Early Physiological Trajectory-Based Phenotyping in Surgical Intensive Care Unit Patients: A Gaussian Mixture Modeling Approach Integrating Temperature, Central Venous Pressure, Fluid Balance, and Glycemic Dynamics

Sintesi Tecnica: Fenotipizzazione Basata sulla Traiettoria Fisiologica Precoce nei Pazienti di Terapia Intensiva Chirurgica

Problematica
Il processo decisionale clinico attuale nelle terapie intensive chirurgiche (ICU) si basa pesantemente su punteggi di gravità statici e trasversali (es. APACHE II) e su misurazioni dei segni vitali in un singolo momento. Questi strumenti non riescono a catturare l'evoluzione temporale dinamica della fisiologia del paziente, che può contenere informazioni prognostiche critiche. Sebbene i dati di monitoraggio ad alta frequenza siano abbondanti, essi rimangono sottoutilizzati per l'identificazione di pattern fisiologici latenti che potrebbero consentire il riconoscimento precoce del deterioramento o di distinti sottogruppi di pazienti. La sfida risiede nell'estrarre pattern longitudinali clinicamente interpretabili da segnali fisiologici rumorosi, ad alta dimensionalità e multidimensionali in contesti acuti.

Metodologia
Questo studio di coorte retrospettivo ha analato 3.493 pazienti adulti ammessi a una singola terapia intensiva chirurgica di terzo livello tra il 2016 e il 2020. Lo studio ha impiegato una pipeline di apprendimento automatico non supervisionato per identificare i fenotipi delle traiettorie fisiologiche durante le prime 72 ore di ammissione.

1. Estrazione e Preprocessamento dei Dati: Quattro dimensioni fisiologiche chiave sono state estratte con risoluzione oraria: Temperatura Corporea (TEMP), Pressione Venosa Centrale (CVP), Bilancio Liquidi Netto (FB) e Glucosio Ematico (GLU). I dati orari mancanti sono stati imputati tramite interpolazione lineare, forward-fill e backward-fill, risultando in un vettore di caratteristiche a 288 dimensioni (72 ore × 4 variabili) per paziente.
2. Riduzione della Dimensionalità: L'Analisi delle Componenti Principali (PCA) è stata applicata per ridurre lo spazio delle caratteristiche a 288 dimensioni. Il numero di componenti è stato mantenuto sulla base di una soglia di varianza cumulativa dell'80%, catturando i modi dominanti di variazione fisiologica riducendo al contempo il rumore.
3. Clustering (Modello di Miscela Gaussiana): Un Modello di Miscela Gaussiana (GMM) con matrici di covarianza complete è stato adattato ai dati trasformati tramite PCA. Il numero ottimale di cluster ($K$) è stato determinato utilizzando il Criterio di Informazione Bayesiana (BIC) attraverso modelli con $K=1$ fino a $K=10$. L'algoritmo di Expectation-Maximization (EM) è stato utilizzato per la stima dei parametri, inizializzato con centroidi k-means++.
4. Analisi Statistica: I gruppi di traiettoria sono stati caratterizzati dai loro profili longitudinali medi e dalle covariate cliniche (età, sesso, punteggi APACHE II, durata della degenza [LOS], mortalità). Le differenze tra i gruppi per i punteggi APACHE II sono state valutate mediante test di Kruskal-Wallis con confronti post-hoc di Dunn. Le associazioni con la mortalità sono state valutate mediante test esatti di Fisher e regressione logistica, applicando cautela a causa del basso tasso complessivo di eventi (0,57%).

Contributi Chiave

• Identificazione dei Fenotipi: Lo studio ha identificato con successo cinque distinti fenotipi di traiettoria fisiologica (G1–G5) utilizzando esclusivamente dati di monitoraggio standard al letto del paziente, senza previa conoscenza degli esiti clinici o dei punteggi di gravità.
• Validazione rispetto ai Punteggi di Gravità: L'algoritmo di clustering, operando esclusivamente su serie temporali grezze, ha prodotto raggruppamenti che si allineano fortemente con il punteggio di gravità APACHE II (Kruskal-Wallis $H=231,30, p < 0,0001$), validando la rilevanza clinica dei fenotipi derivati dai dati.
• Scoperta del Fenotipo "Compensato ad Alto Rischio" (G4): Un sottogruppo specifico (G4, 14,0% della coorte) è stato caratterizzato da età avanzata, secondi punteggi APACHE II più elevati, degenza prolungata e iperglicemia da stress persistente, pur presentando una mortalità pari a zero. Questo gruppo ha dimostrato una "fisiologia compensata" con bilancio dei liquidi quasi nullo e CVP nel limite superiore della norma, evidenziando una popolazione che richiede molte risorse, che i punteggi statici potrebbero non segnalare come ad alto rischio di morte, ma che richiede una durata significativa delle cure.
• Differenziazione dell'Utilizzo delle Risorse: Lo studio ha dimostrato che i fenotipi di traiettoria sono fortemente differenziati dall'utilizzo delle risorse (LOS), con il Gruppo G2 (Grave-Prolungato) che presenta una degenza mediana di 14,0 giorni rispetto a 1,2 giorni per il Gruppo G5 (Transitorio-Bassa Acuità).

Risultati

• Caratteristiche dei Cluster:
  • G1 (Moderato-Stabile): Il gruppo più numeroso (45,6%), traiettorie stabili, gravità moderata.
  • G2 (Grave-Prolungato): APACHE II più elevato (22,3), degenza più lunga (14,0 giorni) e tasso di mortalità più alto (1,48%).
  • G3 (Lieve-Breve Degenza): Normalizzazione rapida, degenza breve (1,5 giorni).
  • G4 (Compensato ad Alto Rischio): Pazienti più anziani (età media 61,1 anni), APACHE II elevato (18,7), degenza prolungata (6,2 giorni), iperglicemia persistente, ma zero decessi.
  • G5 (Transitorio-Bassa Acuità): Degenza più breve (1,2 giorni), gravità più bassa.
• Correlazione della Gravità: I punteggi APACHE II differivano significativamente tra tutti i gruppi, con i contrasti più forti osservati tra G2 vs G3 e G3 vs G4.
• Analisi della Mortalità: La mortalità complessiva non differiva significativamente tra i gruppi ($p=0,078$) a causa del basso tasso di eventi (20 decessi totali). Tuttavia, un trend borderline ha suggerito una mortalità più elevata in G2 rispetto a G1 (OR 2,64, $p=0,081$). L'assenza di decessi in G4 suggerisce che la mortalità da sola potrebbe non essere la metrica ottimale per definire il rischio in questa specifica popolazione di terapia intensoria chirurgica; il consumo di risorse e l'instabilità fisiologica sono più discriminanti.

Significatività e Rivendicazioni
L'articolo sostiene che la fenotipizzazione delle traiettorie basata su GMM offre una dimensione complementare ai punteggi di gravità statici, sfruttando la dinamica temporale dei dati fisiologici. La significatività primaria risiede nella capacità di identificare sottogruppi di pazienti latenti con distinti profili di gravità e modelli di utilizzo delle risorse che non sono immediatamente evidenti dalle valutazioni in un singolo punto temporale.

Nello specifico, l'identificazione del fenotipo G4 mette in discussione l'affidamento della mortalità come unico endpoint per la stratificazione del rischio. Gli autori postulano che G4 rappresenti una "popolazione ad alto consumo di risorse" caratterizzata da fisiologia compensata e disregolazione metabolica (iperglicemia) che richiede una sorveglianza intensificata, anche in assenza di decessi osservati. Lo studio conclude che, sebbene il basso tasso di mortalità limiti la modellazione prognostica definitiva per il decesso, l'analisi della traiettoria fisiologica a livello orario fornisce un quadro robusto per la stratificazione precoce del rischio e la comprensione dell'eterogeneità dei pazienti chirurgici in terapia intensiva. Gli autori sottolineano che è necessaria una validazione esterna in coorti con mortalità più elevata prima dell'implementazione clinica.