Oropouche, Dengue, and Chikungunya differential diagnosis using Brazilian surveillance data: development and validation of predictive models

Sintesi Tecnica: Diagnosi Differenziale di Oropouche, Dengue e Chikungunya Utilizzando Dati di Sorveglianza Brasiliani

Problematica
Dal 2024, il Brasile sta vivendo un significativo focolaio di Febbre di Oropouche (OF), che si è espanso dal suo tradizionale ambito amazzonico verso gli stati del sud-est, come l'Espírito Santo. Sebbene esistano modelli predittivi per Dengue e Chikungunya, esiste una lacuna critica negli strumenti capaci di differenziare Dengue, Chikungunya e la emergente OF all'interno di un contesto clinico e di sorveglianza. Questi arbovirus condividono presentazioni cliniche eterogenee e sovrapponibili (ad esempio, febbre, mialgia, artralgia), complicando la diagnosi differenziale. Inoltre, le co-infezioni si verificano in circa il 2,1% dei casi a livello globale, e la letteratura esistente offre dati limitati per distinguere l'OF dalla Dengue, con tentativi precedenti che hanno prodotto prestazioni scarse. Lo studio affronta la necessità di modelli di predizione clinica validati per assistere nel percorso diagnostico e nel monitoraggio epidemiologico di questi virus co-circolanti.

Metodologia
Lo studio ha utilizzato dati di sorveglianza provenienti dal sistema sanitario dello stato dell'Espírito Santo in Brasile, coprendo il periodo da marzo 2023 a luglio 2025.

• Fonte dei dati: Il dataset comprendeva 465.280 osservazioni derivate da moduli di notifica elettronica. I casi sono stati classificati in quattro esiti: Dengue, Chikungunya, Febbre di Oropouche (OF) e "scartati" (casi senza una diagnosi confermata). I casi di Zika sono stati inclusi nei dati iniziali ma esclusi dalla modellazione finale a causa di prestazioni del modello inaccettabili.
• Definizione del caso: Gli esiti sono stati determinati tramite conferma clinico-epidemiologica (legame epidemiologico + sintomi compatibili) o conferma di laboratorio (RT-qPCR o IgM specifiche).
• Predittori: I modelli hanno incorporato 28 potenziali predittori estratti dai moduli di notifica, inclusi dati demografici (età, sesso, razza, istruzione, indirizzo), segni clinici (febbre, cefalea, vomito, artralgia, rash, ecc.) e comorbidità (diabete, ipertensione, ecc.).
• Approccio di modellazione: I ricercatori hanno impiegato modelli di regressione Random Forest, sviluppando un modello separato per ogni esito (Dengue, Chikungunya, OF) piuttosto che un singolo modello multiclasse, a causa della complessità delle co-infezioni.
  • Suddivisione dei dati: I dati sono stati divisi casualmente in un set di addestramento (due terzi) e un set di validazione (un terzo).
  • Selezione delle caratteristiche: Le variabili sono state selezionate utilizzando un metodo di "attributo ombra" (shadow attribute), confrontando l'importanza della variabile con attributi ombra rimescolati per mantenere solo quelli che superavano il rumore casuale.
  • Gestione dello squilibrio: Lo squilibrio delle classi è stato gestito ponderando le osservazioni inversamente alla densità dell'esito.
  • Calibrazione: Le predizioni sono state calibrate utilizzando il metodo di scaling di Platt per migliorare le stime di probabilità.
• Valutazione: Le prestazioni sono state valutate utilizzando ROC AUC, R², metriche di calibrazione (intercetta, pendenza, metriche di errore) e trade-off sensibilità-specificità.

Risultati Chiave

• Composizione del dataset: Il dataset finale analizzato includeva 261.691 casi di Dengue (56,6%), 18.676 casi di Chikungunya (4,0%), 12.174 casi di OF (2,6%) e 179.115 casi scartati (38,6%).
• Selezione dei predittori:
  • Modello Dengue: Ha mantenuto 24 predittori. Le caratteristiche più discriminatorie includevano leucopenia, vomito, febbre, cefalea, dolore retro-orbitale, petecchie e la settimana di insorgenza dei sintomi.
  • Modello Chikungunya: Ha mantenuto 25 predittori. I principali discriminatori erano l'intensa artralgia, l'artrite, le petecchie e il mal di schiena.
  • Modello OF: Ha mantenuto 16 predittori. A differenza degli altri modelli, le caratteristiche epidemiologiche (settimana dei primi sintomi, età, istruzione, indirizzo, colore della pelle) sono state i discriminatori più rilevanti, piuttosto che specifici sintomi clinici.
• Prestazioni del modello:
  • Dengue: ROC AUC di 0,726 nel set di validazione. Ha dimostrato le migliori metriche di calibrazione ma la minore discriminazione tra i tre.
  • Chikungunya: ROC AUC di 0,851 nel set di validazione, mostrando una buona discriminazione.
  • Oropouche (OF): ROC AUC di 0,896 nel set di validazione, mostrando la più alta discriminazione ma una calibrazione meno ottimale agli intervalli di probabilità più elevati.
• Supporto decisionale: Lo studio ha definito specifiche soglie di probabilità per categorizzare le predizioni in intervalli "incerti", "inconcludenti" e "conclusivi" per assistere gli utenti nel processo decisionale. Ad esempio, il modello Dengue ha suggerito un intervallo inconcludente da 0,47 a 0,67.

Significato e Rivendicazioni
Gli autori affermano che questa ricerca identifica con successo i predittori più discriminanti per Dengue, Chikungunya e OF, colmando una lacuna nella letteratura riguardante la differenziazione di OF. Lo studio valida tre modelli predittivi distinti con prestazioni da moderate a molto buone, che sono destinati a servire come strumenti di supporto alle decisioni piuttosto che come sostituti del giudizio clinico o della conferma di laboratorio.

La significatività del lavoro risiede nel suo potenziale di:

1. Ottimizzare i percorsi diagnostici: Fornendo stime probabilistiche basate su dati clinici ed epidemiologici facilmente reperibili, i modelli possono aiutare a dare priorità ai pazienti per i test di conferma di laboratorio, specialmente in contesti con risorse limitate.
2. Migliorare la sorveglianza: I modelli possono aiutare nel rilevamento precoce e nel monitoraggio degli outbreak di arbovirus, specialmente mentre l'OF si espande in nuove aree geografiche.
3. Affrontare minacce emergenti: Questo è uno dei pochi studi che tenta la modellazione clinica della Febbre di Oropouche, riconoscendo la sua crescente importanza epidemiologica in America Latina.

Gli autori sottolineano che i modelli sono specifici per il contesto dei dati di sorveglianza brasiliani e potrebbero richiedere aggiornamenti se la stagionalità o la presentazione clinica dell'OF dovessero cambiare. Dichiarano esplicitamente che i modelli non sostituiscono i protocolli di laboratorio ma mirano a raffinare l'uso razionale dei test complementari e a supportare il ragionamento clinico durante la co-circolazione di molteplici arbovirus. Una web application (Shiny app) che implementa questi modelli è resa disponibile per l'uso pubblico.