Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

Resumen Técnico: Trayectorias Dinámicas de la Coagulopatía Inducida por Sepsis y Predicción Temprana Basada en Aprendizaje Automático

Planteamiento del Problema

La coagulopatía inducida por sepsis (CIS) es un proceso dinámico que involucra inflamación, lesión endotelial e insuficiencia de la fibrinolisis, pero actualmente se evalúa mediante mediciones estáticas de un solo punto en el tiempo (la puntuación SIC). Este enfoque no logra capturar la rápida evolución de la coagulación y la disfunción orgánica durante las enfermedades críticas. Los pacientes con puntuaciones SIC basales similares pueden seguir cursos clínicos divergentes —mejora rápida, anomalía persistente o resolución gradual— que son indistinguibles utilizando únicamente datos transversales. El estudio aborda la necesidad de identificar trayectorias de la puntuación SIC longitudinales y reproducibles, y determinar su relevancia pronóstica en poblaciones heterogéneas de cuidados críticos.

Metodología

Este estudio de cohorte retrospectivo multicéntrico utilizó cuatro bases de datos distintas de cuidados críticos:

• Cohorte de Desarrollo: MIMIC-IV (6,416 pacientes).
• Cohortes de Validación: MIMIC-III CareVue (1,157 pacientes), eICU-CRD (2,077 pacientes) y NWICU (641 pacientes).

Procesamiento de Datos y Modelado:

1. Selección de la Cohorte: Se incluyeron adultos (≥18 años) con estancias en la UCI >24 horas que cumplían con los criterios Sepsis-3 y fueron diagnosticados con CIS (puntuación SIC ≥4 dentro de las 24 horas posteriores al diagnóstico de sepsis). Los pacientes requerían al menos tres puntuaciones SIC calculables durante los primeros 7 días de ingreso en la UCI.
2. Modelado de Trayectorias: Se aplicó el modelado de trayectoria basado en grupos (GBTM) a las puntuaciones SIC seriadas (calculadas en intervalos de 6 horas) durante los primeros 7 días. Se evaluaron modelos cuadráticos con 1 a 6 clases latentes utilizando el Criterio de Información Bayesiano (BIC), entropía, probabilidad posterior promedio (AvePP) y la probabilidad de clasificación correcta (OCC).
3. Análisis Estadístico:
   • Análisis de Supervivencia: Las asociaciones con la mortalidad por todas las causas a los 28 días se evaluaron mediante modelos de riesgos proporcionales de Cox multivariables (ajustados por demografía, comorbilidades, signos vitales y laboratorios).
   • Mitigación de Sesgos: Los análisis incluyeron imputación múltiple para datos faltantes, ponderación de la probabilidad inversa de tratamiento (IPTW) calibrada para equilibrar las covariables, y un análisis de hito (landmark) al día 7 para abordar el sesgo de tiempo inmortal (restringiendo el análisis a pacientes vivos al día 7).
   • Análisis de Subgrupos: Se probaron términos de interacción a través de estratos (p. ej., edad, puntuación SOFA, comorbilidades) con corrección de la tasa de falso descubrimiento (FDR).
4. Predicción mediante Aprendizaje Automático (ML): Se desarrolló un flujo de trabajo de ML anidado para predecir el fenotipo de trayectoria "Persistente Elevada" utilizando variables basales disponibles dentro de las primeras 24 horas.
   • Selección de Características: Se utilizaron los métodos Boruta y LASSO dentro de un marco de validación cruzada anidada de 10 pliegues.
   • Algoritmos: Se compararon Elastic net, random forest, XGBoost, SVM y k-vecinos más cercanos (k-nearest neighbors).
   • Validación: El modelo final (XGBoost) se sometió a validación temporal (MIMIC-IV 2020–2022) y validación externa (MIMIC-III, eICU, NWICU). El rendimiento se evaluó mediante AUROC, AUPRC, curvas de calibración, análisis de curva de decisión y SHAP (Explicaciones de Shapley Aditivas).

Resultos Clave

1. Identificación de Tres Trayectorias:
El GBTM identificó tres trayectorias de la puntuación SIC distintas y reproducibles en las cuatro bases de datos:

• Baja-Declive Rápido (19.25%): Comenzó con una mediana de SIC de 4.0, declinó rápidamente y se estabilizó.
• Persistente Elevada (32.00%): Comenzó con una mediana de SIC de 6.0 y permaneció elevada con una mejora mínima.
• Moderada-Declive (48.75%): Comenzó en una mediana de SIC de 5.0 y declinó gradualmente.
  El modelo de tres clases demostró una alta calidad de clasificación (Entropía = 0.947; AvePP > 0.97).

2. Asociaciones Pronósticas:

• Riesgo de Mortalidad: La trayectoria "Persistente Elevada" se asoció consistentemente con el mayor riesgo de mortalidad a los 28 días en todas las cohortes. En modelos totalmente ajustados, el cociente de riesgos (HR) para la Clase 2 frente a la Clase 1 osciló entre 2.45 (eICU) y 3.93 (NWICU).
• Robustez: Estas asociaciones se mantuvieron significativas tras la calibración por IPTW y en el análisis de hito del día 7 (p. ej., HR 3.09 en MIMIC-IV para la Clase 2).
• Valor Incremental: La adición de la clase de trayectoria a la puntuación SOFA basal mejoró modestamente la discriminación para la mortalidad a 28 días (p. ej., ΔAUC = 0.028 en MIMIC-IV), mientras que la adición de una sola puntuación SIC basal proporcionó una mejora insignificante.

3. Rendimiento del Aprendizaje Automático:

• Predictores: El modelo XGBoost identificó 10 variables basales, siendo la puntuación SOFA basal y el componente de plaquetas de la SIC los predictores más influyentes.
• Discriminación: El modelo alcanzó AUROCs entre 0.830 y 0.862 en las cohortes de validación temporal y externa.
• Calibración y Utilidad: El modelo mostró una calibración aceptable (puntuaciones Brier 0.141–0.154) y un beneficio neto positivo en el análisis de curva de decisión a través de umbrales clínicamente relevantes. El análisis SHAP confirmó la consistencia en los rankings de importancia de las características entre las cohortes.

Significancia y Reivindicaciones

El artículo sostiene que las mediciones longitudinales de la SIC durante la primera semana de ingreso en la UCI revelan subfenotipos pronósticos reproducibles que las evaluaciones estáticas pasan por alto. Específicamente:

• Subfenotipos Pronósticos: La trayectoria "Persistente Elevada" identifica un grupo distinto de pacientes con un riesgo de mortalidad excesiva sostenida, mientras que la de "Baja-Declive Rápido" marca un curso favorable.
• Dimensión Temporal: La información de la trayectoria añade una dimensión temporal modesta pero significativa a las evaluaciones de severidad estándar (SOFA), distinguiendo a los pacientes cuya disfunción de la coagulación se resuelve de aquellos con anomalías persistentes.
• Predicción Temprana: El estudio demuestra que el fenotipo "Persistente Elevada" puede predecirse tempranamente (dentante de las 24 horas) utilizando datos clínicos rutinariamente disponibles mediante aprendizaje automático, con alta generalizabilidad a través de diferentes instituciones y periodos de tiempo.

Limitaciones y Precauciones:
Los autores declaran explícitamente que estos son hallazgos observacionales y no establecen causalidad ni definen protocolos de tratamiento específicos. El estudio no afirma que las intervenciones informadas por la trayectoria mejoren los resultados; más bien, propone estas trayectorias como objetivos para futuras validaciones prospectivas. Los autores advierten que el diseño retrospectivo deja margen para la confusión residual y que los criterios de inclusión (que requieren múltiples puntuaciones SIC) pueden introducir un sesgo de selección hacia estancias más largas en la UCI. Los hallazgos requieren validación prospectiva antes de su implementación clínica.