Application of Total Bilirubin to Albumin Ratio in Predicting In-Hospital Mortality of Acute Pancreatitis and Construction and Validation of Machine Learning Prediction Models: A Multi-Database Study

Sintesi Tecnica: Applicazione del rapporto tra bilirubina totale e albumina nella previsione della mortalità ospedaliera nella pancreatite acuta

Problematica
La pancreatite acuta (AP) è un grave disturbo gastrointestinale associato a un'elevata mortalità ospedaliera, in particolare nelle unità di terapia intensiva (ICU), dove i casi gravi possono raggiungere tassi di mortalità fino al 30%. La stratificazione del rischio precoce e accurata è fondamentale per un intervento tempestivo e l'allocazione delle risorse, ma rimane una sfida significativa nelle cure critiche. Sebbene esistano vari biomarcatori prognostici (es. CRP, PCT) e rapporti composti (es. NLR, BAR), il valore prognostico indipendente del rapporto tra bilirubina totale e albumina (TBAR) nei pazienti con AP ammessi in ICU non è stato pienamente valutato. Inoltre, i sistemi di punteggio tradizionali (es. SOFA, BISAP) potrebbero non catturare appieno le relazioni complesse e non lineari nei dati clinici. Questo studio affronta la necessità di un modello di previsione del rischio di mortalità precoce più preciso, integrando il nuovo biomarcatore TBAR con tecniche avanzate di machine learning (ML).

Metodologia
Questo studio ha impiegato un disegno retrospettivo multi-database utilizzando tre database pubblici di terapia intensiva: MIMIC-IV (addestramento e test interno), MIMIC-III e eICU-CRD (validazione esterna).

• Coorte: Sono stati inclusi un totale di 2.229 pazienti adulti (≥18 anni) ammessi in ICU con diagnosi primaria di pancreatite acuta. Sono stati esclusi i pazienti con insufficienza d'organo terminale preesistente, variabili mancanti o degenze in ICU <24 ore.
• Raccolza dei dati: Sono state estratte 39 variabili cliniche e di laboratorio dalle prime 24 ore di ammissione in ICU. Queste includevano dati demografici, comorbidità, gestione clinica (es. CRRT, ventilazione), esami del sangue di routine, biochimica e rapporti infiammatori derivati (NLR, PLR, GLR, AISI, SIRI e TBAR).
• Selezione delle caratteristiche: Utilizzando l'algoritmo Boruta e la regressione logistica univariata, sono state inizialmente identificate 10 caratteristiche candidate. L'analisi della multicollinearità (correlazione di Spearman) ha portato all'esclusione di creatinina, APS III e BUN, mantenendo sette caratteristiche finali: Età, punteggio SOFA, stato di AKI, utilizzo di CRRT, NLR, AISI e TBAR.
• Costruzione del modello: Sono stati costruiti e confrontati nove modelli di machine learning: Regressione Logistica (LR), Support Vector Machine (SVM), Gradient Boosting Machine (GBM), Rete Neurale Artificiale (ANN), K-Nearest Neighbor (KNN), XGBoost, AdaBoost, LightGBM e CatBoost.
• Valutazione: Le prestazioni del modello sono state valutate utilizzando l'Area Sotto la Curva (AUC), l'accuratezza, la sensibilità, la specificità, la precisione e il F1-score. L'analisi SHapley Additive exPlanations (SHAP) è stata applicata al modello ottimale per quantificare l'importanza delle caratteristiche e fornire interpretabilità locale.

Risultati Chiave

• Fattori di rischio indipendenti: La regressione logistica multivariata ha identificato il TBAR (P=0,02), il punteggio SOFA (P=0,02) e l'età (P<0,001) come fattori di rischio indipendenti per la mortalità ospedaliera. Il TBAR ha dimostrato la massima efficacia predittiva (AUC=0,638) tra tutti gli indicatori infiammatori valutati.
• Prestazioni del modello: Il modello Support Vector Machine (SVM) ha superato tutti gli altri algoritmi nel set di test interno e in entrambe le coorti di validazione esterna.
  • Test Interno (MIMIC-IV): AUC = 0,833 (95% CI: 0,763–0,904).
  • Validazione Esterna (MIMIC-III): AUC = 0,813 (95% CI: 0,774–0,852).
  • Validazione Esterna (eICU-CRD): AUC = 0,831 (95% CI: 0,766–0,897).
  • Il modello SVM ha inoltre raggiunto l'accuratezza (0,830) e la precisione (0,426) più elevate nel set di test interno, con l'Analisi della Curva Decisionale (DCA) che conferma favorevoli benefici clinici netti.
• Importanza delle caratteristiche: L'analisi SHAP ha classificato le caratteristiche per peso predittivo: punteggio SOFA > AKI > Età > utilizzo di CRRT > TBAR > NLR > AISI. L'analisi ha confermato una relazione monotona positiva tra i livelli di TBAR e il rischio di mortalità, validando il suo ruolo di predittore dose-dipendente.

Significato e Rivendicazioni
Gli autori affermano che questo studio identifica con successo il TBAR come un fattore di rischio indipendente per la mortalità ospedaliera nei pazienti in terapia intensiva con pancreatite acuta, stabilendolo come l'indicatore infiammatorio più predittivo tra quelli testati. Integrando il TBAR con le caratteristiche cliniche chiave in un modello di machine learning basato su SVM, lo studio dimostra una capacità discriminativa superiore e una stabilità di generalizzazione maggiore rispetto ai sistemi di punteggio tradizionali e ad altri algoritmi di ML.

La significatività del lavoro risiede in:

1. Applicazione di un nuovo biomarcatore: Espandere l'utilità prognostica del TBAR, un indice composto a basso costo e facilmente accessibile, al contesto specifico della pancreatite acuta.
2. Ottimizzazione del modello: Fornire un framework di machine learning (SVM) validato e ad alte prestazioni che supera la regressione logistica standard e altri metodi di boosting nella previsione della mortalità.
3. Interpretabilità clinica: Utilizzare l'analisi SHAP per chiarire la base decisionale del modello, aumentando così la fiducia e facilitando la potenziale integrazione in strumenti di supporto alle decisioni cliniche per la stratificazione del rischio individualizzata e l'allocazione delle risorse.

Lo studio riconosce i limiti, tra cui la sua natura retrospettiva, la dipendenza da dati statunitensi che possono limitare la generalizzabilità globale e la potenziale presenza di fattori di confondimento non misurati. Gli autori sottolineano che è necessaria una validazione prospettica prima dell'implementazione clinica.