Patient-specific antibiotic susceptibility ranking for empirical treatment of gram-negative bloodstream infection: a retrospective clinical decision-support and transportability study

Resumen Técnico: Clasificación de la Susceptibilidad Antibiótica Específica del Paciente para el Tratamiento Empírico de Infecciones de Torrente Sanguíneo por Gramnegativos

Planteamiento del Problema
La selección de antibióticos empíricos para las infecciones de torrente sanguíneo por gramnegativos asociadas a la atención hospitalaria (HA-GN-BSI) presenta un desafío clínico de alto riesgo. Los clínicos deben iniciar una terapia activa antes de que los resultados definitivos de susceptibilidad estén disponibles, equilibrando el riesgo de un tratamiento tardío contra la presión ecológica del uso indiscriminado de amplio espectro. Aunque los antibiogramas acumulativos proporcionan datos de susceptibilidad a nivel poblacional, estos no logran capturar los perfiles de riesgo individuales de los pacientes, como la exposición previa a antibióticos, los resultados microbiológicos recientes o trayectorias de ingreso específicas. Aunque se ha propuesto el uso de aprendizaje automático para generar "antibiogramas personalizados", la evidencia existente carece a menudo de una evaluación rigurosa del rendimiento a nivel de recomendación, comparaciones con la prescripción observada de los clínicos y la transportabilidad externa entre diferentes sistemas de salud.

Metodología
Los autores realizaron un estudio de modelado de apoyo a la decisión clínica retrospectivo utilizando dos conjuntos de datos distintos:

1. Desarrollo y Validación Interna: Se utilizó el conjunto de datos MIMIC-IV v3.1 para desarrollar y evaluar modelos para episodios de HA-GN-BSI en adultos. La cohorte consistió en 1,004 episodios de 962 pacientes únicos, divididos a nivel de sujeto en conjuntos de entrenamiento (603), validación (201) y prueba (200).
2. Transportabilidad Externa: Se utilizó el Conjunto de Datos de Microbiología de Resistencia a Antibióticos de Mass General Brigham (ARMD-MGB) v1.0.0 para evaluar la transportabilidad de las señales de predicción específicas de cada fármaco.

Características Clave del Diseño:

• Punto de Decisión: El análisis se ancló a la recolección del índice de hemocultivo. Los predictores se restringieron a la información disponible antes de este momento (demografía, contexto del encuentro, microbiología previa, exposición previa a antibióticos y laboratorios/signos vitales previos al índice).
• Fármacos Objetivo: El conjunto de recomendación primario incluyó piperacilina-tazobactam, cefepime y meropenem. La ciprofloxacina y la gentamicina se modelaron como objetivos secundarios.
• Enfoque de Modelado: Se desarrollaron modelos separados para cada fármaco utilizando regresión logística y árboles de decisión potenciados por gradiente (GBT).
• Estrategia de Clasificación: Se compararon tres reglas de clasificación en el conjunto de validación: todas-regresión-logística, todas-GBT y una estrategia seleccionada por AUROC por fármaco. La regla de todas-GBT fue la seleccionada para el conjunto de prueba final debido a su superior cobertura Top-1.
• Comparadores:
  • Meropenem-para-todos: Una estrategia de referencia de alta cobertura.
  • Terapia Clínica Observada: Registros retrospectivos de administración de medicamentos desde 6 horas antes hasta 24 horas después de la recolección del cultivo sirvieron como punto de referencia del contexto de prescripción (no es un estándar de oro para la terapia óptima).
• Métricas de Evaluación: El rendimiento se evaluó mediante AUROC, AUPRC, puntuación de Brier y métricas de calibración. Los resultados a nivel de recomendación se centraron en la cobertura activa Top-1 y Top-2 (proporción de episodios donde el fármaco recomendado fue susceptible). Se realizó un Análisis de Curva de Decisión (DCA) por fármaco.

Resultos Clave

• Rendimiento Interno (MIMIC-IV):

  • En el conjunto de prueba de panel completo (192 episodios), la regla de clasificación seleccionada de todas-GBT logró una cobertura activa Top-1 del 91.1% y una cobertura Top-2 del 96.4%.
  • La estrategia "Meropenem-para-todos" logró una cobertura del 93.2%. El modelo no omitió ningún episodio cubierto por la estrategia "Meropenem-para-todos", pero omitió cuatro que esta última cubría.
  • Dominancia del Meropenem: La alta cobertura del modelo fue impulsada casi por completo por la selección de meropenem. El meropenem representó el 90.1% de las recomendaciones Top-1. Solo el 7.8% de los episodios recibieron una recomendación Top-1 no relacionada con meropenem que también fuera activa.
  • Comparación con Clínicos: El modelo demostró una cobertura activa aparente significativamente mayor que la terapia clínica observada (91.1% vs. 39.6%; diferencia de riesgo +51.6%, p < 0.001). Sin embargo, esto conllevó una disparidad masiva en el uso de meropenem: 90.1% para el modelo frente al 9.9% para los clínicos. Los clínicos lograron más terapia activa no relacionada con meropenem (34.9%) en comparación con el modelo (7.8%).
  • Calibración: La calibración fue imperfecta en todos los modelos (pendientes < 1.0), lo que sugiere que el marco es mejor como herramienta de clasificación que como un calculador de probabilidad preciso.

• Transportabilidad Externa (ARMD-MGB):

  • La discriminación específica de cada fármaco persistió en el conjunto de datos externo, particularmente para el cefepime (GBT AUROC 0.754).
  • Sin embargo, la calibración siguió siendo imperfecta, y el estudio señaló que el conjunto de datos externo no podía replicar la definición exacta del episodio a pie de cama ni el conjunto de variables de MIMIC-IV. Por lo tanto, los resultados respaldan la transportabilidad de la señal de predicción específica de cada fármaco en lugar de la transferencia directa de la política de prescripción completa.

• Análisis de Curva de Decisión:

  • El DCA indicó que para el meropenem, la alta susceptibilidad basal hizo que las estrategias de "tratar-a-todos" parecieran favorables en muchos umbrales, limitando el beneficio neto incremental del modelo. Para el cefepime y los objetivos secundarios, el modelo ofreció un valor más claro sobre el "tratar-a-todos" en umbrales más altos.

Contribuciones Clave

1. Marco de Evaluación Holístico: El estudio va más allá de las métricas de discriminación simples (AUROC) para evaluar la política de selección de antibióticos. Reporta explícitamente el compromiso entre la cobertura activa y la exposición a carbapenémicos.
2. Comparación Empírica vs. Modelo: Al comparar con la prescripción clínica observada dentro del mismo espacio de fármacos candidatos, el estudio resalta la brecha entre la cobertura "óptima" algorítmica (impulsada por agentes de amplio espectro) y las prácticas de gestión de antibióticos en el mundo real.
3. Evidencia de Transportabilidad: El estudio proporciona evidencia de que las señales de predicción de susceptibilidad pueden viajar entre sistemas de salud para fármacos específicos, incluso si la política de prescripción completa requiere recalibración local.
4. Advertencia de Gestión de Antibióticos: Los autores demuestran que un modelo puede lograr una alta cobertura activa retrospectiva recomendando principalmente el agente de más amplio espectro (meropenem), lo que puede no alinearse con los objetivos de la gestión de antibióticos (stewardship).

Significado y Afirmaciones
El artículo concluye que la clasificación de la susceptibilidad específica del paciente puede producir una alta cobertura activa retrospectiva, pero este rendimiento se logra en gran medida mediante recomendaciones pesadas en meropenem. Los autores argumentan que el apoyo a la decisión de antibióticos empíricos no debe evaluarse únicamente mediante la precisión de la predicción o la cobertura activa. En cambio, tales sistemas deben reportar la cobertura activa, la terapia activa no relacionada con meropenem y la exposición a carbapenémicos juntos antes de su implementación clínica.

El estudio afirma que, si bien las señales de predicción específicas de cada fármaco son transportables, la política de prescripción construida sobre estas señales no es directamente transferible sin pruebas locales, recalibración y controles de gestión de antibióticos. Los autores advierten que, sin reglas explícitas para limitar la escalada de amplio espectro, la mejora en la predicción de la susceptibilidad podría aumentar inadvertidamente la presión ecológica en lugar de mejorar los resultados de los pacientes. El trabajo sirve como un llamado a la interpretación cautelosa, enfatizando que una mejor predicción no equivale automáticamente a una mejor gestión de antibióticos.