Development of a predictive model for sepsis‑induced immunosuppression using neural networks

Resumen Técnico: Desarrollo de un Modelo Predictivo de la Inmunosupresión Inducida por Sepsis mediante Redes Neuronales

Planteamiento del Problema
La sepsis se caracteriza por una respuesta del huésped desregulada ante la infección, lo que conduce a un estado dual de hiperinmunidad e hipoinmunidad. Cuando el estado de hipoinmunidad predomina, resulta en una inmunosupresión inducida por la sepsis, una condición asociada con infecciones secundarias, disfunción orgánica múltiple y un aumento de la mortalidad. Aunque la comunidad clínica reconoce la importancia de la homeostasis inmunológica, la predicción precisa del inicio de la inmunosresión sigue encontrándose en una etapa exploratoria. Los marcadores actuales, como el mHLA-DR de los monocitos, suelen ser demasiado complejos o costosos para el análisis de bases de datos a gran escala. Por el contrario, el recuento de linfocitos es más accesible, pero carece de un umbral claramente definido para el monitoreo en la literatura existente. El estudio tiene como objetivo abordar la necesidad de una predicción temprana y precisa de la inmunosupresión en pacientes con sepsis para facilitar el tratamiento de precisión y la evaluación dinámica del pronóstico.

Metodología
El estudio utilizó un diseño de cohorte retrospectiva utilizando datos de la base de datos MIMIC-IV.

• Fuente de Datos y Cohorte: El análisis incluyó a 6,954 pacientes adultos (≥18 años) ingresados en la UCI por primera vez con un diagnóstico de Sepsis-3.0.
• Definición del Resultado: La inmunosupresión se definió como un recuento de linfocitos < 1.0 × 10⁹/L.
• Variables Predictivas: El estudio recopiló 14 variables, incluyendo datos demográficos (edad, género, etnia), métricas clínicas (IMC, puntuación SOFA, índice de comorbilidad de Charlson, valor máximo de lactato) y factores de tratamiento (ingreso de emergencia, uso/duración de fármacos vasoactivos, ventilación mecánica/duración, uso de corticoides, infección fúngica e historial de neoplasias malignas).
• Procesamiento de Datos: Los datos faltantes se manejaron mediante imputación múltiple (específicamente para los datos de lactato, que tenían una tasa de ausencia del 22.16%). La variable de IMC fue excluida debido a una tasa de ausencia del 51.13%. Los datos se dividieron en conjuntos de entrenamiento (80%) y validación (20%).
• Enfoques de Modelado: Se construyeron y compararon tres algoritmos de aprendizaje automático:
  1. Perceptrón Multicapa (MLP): Un enfoque de red neuronal.
  2. Regresión Logística (LR): Una línea base estadística tradicional.
  3. XGBoost: Un modelo de árbol de decisión de potenciación de gradiente.
• Métricas de Evaluación: El rendimiento del modelo se evaluó mediante el Área Bajo la Curva (AUC), Precisión, Sensibilidad (Recall), Puntuación F1, curvas de calibración (prueba de Hosmer-Lemeshow) y Análisis de la Curva de Decisión (DCA).

Resultados Clave

• Características de la Cohorte: La incidencia de inmunosupresión en la cohorte fue del 28.5% (1,983 de 6,954 pacientes).
• Análisis Univariante: Se encontraron asociaciones significativas entre la inmunosupresión y la edad, el género, el ingreso de emergencia, la puntuación SOFA, el índice de comorbilidad de Charlson, la infección fúngica, el uso de fármacos vasoactivos, la duración de los fármacos vasoactivos, la ventilación mecánica y los niveles de lactato.
• Análisis Multivariante: El modelo final de regresión logística identificó ocho predictores independientes: edad, ingreso de emergencia, índice de comorbilidad de Charlson, infección fúngica, uso de fármacos vasoactivos, duración total de los vasoactivos, ventilación mecánica y niveles de lactato. Notablemente, el género, la puntuación SOFA, el tumor maligno y la duración de la ventilación mecánica no fueron estadísticamente significativos en el modelo de regresión logística multivariante, aunque siguieron siendo relevantes en el contexto del aprendizaje automático.
• Rendimiento del Modelo:
  • Modelo MLP: Demostró un rendimiento superior con un AUC de 0.82, Precisión de 0.7208, Sensibilidad de 0.8441 y Puntuación F1 de 0.7776.
  • Modelo XGBoost: Funcionó deficientemente con un AUC de 0.602, una Sensibilidad de 0.113 y una Puntuación F1 de 0.177.
  • Regresión Logística: Mostró un rendimiento moderado con un AUC de 0.686.
• Importancia de las Características: En el modelo MLP, los factores más influyentes para predecir la inmunosupresión fueron, en orden: ingreso de emergencia, puntuación SOFA, edad, valor máximo de lactato, duración de la ventilación mecánica, duración total de los vasoactivos, índice de comorbilidad de Charlson, género, neoplasia maligna, raza, uso de corticoides e infección fúngica.

Significancia y Reivindicaciones
Los autores afirman que el modelo MLP desarrollado sirve como una herramienta confiable para la identificación temprana del riesgo de inmunosupresión inducida por sepsis. El estudio postula que la capacidad del modelo para integrar diversas variables clínicas permite:

1. Intervención Temprana: Identificar pacientes de alto riesgo para permitir ajustes oportunos en el tratamiento, como el uso de potenciadores inmunitarios (p. ej., péptidos de timosina, factores estimulantes de colonias de granulocitos).
2. Medicina de Precisión: Facilitar planes de tratamiento individualizados, como evitar el uso excesivo de inmunosupresores o optimizar el momento de la interrupción de hormonas.
3. Optimización de Recursos: Mejorar la evaluación del pronóstico del paciente para asignar mejor los recursos de cuidados intensivos.

El artículo concluye que, si bien el modelo muestra potencial valor clínico, requiere una mayor validación en conjuntos de datos multicéntricos y de gran muestra para mejorar la precisión y la universalidad antes de su implementación clínica generalizada. Los autores reconocen las limitaciones inherentes a los estudios retrospectivos, incluyendo el sesgo de selección y la exclusión de variables como el IMC debido a la pérdida de datos, señalando que las relaciones causales requieren mayor verificación.