The Analysis of Sepsis Vascular Response Index Based on Machine Learning

Resumen Técnico: El Análisis del Índice de Respuesta Vascular en la Sepsis Basado en el Aprendizaje Automático

Planteamiento del Problema
La sepsis y el choque séptico representan respuestas corporales desreguladas críticas ante la infección, lo que a menudo conduce a la falla multiorgánica y altas tasas de mortalidad. Un fenómeno específico y desafiante en el choque séptico es la "parálisis vascular", donde los pacientes exhiben una respuesta vascular deficiente a los fármacos vasopresores, lo que resulta en una hipotensión persistente a pesar de una reanimación con líquidos adecuada. Actualmente, no existe una definición clínica unificada para el grado de parálisis vascular, y las herramientas existentes para identificar su severidad y pronóstico son limitadas. En consecuencia, la parálisis vascular suele detectarse solo en etapas terminales, lo que conduce a resultados desfavorables. Si bien el Índice de Reactividad Vascular (VRI, por sus siglas en inglés), definido como el índice de resistencia vascular periférica dividido por la puntuación de la fuerza muscular vascular (SVRI/VIS), ha mostrado ser prometedor en poblaciones pediátricas, su utilidad en pacientes adultos con choque séptico sigue sin explorarse suficientemente. Este estudio aborda la necesidad de nuevas herramientas para monitorear la severidad de la parálisis vascular y mejorar la evaluación pronóstica temprana en adultos.

Metodología
Este estudio retrospectivo analizó datos clínicos de 126 pacientes adultos con choque séptico ingresados en la Unidad de Cuidados Intensivos (UCI) del Segundo Hospital Afiliado de la Universidad de Medicina de Guilin entre diciembre de 2017 y diciembre de 2022. Todos los pacientes cumplieron con los criterios diagnósticos de Sepsis 3.0, se sometieron a monitoreo de Gasto Cardíaco Continuo mediante Indicador de Pulso (PICCO) y recibieron terapia con vasopresores o inotrópicos positivos.

• Preprocesamiento de Datos: Las variables clínicas incluyeron datos demográficos, signos vitales, resultados de laboratorio (p. ej., lactato, WBC, CRP) y parámetros hemodinámicos (p. ej., MAP, SVV, ELWI, GEDI, SVRI). Los valores faltantes se imputaron mediante el método de imputación de la media, los valores atípicos se gestionaron y los datos fueron estandarizados.
• Modelos de Aprendizaje Automático: La herramienta analítica principal fue el clasificador XGBoost (eXtreme Gradient Boosting). La optimización de hiperparámetros se realizó utilizando la biblioteca Optuna para ajustar la profundidad del árbol, la tasa de aprendizaje, los parámetros de regularización y las proporciones de submuestreo. El rendimiento del modelo se validó mediante validación cruzada de cinco pliegues (five-fold cross-validation).
• Análisis Comparativo: El modelo XGBoost se comparó con Máquinas de Vectores de Soporte (SVM) y Regresión Logística (LR). Además, se propuso un modelo de ensamblaje de apilamiento (stacking ensemble) guiado por VRI, integrando aprendices base (LR, SVM, Random Forest, XGBoost, LightGBM, CatBoost) con un meta-clasificador para combinar las fortalezas de modelos heterogéneos.
• Interpretabilidad: Se emplearon valores SHAP (SHapley Additive exPlanations) para interpretar las predicciones del modelo, identificando la importancia de las características y la dirección de la influencia de indicadores clínicos específicos.
• Comparación con Clínicos: Se recolectaron las predicciones de 11 clínicos de UCI y se compararon con el rendimiento del modelo de aprendizaje automático para evaluar la precisión pronóstica humana frente a la algorítmica.

Contribuciones Clave

1. Aplicación de XGBoost al VRI: El estudio aplica técnicas avanzadas de potenciación de gradiente para analizar el Índice de Reactividad Vascular en el choque séptico adulto, yendo más allá del análisis lineal tradicional.
2. Identificación de Predictores Clave: A través del análisis SHAP, el estudio identifica la Presión Arterial Media (MAP), la Variación de Volumen Sistólico (SVV), el Índice Visual (VIS) y el Índice de Agua Pulmonar Extravascular (ELWI) como los indicadores fisiológicos más críticos que influyen en la predicción de la respuesta vascular.
3. Umbrales Pronósticos: La investigación establece un umbral de VRI específico (< 28.2) asociado con un mal pronóstico. Los pacientes con un VRI inferior a este umbral exhibieron una tasa de mortalidad a 28 días 3.857 veces mayor que aquellos con un VRI ≥ 28.2.
4. Superioridad del Modelo: El estudio demuestra que el modelo XGBoost supera significativamente tanto a SVM como a LR en términos de precisión de clasificación y Área Bajo la Curva (AUC) para predecir la respuesta vascular y la mortalidad.
5. Comparación Humano vs. Algoritmo: El documento proporciona un análisis comparativo que muestra que el modelo de aprendizaje automático ofrece evaluaciones pronósticas más estables y consistentes en comparación con las predicciones variables y heterogéneas de los clínicos individuales.

Resultados

• Características de la Cohorte: El estudio incluyó a 126 pacientes (89 hombres, 37 mujeres) con una edad promedio de 60.61 años. La tasa de supervivencia a 28 días fue del 34.92% (44 sobrevivientes, 82 muertes).
• Rendimiento del Modelo: El modelo XGBoost alcanzó un AUC de 0.90, lo que indica una alta capacidad discriminativa para distinguir los estados de respuesta vascular. En contraste, el modelo SVM produjo un AUC de 0.55, y el modelo LR mostró signos de subajuste (underfitting) con una tendencia de predicción plana.
• Importancia de las Características: El ranking de características de XGBoost y los gráficos SHAP confirmaron que la MAP, la SVV, el VIS y el ELWI fueron los principales impulsores de las predicciones del modelo. Los puntajes más altos de APACHE II, SOFA, SVV y los valores de VIS se correlacionaron con una mayor mortalidad, al igual que las tasas de aclaramiento de lactato a las 72 horas más bajas.
• Correlación Clínica: La combinación de VRI con los puntajes APACHE II y SOFA demostró un mayor valor clínico y sensibilidad en la predicción del pronóstico en comparación con el uso de estos puntajes por sí solos.
• Variabilidad de los Clínicos: Las predicciones de los clínicos mostraron una variabilidad significativa entre evaluadores (el riesgo predicho mediano varió de 0.005 a 0.750), mientras que el modelo de aprendizaje automático proporcionó resultados reproducibles.

Significancia
El artículo sostiene que el Índice de Reactividad Vascular (VRI) es una herramienta clínica significativa para predecir el pronóstico de pacientes con choque séptico adulto. Al utilizar el aprendizaje automático, específicamente XGBoost, el estudio sugiere que el VRI puede servir como un indicador cuantitativo para evaluar la severidad de la parálisis vascular de manera más temprana en el curso de la enfermedad. Los hallazgos indican que un nivel de VRI más bajo se asocia con una mayor tasa de mortalidad, y la integración del VRI con los sistemas de puntuación estándar (APACHE II, SOFA) mejora la precisión pronóstica. El estudio concluye que fortalecer el monitoreo de los indicadores hemodinámicos a través de tales marcos de aprendizaje automático puede reducir la mortalidad de los pacientes y mejorar la guía de tratamiento, particularmente al identificar pacientes de alto riesgo que pueden requerir una intervención más agresiva antes de alcanzar las etapas terminales de la parálisis vascular.