Development and Transportability Assessment of a Parsimonious Machine Learning Model for Predicting In-Hospital Mortality in ICU Patients with Cirrhosis and Sepsis: A MIMIC-IV and Chinese Cohort Study

Sintesi Tecnica: Sviluppo e Valutazione della Trasportabilità di un Modello di Machine Learning Parsimonioso per la Predizione della Mortalità Intraospedaliera in Pazienti in Terapia Intensiva con Cirrosi e Sepsi

Problematica
I pazienti con cirrosi che sviluppano sepsi affrontano un rischio sproporzionatamente elevato di mortalità intraospedaliera, con tassi di decesso circa quattro volte superiori rispetto ai pazienti con sepsi senza cirrosi. I punteggi prognostici convenzionali, come il Sequential Organ Failure Assessment (SOFA) e l'Acute Physiology and Chronic Health Evaluation (APACHE II), sono stati derivati da coorti di terapia intensiva generali e spesso non riescono a catturare i complessi squilibri emodinamici, infiammatori e metabolici specifici per questa popolazione soggetta a "doppio insulto". Inoltre, i modelli di machine learning (ML) esistenti per questa demografia sono stati ampiamente sviluppati e testati in coorti isolate, mancando di una robusta valutazione della trasportabilità delle caratteristiche attraverso popolazioni geograficamente e clinicamente distinte. Esiste una critica necessità di uno strumento interpretabile e basato sui dati che utilizzi variabili regolarmente raccolte entro le prime 24 ore dal ricovero in terapia intensiva per consentire una precoce stratificazione del rischio.

Metodologia
Questo studio di coorte retrospettivo ha utilizzato un approccio in due fasi che prevede una coorte di derivazione dal database MIMIC-IV (basato negli USA) e una coorte di validazione esterna indipendente dall'Ospedale Popolare del Secondo Fuyang (Cina).

1. Fonti dei Dati e Popolazione:

   • Coorte di Derivazione: 2.519 pazienti con cirrosi e sepsi da MIMIC-IV (v3.1), suddivisi in un set di addestramento (n=1.763) e un set di validazione interna (n=756).
   • Coorte Esterna: 264 pazienti di un ospedale terziario cinese.
   • Criteri di Inclusione: Soggiorno in terapia intensiva ≥24 ore, cirrosi e sepsi documentate (tramite codici ICD-9/10) e dati completi per le variabili essenziali.
   • Esito: Mortalità per tutte le cause intraospedaliera.
   • Predittori: Limitati ai dati disponibili entro le prime 24 ore dall'ammissione, inclusi dati demografici, comorbidità, interventi (CRRT, ventilazione meccanica), punteggi di gravità (SOFA, APACHE II), parametri vitali e parametri di laboratorio iniziali.

2. Selezione delle Caratteristiche e Preprocessamento:

   • Le variabili con una mancanza di dati >20% sono state escluse.
   • I dati mancanti (≤20%) nel set di addestramento sono stati gestiti tramite imputazione multipla (pacchetto mice, m=5).
   • Le variabili continue sono state Winsorizzate al 1° e al 99° percentile per mitigare l'influenza degli outlier.
   • Regressione LASSO: Applicata a 36 variabili candidate per selezionare i predittori più robusti, trattenendo 13 caratteristiche con coefficienti non nulli: età, CRRT, punteggio SOFA, punteggio APACHE II, frequenza cardiaca, conta dei globuli bianchi, INR, ALT, bilirubina totale, pO₂, lattato, glucosio e azotemia.

3. Sviluppo del Modello:

   • Sette algoritmi di ML sono stati addestrati sulle 13 caratteristiche selezionate: XGBoost, LightGBM, Random Forest (RF), Regressione Logistica (LR), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) e Decision Tree (DT).
   • Gli iperparametri sono stati ottimizzati tramite cross-validazione a cinque pieghe e ricerca a griglia (grid search).
   • Interpretabilità: Il modello ottimale (XGBoost) è stato decodificato utilizzando i valori SHAP (SHapley Additive exPlanations) per determinare l'importanza globale delle caratteristiche e visualizzare le relazioni dose-risposta.

4. Strategia di Valutazione della Trasportabilità:

   • Riconoscendo la significativa eterogeneità basale tra le coorti statunitense e cinese (es. età, carico di comorbidità, punteggi di gravità), gli autori non hanno semplicemente applicato il modello a 13 variabili congelato.
   • Inveve, hanno identificato le 5 caratteristiche principali basate sulle classifiche di importanza globale SHAP: bilirubina totale, INR, punteggio APACHE II, lattato e pO₂.
   • Un modello XGBoost parsimonioso a 5 variabili è stato ricostruito e addestrato specificamente sulla coorte cinese esterna per valutare la trasportabilità di questi segnali prognostici centrali.

Risultati Chiave

• Prestazioni del Modello (Validazione Interna):

  • Il modello XGBoost ha dimostrato una capacità discriminativa superiore rispetto agli altri algoritmi, raggiungendo un AUROC di 0,840 (9C 0,811–0,868) nel set di validazione interna.
  • Ha superato RF (0,829), LightGBM (0,827) e LR (0,797).
  • Le curve di calibrazione hanno mostrato un eccellente accordo tra mortalità prevista e osservata, e l'Analisi della Curva Decisionale (DCA) ha confermato un maggiore beneficio clinico netto attraverso un ampio intervallo di probabilità di soglia (0,1–0,6).

• Importanza delle Caratteristiche (Analisi SHAP):

  • I primi 10 predittori che guidano il rischio di mortalità sono stati: bilirubina totale, INR, punteggio APACHE II, lattato, pO₂, età, punteggio SOFA, ALT, BUN e frequenza cardiaca.
  • I grafici di dipendenza SHAP hanno rivelato relazioni dose-risposta intuitive: l'aumento di bilirubina, INR, lattato e punteggi APACHE II è stato associato positivamente a un aumento della mortalità, mentre livelli più elevati di pO₂ hanno esercitato un effetto protettivo.

• Trasportabilità (Validazione Esterna):

  • La coorte cinese esterna ha mostrato differenze significative rispetto alla coorte MIMIC-IV, inclusi un'età più giovane, una minore prevalenza di comorbidità (ipertensione, CAD, COPD) e punteggi di gravità basali inferiori.
  • Il modello parsimonioso a 5 variabili (Bilirubina Totale, INR, APACHE II, Lattato, pO₂) ha raggiunto un AUROC di 0,857 (95% CI 0,796–0,918) nella coorte esterna.
  • Questa prestazione ha rispecchiato i risultati della validazione interna e ha superato significativamente i punteggi SOFA e APACHE II utilizzati singolarmente.
  • La calibrazione è stata eccellente nello strato ad alto rischio (>0,6 di probabilità), sebbene sia stata osservata una leggera sottostima negli intervalli di rischio medio-basso.

Significato e Rivendicazioni
L'articolo sostiene che un insieme altamente focalizzato di segnali fisiopatologici è sufficiente per la precoce predizione della mortalità nei pazienti con cirrosi e sepsi. I principali contributi sono:

1. Sviluppo di un Modello Interpretabile: Lo studio fornisce un modello XGBoost che raggiunge un'alta discriminazione (AUROC ~0,84–0,86) utilizzando solo variabili disponibili entro le prime 24 ore dall'ammissione in terapia intensiva.
2. Dimostrazione della Trasportabilità tra Popolazioni: Ricostruendo un modello parsimonioso utilizzando le 5 caratteristiche classificate per importanza SHAP, gli autori dimostrano che i segnali prognostici centrali (marcatori della funzione epatica, stato della coagulazione, crisi metabolica e ossigenazione) rimangono predittori robusti attraverso popolazioni etiche e cliniche distinte (USA vs Cina).
3. Superiorità rispetto ai Punteggi Convenzionali: Il modello ML a 5 variabili ha costantemente superato i punteggi di gravità tradizionali (SOFA, APACHE II) sia in ambito interno che esterno.
4. Utilità Clinica: Il modello offre uno strumento pratico, pronto per l'uso al letto del paziente per la precoce stratificazione del rischio, informando potenzialmente interventi terapeutici tempestivi per questa popolazione ad alto rischio.

Gli autori rilevano limitazioni, tra cui la natura retrospettiva dello studio, l'uso di un modello ricostruito anziché di un algoritmo congelato per la validazione esterna e l'origine monocentrica della coorte esterna. Concludono che, sebbene lo strumento sia promettente, sono necessari futuri studi prospettici multicentrici e l'integrazione nei flussi di lavoro in tempo reale delle cartelle cliniche elettroniche (EHR) per confermarne l'utilità.