica (hiperglucemia) que requiere una vigilancia intensificada, incluso en ausencia de mortalidad observada. El estudio concluye que, si bien la baja tasa de mortalidad limita el modelado pronóstico definitivo de la muerte, el análisis de la trayectoria fisiológica a nivel horario proporciona un marco robusto para la estratificación temprana del riesgo y la comprensión de la heterogeneidad de los pacientes de la UCI quirúrgica. Los autores enfatizan que es necesaria la validación externa en cohortes con mayor mortalidad antes de su implementación clínica.