A stochastic, physiology-based digital twin model of hemostasis and oxygenation in trauma resuscitation

Resumen Técnico: Un modelo de gemelo digital estocástico y basado en la fisiología de la hemostasia y la oxigenación en la reanimación por trauma

Planteamiento del problema
El choque hemorrágico representa una proporción significativa de la mortalidad global y relacionada con el trauma. Si bien las guías de Soporte Vital Avanzado en el Trauma (ATLS, por sus siglas en inglés) han evolucionado para favorecer la reanimación con productos sanguíneos sobre los cristaloides ante una hemorragia masiva, persisten interrogantes críticos respecto al volumen prehospitalario óptimo, la elección entre sangre total (WB) y la terapia de componentes convencional (CCT), y el momento de la transfusión. Los ensayos clínicos enfrentan barreras éticas, financieras y logísticas, particularmente debido a la heterogeneidad de los pacientes y la dificultad de capturar la dinámica fisiológica en tiempo real, como la oxigenación tisular y la deuda de oxígeno. Los modelos computacionales existentes de hemorragia son mayoritariamente deterministas, simulando trayectorias únicas que no logran capturar la heterogeneidad clínica de los pacientes con trauma o la variabilidad en la composición de los productos sanguíneos.

Metodología
Los autores desarrollaron un modelo in silico unificado, estocástico y multicompartimental que integra la hemodinámica cardiovascular, los compartimentos de fluidos corporales, el intercambio de solutos capilares, la hemostasia y la oxigenación tisular/alveolar.

• Arquitectura del modelo: El modelo se basa en marcos deterministas previos, pero introduce variabilidad estocástica para reflejar la heterogeneidad clínica. Consta de cinco módulos interconectados:

  1. Hemodinámica Cardiovascular: Modela el corazón (cuatro cámaras complacientes con válvulas resistivas), la aorta y siete lechos vasculares. Incorpora la frecuencia cardíaca (FC) variable en el tiempo y la elastancia de las cámaras, lo que permite bucles de presión-volumen dinámicos y el reclutamiento venoso mediado por el barorreflejo.
  2. Compartimentos de Fluidos: Rastrea el agua corporal total, el fluido intracelular, el volumen plasmático (PV) y el fluido intersticial (ISF). Utiliza el principio de Starling para modelar el intercambio de fluidos transcapilares, considerando gradientes oncóticos e hidrostáticos, el flujo linfático y el metabolismo de la dextrose infundida.
  3. Hemostasia: Simula las tasas de sangrado basadas en la presión arterial sistólica (PAS) y la clase ATLS. Incluye parámetros para "sangrados ocultos" (hemorragia incontrolable) y "coagulopatía consumptiva" (Coagulopatía Inducida por el Trauma, TIC), donde subgrupos específicos de pacientes exhiben un mayor consumo de plasma, fibrinógeno y plaquetas.
  4. Oxigenación Tisular y Alveolar: Un módulo expandido rastrea la difusión de oxígeno desde los alvéolos hacia los capilares pulmonares y, posteriormente, hacia los capilares tisulares. Calcula dinámicamente la entrega de oxígeno ($DO_2$) y el consumo de oxígeno ($VO_2$). Cuando la $DO_2$ cae por debajo de un umbral crítico, el modelo simula la acumulación de deuda de oxígeno y el consecuente aumento de lactato.
  5. Reanimación y Terapia Dirigida por Objetivos (GDT): Simula diversos protocolos, incluyendo la infusión de cristaloides, CCT (relación 6:6:1 RBC:Plasma:Plaquetas) y Sangre Total de Grupo O de Bajo Título Conservada en Frío (LTOWB). Un módulo de GDT permite la toma de decisiones de transfusión en tiempo real basadas en valores de laboratorio simulados (Hgb, INR, Fibrinógeno, Plaquetas) y signos vitales.

• Implementación Estocástica: Las características del paciente (edad, sexo, peso, altura, valores hematológicos basales) y los parámetros de la lesión (tasa de sangrado, clase ATLS, estado de sangrado oculto) se aleatorizan basándose en datos del censo de EE. UU. y distribuciones de registros de trauma. La composición de los productos sanguíneos también se aleatoriza para reflejar las variaciones de los donantes y de la fabricación.

• Escenarios de Simulación: El modelo se utilizó para realizar ensayos in silico comparando LTOWB frente a CCT en cohortes de ATLS Clase III (>30–40% de pérdida de sangre) y Clase IV (>40% de pérdida de sangre). Además, el modelo emuló el diseño del ensayo Prehospital Air Medical Plasma (PAMPer) para validar su capacidad de replicar los resultados de ensayos clínicos.

Contribuciones Clave

• Integración de la Estocasticidad: A diferencia de los modelos deterministas previos, esta plataforma captura la variabilidad interpaciente en la fisiología, la gravedad de la lesión y la composición de los productos sanguíneos, proporcionando una simulación de alta resolución de la fisiología del trauma.
• Seguimiento Mecanicista de la Oxigenación: El modelo integra de manera única el intercambio gaseoso alveolar con la oxigenación tisular, permitiendo el cálculo de la deuda de oxígeno y la acumulación de lactato en tiempo real, variables que a menudo son difíciles de medir continuamente en entornos clínicos.
• Doble Funcionalidad: La plataforma sirve tanto como un "gemelo digital" para estrategias de transfusión de precisión a nivel de paciente como un "gemelo operativo" para que los bancos de sangre прогноз (prevean) la demanda y optimicen los protocolos de transfusión masiva (MTP).
• Ensayos Clínicos Virtuales: El estudio demuestra la capacidad del modelo para emular diseños de ensayos clínicos complejos (ej. PAMPer), permitiendo probar hipótesis bajo condiciones controladas en poblaciones heterogéneas.

Resultados

• LTOWB vs. CCT en Hemorragia de Clase III: En una cohorte de 100 pacientes simulados de Clase III, la LTOWB redujo el tiempo pasado en intervalos sub-hemostáticos críticos (definidos como Plaquetas <50×10⁹/L, INR ≥2, Hgb <8 g/dL, Fibrinógeno <150 mg/dL) en comparación con CCT (90.59 vs. 147.62 minutos; p=0.04). No hubo una diferencia significativa en la supervivencia libre de eventos (88% vs. 87%).
• LTOWB vs. CCT en Hemorragia de Clase IV: En una cohorte de 100 pacientes simulados de Clase IV, la LTOWB produjo una mayor supervivencia libre de eventos prevista (74%) en comparación con CCT (69%; p < 0.01). La LTOWB también redujo significativamente el tiempo acumulado pasado en intervalos sub-hemostáticos críticos.
• Endpoints Fisiológicos: Aunque los valores de laboratorio al final de la simulación (PAS, Hgb, INR, etc.) fueron comparables entre los grupos, la dinámica temporal de la recuperación difirió, con los pacientes de LTOWB pasando menos tiempo en estados fisiológicos críticos.
• Emulación de PAMPer: El modelo reprodujo con éxito la separación de la curva de supervivencia temprana observada en el ensayo PAMPer del mundo real (Hazard Ratio: 0.64; p=0.01) al simular la administración de plasma prehospitalario, validando su utilidad como un gemelo digital basado en la fisiología.
• Terapia Dirigida por Objetivos (GDT): El módulo GDT demostró una supervivencia y métricas de tiempo en intervalos críticos comparables a los protocolos estándar, al tiempo que redujo la utilización total de productos sanguíneos.

Significancia y Reivindicaciones
Los autores afirman que este modelo estocástico basado en la fisiología proporciona un marco robusto para explorar estrategias de reanimación que son difíciles de estudiar en ensayos clínicos prospectivos debido a restricciones éticas o logísticas. Al codificar las restricciones biológicas y las relaciones causales, el modelo ofrece una base para integrar la IA en sistemas de gemelos digitales limitados por la fisiología. El artículo postula que esta plataforma puede:

1. Permitir estrategias de transfusión de precisión adaptadas a la fisiología individual del paciente.
2. Apoyar a los bancos de sangre en la previsión de la demanda y la optimización del contenido de los MTP.
3. Facilitar el diseño de futuros ensayos clínicos mediante el refinamiento de los criterios de inclusión y la estimación de los tamaños de muestra para endpoints difíciles de capturar.
4. Proporcionar información mecanicista sobre los impulsores de los efectos clínicos observados, como los beneficios de la sangre total sobre la terapia de componentes.

Los autores reconocen las limitaciones, incluyendo la dependencia de parámetros extrapolados para ciertas tasas fisiológicas (ej. consumo de fibrinógeno), la exclusión de mecanismos de choque no hemorrágicos y la suposición de mecanismos de lesión uniformes. Sin embargo, sostienen que el modelo representa un paso significativo hacia la próxima generación de gemelos digitales para la investigación del trauma y la planificación a nivel de sistema.