A prognostic model and simplified risk score for predicting poor treatment response in children aged 2–59 months hospitalized with severe community-acquired pneumonia: Development and validation study in Hakim Gizaw Hospital, Ethiopia

Resumen Técnico: Modelo Pronóstico y Puntuación de Riesgo Simplificada para Neumonía Grave en Niños Etíopes

Planteamiento del Problema
La neumonía sigue siendo una de las principales causas de mortalidad entre los niños, particularmente en países de ingresos bajos y medios. Si bien la neumonía grave es una preocupación clínica importante, es clínicamente heterogénea; los niños que cumplen con los mismos criterios diagnósticos a menudo enfrentan riesgos muy diferentes de fracaso terapéutico. Las herramientas de predicción de neumonía pediátrica existentes (por ejemplo, RISC, RISC-Malawi) han demostrado un desempeño variable cuando se aplican fuera de sus entornos de derivación debido a diferencias en la mezcla de casos, la prevalencia de los resultados y el manejo clínico. Existe una necesidad crítica de modelos pronósticos localmente relevantes y validados internamente que puedan identificar a los niños con alto riesgo de una mala respuesta al tratamiento de forma temprana durante su hospitalización, facilitando así un monitoreo priorizado y cuidados de apoyo.

Metodología
Este estudio realizó un desarrollo de modelo pronóstico y un análisis de validación interna utilizando datos de 630 niños (de 2 a 59 meses de edad) hospitalizados con neumonía grave adquirida en la comunidad en el Hospital de Enseñanza Hakim Gizaw en Etiopía.

• Definición del Resultado: El resultado primario fue la "mala respuesta al tratamiento" dentro de las 72 horas posteriores al ingreso, operacionalizada como un compuesto de: hospitalización prolongada (>72 horas), muerte durante la hospitalización y/o cambio de antibióticos después de las 72 horas.
• Predictores: Los posibles predictores se restringieron a variables disponibles al momento del ingreso o de la evaluación clínica inicial para asegurar la utilidad pronóstica. Estos incluyeron demografía, estado de vacunación, signos vitales, saturación de oxígeno, mediciones de laboratorio y regímenes antibióticos iniciales.
• Manejo de Datos: Cuatro variables de laboratorio (WBC, neutrófilos, linfocitos, hemoglobina) presentaron una ausencia sustancial de datos (aproximadamente 18%). El estudio empleó la imputación múltiple por ecuaciones encadenadas (MICE) con emparejamiento de media predictiva para generar cinco conjuntos de datos imputados, preservando la información que se perdería en un análisis de casos completos.
• Desarrollo del Modelo:
  • Cribado: Los análisis univariables exploratorios cribaron los candidatos (umbral de p < 0.25).
  • Selección: Se compararon modelos de regresión logística multivariable utilizando el Criterio de Información de Akaike (AIC). El modelo final retuvo 16 parámetros de predicción.
  • Validación: La validación interna se realizó mediante 1000 remuestreos de bootstrap para estimar y corregir el optimismo (sobreajuste).
• Métricas de Desempeño:
  • Discriminación: Evaluada mediante el Área Bajo la Curva de Característica Operativa del Receptor (AUC) y Somers' Dxy.
  • Calibración: Evaluada mediante gráficos de calibración, intercepto, pendiente, error absoluto máximo (Emax) y puntuación de Brier.
  • Puntuación Simplificada: Se derivó del modelo completo una puntuación de riesgo entera de 11 componentes para facilitar su uso a la cabecera del paciente.
  • Utilidad Clínica: Se realizó un análisis de curva de decisión (DCA) para evaluar el beneficio neto de la puntuación a través de varias probabilidades de umbral en comparación con las estrategias de "tratar a todos" y "no tratar a ninguno".

Contribuciones Clave

1. Desarrollo de un Modelo Local: El estudio proporciona un modelo de regresión logística multivariable adaptado específicamente al contexto etíope, abordando las limitaciones de transportar herramientas globales a entornos locales.
2. Enfoque Estadístico Riguroso: El estudio se adhiere a las directrices de reporte contemporáneas (por ejemplo, TRIPOD), utilizando imputación múltiple para datos faltantes, remuestreo de bootstrap para la validación interna y análisis de curva de decisión para la evaluación de la utilidad.
3. Salida Dual: El estudio entrega tanto un modelo de regresión completo para una estimación de riesgo de alta precisión como una puntuación de riesgo simplificada de 11 componentes para la aplicación clínica práctica.
4. Reporte Transparente: Los autores proporcionan coeficientes de regresión completos, razones de momios (odds ratios) y métricas de desempeño detalladas, incluyendo valores corregidos por optimismo, para apoyar la futura validación externa.

Resultados

• Prevalencia del Resultado: La mala respuesta al tratamiento ocurrió en 267 niños (42.4%).
• Desempeño del Modelo Completo:
  • Discriminación: El AUC aparente fue de 0.875 (IC 95% 0.849–0.902). Tras la corrección por bootstrap, el AUC corregido por optimismo fue aproximadamente 0.857 (Dxy 0.713).
  • Calibración: El modelo mostró una calibración razonable con una pendiente corregida de 0.927 y un intercepto de 0.021. La puntuación de Brier fue de 0.153.
  • Predictores Clave: Los predictores significativos de mala respuesta incluyeron vacunación incompleta (AOR 3.79), saturación de oxígeno muy baja (AOR 2.23), edad de 12–23 meses (AOR 3.29), tratamiento con ampicilina-gentamicina (vs. vancomicina), estridor, cianosis, incapacidad para alimentarse, cambios en el estado mental, vómitos, diarrea e incremento de WBC.
• Desempeño de la Puntuación Simplificada:
  • La puntuación osciló entre 0 y 19.
  • Discriminación: La puntuación alcanzó un AUC de 0.823, lo cual es estadísticamente significativamente menor que el modelo completo (p < 0.001), pero retiene un poder discriminatorio útil.
  • Estratificación de Riesgo: Con un umbral de ≥8 puntos, la puntuación identificó un grupo de alto riesgo con una tasa observada de mala respuesta del 70.3%, en comparación con el 7.7% en el grupo de bajo riesgo (0–3 puntos).
  • Métricas de Clasificación: En el umbral de ≥8, la sensibilidad fue del 76.4% y la especificidad del 76.3%.
  • Utilidad: El análisis de curva de decisión indicó un beneficio neto positivo sobre la estrategia de "no tratar a ninguno" a través de un amplio rango de probabilidades de umbral.

Significancia y Reclamaciones
Los autores afirman que el modelo desarrollado demuestra una buena discriminación y una calibración interna aceptable para predecir la mala respuesta al tratamiento en esta cohorte específica. La puntuación simplificada, aunque es menos precisa que la ecuación de regresión completa, ofrece una herramienta pragmática para la estratificación de riesgo que separa a los niños en grupos con resultados marcadamente diferentes.

Sin embargo, el artículo mantiene una postura modesta respecto a la implementación clínica. Los autores declaran explícitamente que:

• Los resultados se basan en la validación interna y requieren validación externa en cohortes independientes antes de que los modelos puedan considerarse para el uso clínico rutinario.
• El estudio no realizó una evaluación de impacto prospectivo; por lo tanto, el análisis de la curva de decisión representa una utilidad potencial más que una efectividad clínica probada.
• El resultado es una medida operativa compuesta de la respuesta al tratamiento, no un criterio de mortalidad.
• La transportabilidad del modelo a otros hospitales o poblaciones no ha sido probada debido al diseño de centro único y la selección de predictores basada en los datos.

En conclusión, el estudio proporciona una base reproducible y estadísticamente robusta para futuras investigaciones, enfatizando que la validación externa y la evaluación de impacto prospectivo son requisitos previos necesarios antes de que estos instrumentos puedan guiar la toma de decisiones clínicas.