Integrating Viral Burden, Immune Dysregulation, and Tissue Injury for Predicting 28-Day Mortality in Severe Fever With Thrombocytopenia Syndrome: Development and External Validation of Interpretable Models

Resumen Técnico: Integración de la Carga Viral, Disfunción Inmune y Lesión Tisular para la Predicción de la Mortalidad a 28 Días en el Síndrome de Fiebre con Trombocitopenia Grave

Planteamiento del Problema
El Síndrome de Fiebre con Trombocitopenia Grave (SFTS, por sus siglas en inglés), causado por el Bandavirus dabieense (DBV), es una enfermedad transmitida por garrapatas potencialmente mortal, con una tasa de letalidad que oscila entre el 5% y más del 40% en casos graves. Si bien la replicación viral es esencial para el inicio de la enfermedad, se entiende cada vez más que el deterioro clínico es el resultado de una compleja interacción entre la carga viral y respuestas inmunitarias del huésped desreguladas, incluyendo tormentas de citocinas, deplesión de células T y lesión tisular. Los modelos pronósticos existentes rara vez integran marcadores virológicos e inmunológicos del huésped dentro de un marco biológico unificado. En consecuencia, existe la necesidad de herramientas interpretables y biológicamente informadas que puedan estratificar el riesgo de mortalidad capturando estos procesos fisiopatológicos complementarios.

Metodología
Este estudio empleó un diseño de cohorte retrospectiva multicéntrica que involucró a 530 pacientes con diagnóstico confirmado de SFTS. La cohorte se dividió en un grupo de entrenamiento (372 pacientes del Hospital Yantai Qishan) y un grupo de validación externa independiente (158 pacientes del Hospital Popular No. 6 de Qingdao).

• Selección de Predictores: Se seleccionaron cinco predictores biológicamente relevantes basados en la relevancia clínica, la plausibilidad biológica y la evaluación de multicolinealidad (VIF):
  1. Carga Viral: Carga de ARN de DBV.
  2. Disfunción Inmune: Niveles de interleucina-10 (IL-10) y la relación de células T CD4/CD8.
  3. Inflamación Sistémica: Proteína C reactiva de alta sensibilidad (Hs-CRP).
  4. Lesión Tisular: Creatina quinasa (CK).
• Desarrollo del Modelo: Se desarrollaron dos estrategias de modelado utilizando el mismo conjunto de predictores:
  1. Regresión Logística: Un modelo lineal parsimonioso visualizado mediante un nomograma.
  2. XGBoost: Un modelo de potenciación de gradiente explicable. Los hiperparámetros se optimizaron utilizando un marco de validación cruzada anidada dentro de la cohorte de entrenamiento para evitar la fuga de datos (data leakage). El desequilibrio de clases (aproximadamente 23% de mortalidad) se abordó mediante scale_pos_weight.
• Evaluación: Los modelos se evaluaron según su discriminación (AUC), calibración (puntuación de Brier, intercepto/pendiente de calibración), error de predicción y utilidad clínica (Análisis de la Curva de Decisión). Se calcularon los valores SHAP para interpretar las contribuciones de las características en el modelo XGBoost.

Resultados Clave

• Características Clínicas: Los no supervivientes exhibieron niveles significativamente más altos de ARN de DBV, IL-10, Hs-CRP y CK, junto con recuentos de linfocitos y relaciones CD4/CD8 más bajos en comparación con los supervivientes. La cohorte de validación externa mostró diferencias basales distintas (por ejemplo, mayores cargas virales y marcadores de inflamación) en comparación con la cohorte de entrenamiento, probando la transportabilidad del modelo.
• Desempeño del Modelo:
  • Discriminación: En la cohorte de validación externa, el modelo XGBoost logró un AUC ligeramente superior (0.848; IC del 95%, 0.765–0.931) en comparación con el modelo de regresión logística (0.815; IC del 95%, 0.730–0.900).
  • Calibración: La regresión logística demostró una mayor estabilidad de calibración, con una puntuación de Brier inferior (0.116 frente a 0.154) y una pendiente de calibración más cercana a 1 (0.951 frente a 0.584) en comparación con XGBoost.
  • Importancia de las Características: El análisis SHAP y el nomograma identificaron al ARN de DBV y a la IL-10 como los principales impulsores del riesgo de mortalidad, seguidos por la CK, la relación CD4/CD8 y la Hs-CRP.
• Utilidad Clínica: Ambos modelos proporcionaron un beneficio neto sobre las estrategias de "tratar a todos" o "no tratar a nadie". Sin embargo, la regresión logística mostró un beneficio neto más consistente a través de un rango más amplio de umbrales de probabilidad clínicamente relevantes. En el punto de corte de Youden derivado del entrenamiento, el modelo logístico mostró una fuerte capacidad de exclusión (NPV ~90%) pero una capacidad de inclusión moderada (PPV ~52.6%).

Significancia y Reclamaciones
Los autores afirman que la integración de marcadores de carga viral, disfunción inmune, inflamación sistémica y lesión tisular permite una estratificación del riesgo de mortalidad reproducible a través de poblaciones heterogéneas de SFTS. El estudio respalda un marco biológicamente informado para la evaluación del riesgo clínicamente interpretable, demostrando que:

1. La Multidimensionalidad es Clave: Ningún biomarcador individual captura la complejidad de la letalidad del SFTS; es necesario un marco unificado que combine factores virales y del huésped.
2. Interpretabilidad frente a Flexibilidad: Aunque XGBoost ofreció una discriminación marginalmente mejor, la regresión logística proporcionó una calibración de probabilidad y una transparencia más estables, lo que los autores argumentan es crítico para la estimación del riesgo individualizado y la interpretación a pie de cama.
3. Transportabilidad: Los modelos mantuvieron el desempeño predictivo a pesar de las diferencias significativas en los perfiles basales de biomarcadores entre los centros de entrenamiento y validación, lo que sugiere que los predictores seleccionados capturan procesos biológicos fundamentales del SFTS fatal.

El artículo concluye que estos hallazgos respaldan el uso de tales modelos integrados para la estratificación temprana del riesgo con el fin de guiar un monitoreo más cercano y una reevaluación clínica, en lugar de actuar como disparadores automáticos de intervenciones invasivas. Los autores enfatizan que se requieren estudios prospectivos con perfiles inmunológicos longitudinales para validar aún más este enfoque y aclarar los mecanismos biológicos subyacentes.