Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

Sintesi Tecnica: Traiettorie Dinamiche della Coagulopatia Indotta da Sepsi e Previsione Precoce Basata sul Machine Learning

Definizione del Problema

La coagulopatia indotta da sepsi (SIC) è un processo dinamico che coinvolge infiammazione, danno endoteliale e compromissione della fibrinolisi, ma viene attualmente valutata utilizzando misurazioni statiche in un singolo punto temporale (il punteggio SIC). Questo approccio non riesce a catturare l'evoluzione rapida della coagulazione e della disfunzione d'organo durante la malattia critica. I pazienti con punteggi SIC basali simili possono seguire corsi clinici divergenti — rapido miglioramento, persistente anormalità o risoluzione graduale — che sono indistinguibili utilizzando esclusivamente dati trasversali. Lo studio affronta la necessità di identificare traiettorie del punteggio SIC longitudinali riproducibili e determinare la loro rilevanza prognostica in popolazioni eterogenee di terapia intensiva.

Metodologia

Questo studio di coorte retrospettivo multicentrico ha utilizzato quattro distinti database di terapia intensiva:

• Coorte di Sviluppo: MIMIC-IV (6.416 pazienti).
• Coorti di Validazione: MIMIC-III CareVue (1.157 pazienti), eICU-CRD (2.077 pazienti) e NWICU (641 pazienti).

Elaborazione dei Dati e Modellazione:

1. Selezione della Coorte: Adulti (≥18 anni) con degenze in terapia intensiva >24 ore che soddisfacano i criteri Sepsis-3 e siano stati diagnosticati con SIC (punteggio SIC ≥4 entro 24 ore dalla diagnosi di sepsi); i pazienti richiedevano almeno tre punteggi SIC calcolabili entro i primi 7 giorni di ammissione in terapia intensiva.
2. Modellazione delle Traiettorie: È stata applicata la modellazione delle traiettorie basata sui gruppi (GBTM) ai punteggi SIC seriali (calcolati a intervalli di 6 ore) durante i primi 7 giorni. Sono stati valutati modelli quadratici con 1–6 classi latenti utilizzando il Criterio di Informazione Bayesiana (BIC), l'entropia, la probabilità posteriore media (AvePP) e le probabilità di corretta classificazione (OCC).
3. Analisi Statistica:
   • Analisi della Sopravvivenza: Le associazioni con la mortalità per tutte le cause a 28 giorni sono state valutate utilizzando modelli di rischi proporzionali di Cox multivariati (aggiustati per demografia, comorbidità, parametri vitali e laboratori).
   • Mitigazione dei Bias: Le analisi hanno incluso l'imputazione multipla per i dati mancanti, il calibramento tramite Inverse Probability of Treatment Weighting (IPTW) per bilanciare le covariate e un'analisi landmark al giorno 7 per affrontare il bias del tempo immortale (limitando l'analisi ai pazienti vivi al giorno 7).
   • Analisi dei Sottogruppi: Sono stati testati termini di interazione attraverso gli strati (es. età, punteggio SOFA, comorbidità) con correzione del tasso di falsa scoperta (FDR).
4. Previsione tramite Machine Learning (ML): È stata sviluppata una pipeline di ML nidificata per prevedere il fenotipo della traiettoria "Persistente Alta" utilizzando le variabili basali disponibili entro le prime 24 ore.
   • Selezione delle Caratteristiche: Metodi Boruta e LASSO sono stati utilizzati all'interno di un framework di cross-validazione nidificata a 10 pieghe.
   • Algoritmi: Sono stati confrontati Elastic net, Random Forest, XGBoost, SVM e k-nearest neighbors.
   • Validazione: Il modello finale (XGBoost) è stato sottoposto a validazione temporale (MIMIC-IV 2020–2022) e validazione esterna (MIMIC-III, eICU, NWICU). Le prestazioni sono state valutate tramite AUROC, AUPRC, curve di calibrazione, analisi della curva decisionale e SHAP (Shapley Additive exPlanations).

Risultati Chiave

1. Identificazione di Tre Traiettorie:
La GBTM ha identificato tre traiettorie del punteggio SIC distinte e riproducibili in tutti e quattro i database:

• Bassa-Rapido Declino (19,25%): Iniziava con un SIC mediano di 4,0, declinava rapidamente e si stabilizzava.
• Persistente Alta (32,00%): Iniziava con un SIC mediano di 6,0 e rimaneva elevata con un miglioramento minimo.
• Moderata-Declino (48,75%): Iniziava a un SIC mediano di 5,0 e declinava gradualmente.
  Il modello a tre classi ha dimostrato un'alta qualità di classificazione (Entropia = 0,947; AvePP > 0,97).

2. Associazioni Prognostiche:

• Rischio di Mortalità: La traiettoria "Persistente Alta" è stata costantemente associata al rischio di mortalità a 28 giorni più elevato in tutte le coorti. Nei modelli completamente aggiustati, l'hazard ratio (HR) per la Classe 2 rispetto alla Classe 1 variava da 2,45 (eICU) a 3,93 (NWICU).
• Robustezza: Queste associazioni sono rimaste significative dopo la calibrazione IPTW e nell'analisi landmark al giorno 7 (es. HR 3,09 in MIMIC-IV per la Classe 2).
• Valore Incrementale: L'aggiunta della classe di traiettoria al punteggio SOFA basale ha migliorato moderatamente la discriminazione per la mortalità a 28 giorni (es. ΔAUC = 0,028 in MIMIC-IV), mentre l'aggiunta di un singolo punteggio SIC basale ha fornito un miglioramento trascurabile.

3. Prestazioni del Machine Learning:

• Predittori: Il modello XGBoost ha identificato 10 variabili basali, con il punteggio SOFA basale e la componente piastrinica del SIC come i predittori più influenti.
• Discriminazione: Il modello ha raggiunto AUROC compresi tra 0,830 e 0,862 nelle coorti di validazione temporale ed esterna.
• Calibrazione e Utilità: Il modello ha mostrato una calibrazione accettabile (Brier scores 0,141–0,154) e un beneficio netto positivo nell'analisi della curva decisionale attraverso soglie clinicamente rilevanti. L'analisi SHAP ha confermato la coerenza della classificazione dell'importanza delle caratteristiche tra le coorti.

Significatività e Rivendicazioni

L'articolo sostiene che le misurazioni longitudinali del SIC durante la prima settimana di ammissione in terapia intensiva rivelano sottofenotipi prognostici riproducibili che le valutazioni statiche non colgono. Nello specifico:

• Sottofenotipi Prognostici: La traiettoria "Persistente Alta" identifica un gruppo distinto di pazienti con un rischio di mortalità eccessivo e sostenuto, mentre la "Bassa-Rapido Declino" indica un decorso favorevole.
• Dimensione Temporale: L'informazione sulla traiettoria aggiunge una dimensione temporale modesta ma significativa alle valutazioni standard della gravità (SOFA), distinguendo i pazienti la cui disfunzione della coagulazione si risolve da quelli con anomalie persistenti.
• Previsione Precoce: Lo studio dimostra che il fenotipo "Persistente Alta" può essere predetto precocemente (entro 24 ore) utilizzando dati clinici routinariamente disponibili tramite machine learning, con un'alta generalizzabilità tra diverse istituzioni e periodi di tempo.

Limitazioni e Avvertenze:
Gli autori dichiarano esplicitamente che queste sono osservazioni osservazionali e non stabiliscono la causalità né definiscono protocolli di trattamento specifici. Lo studio non afferma che gli interventi basati sulle traiettorie migliorino gli esiti; piuttosto, propone queste traiettorie come obiettivi per la futura validazione prospettica. Gli autori avvertono che il design retrospettivo lascia spazio a confondimento residuo e che i criteri di inclusione (che richiedono molteplici punteggi SIC) possono introdurre un bias di selezione verso degenze in terapia intensiva più lunghe. I risultati richiedono una validazione prospettica prima dell'implementazione clinica.