The Analysis of Sepsis Vascular Response Index Based on Machine Learning

Sintesi Tecnica: L'Analisi dell'Indice di Risposta Vascolare nella Sepsi basata sul Machine Learning

Definizione del Problema
La sepsi e lo shock settico rappresentano risposte corporee disregolate critiche all'infezione, che spesso portano a insufficienza multiorgano e alti tassi di mortalità. Un fenomeno specifico e impegnativo nello shock settico è la "paralisi vascolare", in cui i pazienti esibiscono una scarsa reattività vascolare ai farmaci vasopressori, risultando in un'ipotensione persistente nonostante un'adeguata rianimazione con fluidi. Attualmente, non esiste una definizione clinica unificata per il grado di paralisi vascolare e gli strumenti esistenti per identificare la sua gravità e la prognosi sono limitati. Di conseguenza, la paralisi vascolare viene spesso rilevata solo nelle fasi terminali, portando a esiti infausti. Sebbene l'Indice di Reattività Vascolare (VRI), definito come l'indice di resistenza vascolare periferica diviso per il punteggio della forza muscolare vascolare (SVRI/VIS), abbia mostrato potenziale nelle popolazioni pediatriche, la sua utilità nei pazienti adulti con shock settico rimane poco esplorata. Questo studio affronta la necessità di nuovi strumenti per monitorare la gravità della paralisi vascolare e migliorare la valutazione prognostica precoce negli adulti.

Metodologia
Questo studio retrospettivo ha analizzato i dati clinici di 126 pazienti adulti in shock settico ammessi in Terapia Intensiva (ICU) presso il Secondo Ospedale Affiliato dell'Università Medica di Guilin tra dicembre 2017 e dicembre 2022. Tutti i pazienti soddisfacevano i criteri diagnostici Sepsis 3.0, sono stati sottoposti a monitoraggio tramite Pulse Indicator Continuous Cardiac Output (PICCO) e hanno ricevuto terapia vasopressora o inotropica positiva.

• Pre-elaborazione dei dati: Le variabili cliniche includevano dati demografici, parametri vitali, risultati di laboratorio (es. lattato, WBC, CRP) e parametri emodinamici (es. MAP, SVV, ELWI, GEDI, SVRI). I valori mancanti sono stati imputati utilizzando il metodo dell'imputazione della media, gli outlier sono stati gestiti e i dati sono stati standardizzati.
• Modelli di Machine Learning: Lo strumento analitico primario è stato il classificatore XGBoost (eXtreme Gradient Boosting). L'ottimizzazione degli iperparametri è stata condotta utilizzando la libreria Optuna per regolare la profondità dell'albero, il tasso di apprendimento, i parametri di regolarizzazione e i rapporti di sottocampionamento. Le prestazioni del modello sono state validate mediante cross-validation a cinque pieghe.
• Analisi Comparativa: Il modello XGBoost è stato confrontato con Support Vector Machines (SVM) e Regressione Logistica (LR). Inoltre, è stato proposto un modello ensemble di tipo stacking guidato dal VRI, che integra base learners (LR, SVM, Random Forest, XGBoost, LightGBM, CatBoost) con un meta-classificatore per combinare i punti di forza di modelli eterogenei.
• Interpretabilità: I valori SHAP (SHapley Additive exPlanations) sono stati impiegati per interpretare le predizioni del modello, identificando l'importanza delle caratteristiche e la direzione dell'influenza per specifici indicatori clinici.
• Confronto con i Clinici: Le predizioni di 11 clinici di terapia intensiva sono state raccolte e confrontate con le prestazioni del modello di machine learning per valutare l'accuratezza prognostica umana rispetto a quella algoritmica.

Contributi Chiave

1. Applicazione di XGBoost al VRI: Lo studio applica tecniche avanzate di gradient boosting per analizzare l'Indice di Reattività Vascolare nel paziente adulto con shock settico, andando oltre la tradizionale analisi lineare.
2. Identificazione dei Predittori Chiave: Attraverso l'analisi SHAP, lo studio identifica la Pressione Arteriosa Media (MAP), la Variazione della Gittata Sistolica (SVV), l'Indice Visivo (VIS) e l'Indice di Acqua Polmonare Extravascolare (ELWI) come gli indicatori fisiologici più critici che influenzano la predizione della risposta vascolare.
3. Soglie Prognostiche: La ricerca stabilisce una specifica soglia di VRI (< 28,2) associata a una prognosi infausta. I pazienti con un VRI inferiore a questa soglia hanno mostrato un tasso di mortalità a 28 giorni 3,857 volte superiore rispetto a quelli con VRI ≥ 28,2.
4. Superiorità del Modello: Lo studio dimostra che il modello XGBoost supera significativamente sia SVM che LR in termini di accuratezza di classificazione e Area Under the Curve (AUC) per la predizione della risposta vascolare e della mortalità.
5. Confronto Umano vs Algoritmo: L'articolo fornisce un'analisi comparativa che mostra come il modello di machine learning offra valutazioni prognostiche più stabili e coerenti rispetto alle predizioni variabili ed eterogenee dei singoli clinici.

Risultati

• Caratteristiche della Coorte: Lo studio ha incluso 126 pazienti (89 maschi, 37 femmine) con un'età media di 60,61 anni. Il tasso di sopravvivenza a 28 giorni è stato del 34,92% (44 sopravvissuti, 82 decessi).
• Prestazioni del Modello: Il modello XGBoost ha raggiunto un'AUC di 0,90, indicando un'elevata capacità discriminante nel distinguere gli stati di risposta vascolare. Al contrario, il modello SVM ha prodotto un'AUC di 0,55, e il modello LR ha mostrato segni di sotto-adattamento (underfitting) con una tendenza di predizione piatta.
• Importanza delle Caratteristiche: La classificazione delle caratteristiche di XGBoost e i grafici SHAP hanno confermato che MAP, SVV, VIS ed ELWI sono i principali driver delle predizioni del modello. Punteggi APACHE II e SOFA più elevati, valori di SVV e VIS più alti, così come tassi di clearance del lattato a 72 ore più bassi, sono correlati a una maggiore mortalità.
• Correlazione Clinica: La combinazione di VRI con i punteggi APACHE II e SOFA ha dimostrato un valore clinico e una sensibilità superiori nella predizione della prognosi rispetto all'uso dei soli punteggi.
• Variabilità dei Clinici: Le predizioni dei clinici hanno mostrato una significativa variabilità inter-valutatore (il rischio predetto mediano variava da 0,005 a 0,750), mentre il modello di machine learning ha fornito risultati riproducibili.

Significatività
L'articolo sostiene che l'Indice di Reattività Vascolare (VRI) sia uno strumento clinico significativo per predire la prognosi dei pazienti adulti con shock settico. Utilizzando il machine learning, specificamente XGBoost, lo studio suggerisce che il VRI possa servire come indicatore quantitativo per valutare la gravità della paralisi vascolare nelle fasi precoci della malattia. I risultati indicano che un livello di VRI più basso è associato a un tasso di mortalità più elevato e che l'integrazione del VRI con i sistemi di punteggio standard (APACHE II, SOFA) ne migliora l'accuratezza prognostica. Lo studio conclude che il rafforzamento del monitoraggio degli indicatori emodinamici attraverso tali framework di machine learning può ridurre la mortalità dei pazienti e migliorare la guida terapeutica, in particolare identificando i pazienti ad alto rischio che potrebbero richiedere interventi più aggressivi prima di raggiungere le fasi terminali della paralisi vascolare.