Endothelial Activation and Stress Index as a Prognostic Marker and Machine Learning Predictor of Mortality in Mechanically Ventilated ICU Patients: A Multicenter Retrospective Cohort Study

Sintesi Tecnica: L'Attivazione Endoteliale e l'Indice di Stress come Marcatore Prognostico e Predittore di Machine Learning in Pazienti in Ventilazione Meccanica in Terapia Intensiva

Problematica
La ventilazione meccanica (VM) è un intervento critico per l'insufficienza respiratoria acuta, eppure i tassi di mortalità tra i pazienti in ventilazione meccanica in terapia intensiva (ICU) rimangono sostanziali (25–45%). Sebbene la disfunzione endoteliale sia un meccanismo fisiopatologico riconosciuto che collega l'infiammazione sistemica alla disfunzione multiorgano, la valutazione clinica di routine dello stato endoteliale è limitata a causa del costo e della scarsa disponibilità di biomarcatori specifici (es. angiopoietina-2). L'Indice di Attivazione e Stress Endoteliale (EASIX), calcolato da valori di laboratorio di routine (lattato deidrogenasi, creatinina sierica e conta piastrinica), ha mostrato valore prognostico in popolazioni ematologiche e cardiologiche, ma manca di una valutazione sistematica nelle coorti sottoposte a ventilazione meccanica. Inoltre, gli studi prognostici esistenti spesso si affidano a modelli di regressione tradizionali che possono non essere in grado di catturare le complesse interazioni non lineari tra i predittori, e molti studi di machine learning (ML) mancano di validazione esterna e trasparenza del modello.

Metodologia
Questo studio ha impiegato un disegno di coorte retrospettiva multicentrica utilizzando due database pubblicamente disponibili:

1. Coorte Primaria: MIMIC-IV (versione 3.1), contenente dati di 5.300 pazienti adulti in ventilazione meccanica ammessi in terapia intensiva per la prima volta tra il 2008 e il 2019.
2. Coorte di Validazione Esterna: eICU Collaborative Research Database (versione 2.0), contenente 243 pazienti provenienti da oltre 200 ospedali statunitensi (2014–2015).

Inclusione/Esclusione: Sono stati inclusi pazienti di età ≥18 anni, che hanno ricevuto VM invasiva per ≥24 ore, con una permanenza in terapia intensiva ≥2 giorni e che possedessero dati completi per LDH, piastrine e creatinina.

Costruzione delle Variabili:

• Esposizione: L'EASIX è stato calcolato come $[LDH \times Creatinina] / Piastrine$. A causa dell'asimmetria positiva (right-skewness), per tutte le analisi è stato utilizzato il valore trasformato in log2 (Log2EASIX).
• Esiti: L'esito primario è stato la mortalità per tutte le cause a 28 giorni; il secondario è stata la mortalità per tutte le cause a 90 giorni.
• Covariate: Un set completo che include demografia, parametri vitali, parametri di laboratorio, punteggi di gravità della malattia (SOFA, SAPS II, APS III) e comorbidità.

Approccio Statistico e di Machine Learning:

• Analisi di Regressione: La regressione dei rischi proporzionali di Cox con spline cubiche ristrette (RCS) ha valutato la relazione dose-risposta tra Log2EASIX e mortalità attraverso quattro modelli aggiustati sequenzialmente.
• Selezione delle Caratteristiche (Feature Selection): Un set di caratteristiche di consenso è stato derivato utilizzando Boruta (ensemble wrapper) e la regressione LASSO (funzione di perdita Cox) sul set di addestramento (70% di MIMIC-IV).
• Addestramento del Modello: Sono stati addestrati quindici classificatori ML sul set di caratteristiche di consenso (19 variabili). La selezione del modello è stata basata sul benchmark della cross-validazione AUC-ROC per penalizzare l'overfitting.
• Interpretabilità e Utilità: Il modello ottimale è stato interpretato utilizzando SHapley Additive Explanations (SHAP) per l'importanza delle caratteristiche e gli effetti direzionali. L'analisi della curva di decisione (DCA) ha valutato il beneficio clinico netto rispetto alle strategie "tratta tutti" (treat-all) e "non trattare nessuno" (treat-none).

Risultati Chiave

• Associazione Indipendente: Nel modello completamente aggiustato, ogni incremento di una unità in Log2EASIX è stato associato a un rischio di mortalità a 28 giorni superiore del 25% (HR 1,25, 95% CI 1,19–1,32) e a un rischio di mortalità a 90 giorni superiore del 21% (HR 1,21, 95% CI 1,16–1,27).
• Dose-Risposta: L'analisi RCS ha rivelato una relazione prevalentemente log-lineare tra Log2EASIX e il rischio di mortalità, senza evidenza di un effetto soglia o di un plateau.
• Analisi dei Sottogruppi: L'associazione è stata coerente nella maggior parte dei sottogruppi. Dopo la correzione di Bonferroni, sono state identificate solo modificazioni d'effetto statisticamente robuste per la mortalità a 90 giorni per il punteggio GCS, l'indice di comorbidità di Charlson e lo stato di neoplasia maligna.
• Performance del Machine Learning:
  • Modello Ottimale: CatBoost ha ottenuto la più alta performance discriminativa con un'AUC di cross-validazione di 0,758.
  • Validazione Esterna: Il modello ha mantenuto la performance sulla coorte indipendente eICU (AUC 0,745).
  • Importanza delle Caratteristiche: L'analisi SHAP ha classificato Log2EASIX come il terzo predittore più importante (media |SHAP| = 0,0497), dopo il punteggio APS III e l'età.
  • Utilità Clinica: La DCA ha confermato che il modello CatBoost ha fornito un beneficio clinico netto rispetto alle strategie standard attraverso un ampio intervallo di probabilità di soglia sia nelle validazioni interne che esterne.

Contributi Chiave

1. Validazione Prognostica: Questo studio stabilisce Log2EASIX come un predittore indipendente della mortalità a breve e medio termine nei pazienti in ventilazione meccanica in terapia intensa, estendendo la sua applicabilità oltre i contesti ematologici e cardiologici.
2. Gradiente di Rischio Continuo: La ricerca dimosta che la relazione tra EASIX e mortalità è log-lineare, supportando l'uso di EASIX come un gradiente di rischio continuo piuttosto che come un cutoff binario.
3. Framework ML con Trasparenza: Lo studio sviluppa un modello di ML validato esternamente in cui l'EASIX è una caratteristica di alto livello, utilizzando SHAP per garantire l'interpretabilità del modello e la DCA per validarne l'utilità clinica, affrontando le comuni limitazioni degli studi di ML in cure critiche.
4. Praticità: L'indice si basa esclusivamente su tre valori di laboratorio routinariamente disponibili, offrendo uno strumento costo-efficace per la stratificazione del rischio al letto del paziente.

Significatività e Rivendicazioni
Gli autori affermano che Log2EASIX fornisce informazioni prognostiche significative che non sono completamente assorbite dai punteggi di gravità della malattia stabiliti (SOFA, SAPS II, APS III). Integrando l'EASIX in un framework di machine learning, lo studio supporta il suo potenziale ruolo come strumento pratico di stratificazione del rischio precoce in popolazioni ad alta mortalità. I risultati suggeriscono che lo stress endoteliale, catturato da questo semplice indice composito, è un determinante critico degli esiti nei pazienti in ventilazione meccanica. Lo studio conclude che questi risultati giustificano ulteriori indagini prospettiche per confermare l'utilità dell'EASIX nel guidare il processo decisionale clinico, come il monitoraggio dell'intensità delle cure e le discussioni sugli obiettivi di cura.