Development of a predictive model for sepsis‑induced immunosuppression using neural networks

Sintesi Tecnica: Sviluppo di un Modello Predittivo per l'Immunodepressione Indotta da Sepsi Utilizzando Reti Neurali

Definizione del Problema
La sepsi è caratterizzata da una risposta dell'ospite disregolata all'infezione, che porta a uno stato duale di iperimmunità e ipoimmunità. Quando lo stato di ipoimmunità predomina, si verifica l'immunodepressione indotta da sepsi, una condizione associata a infezioni secondarie, disfunzione multiorgano e aumento della mortalità. Sebbene la comunità clinica riconosca l'importanza dell'omeostasi immunitaria, la previsione accurata dell'insorgenza dell'immunodepressione rimane in una fase esplorativa. Gli attuali marcatori, come il monocita HLA-DR (mHLA-DR), sono spesso troppo complessi o costosi per l'analisi su larga scala di database. Al contrario, le conte linfocitarie sono più accessibili ma mancano di una soglia chiaramente definita per il monitoraggio nella letteratura esistente. Lo studio mira ad affrontare la necessità di una previsione precoce e accurata dell'immunodepressione nei pazienti con sepsi per facilitare il trattamento di precisione e la valutazione dinamica della prognosi.

Metodologia
Lo studio ha utilizzato un disegno di coorte retrospettivo utilizzando i dati del database MIMIC-IV.

• Fonte dei Dati e Coorte: L'analisi ha incluso 6.954 pazienti adulti (≥18 anni) ammessi in terapia intensiva per la prima volta con una diagnosi di Sepsis-3.0.
• Definizione dell'Esito: L'immunodepressione è stata definita come una conta linfocitaria < 1,0 × 10⁹/L.
• Variabili Predittive: Lo studio ha raccolto 14 variabili, tra cui dati demografici (età, genere, etnia), metriche cliniche (BMI, punteggio SOFA, indice di comorbidità di Charlson, valore massimo del lattato) e fattori di trattamento (ammissione d'emergenza, uso/durata di farmaci vasoattivi, ventilazione meccanica/durata, uso di corticoidi, infezione fungina e storia di neoplasia maligna).
• Elaborazione dei Dati: I dati mancanti sono stati gestiti tramite imputazione multipla (specificamente per i dati del lattato, che presentavano un tasso di assenza del 22,16%). La variabile BMI è stata esclusa a causa di un tasso di assenza del 51,13%. I dati sono stati suddivisi in set di addestramento (80%) e di validazione (20%).
• Approcci di Modellazione: Sono stati costruiti e confrontati tre algoritmi di machine learning:
  1. Perceptron Multistrato (MLP): Un approccio basato su reti neurali.
  2. Regressione Logistica (LR): Una tradizionale base statistica.
  3. XGBoost: Un modello di gradient boosting decision tree.
• Metriche di Valutazione: Le prestazioni del modello sono state valutate utilizzando l'Area Sotto la Curva (AUC), Precision, Recall, F1 Score, curve di calibrazione (test di Hosmer-Lemeshow) e l'Analisi della Curva Decisionale (DCA).

Risultati Chiave

• Caratteristiche della Coorte: L'incidenza dell'immunodepressione nella coorte è stata del 28,5% (1.983 su 6.954 pazienti).
• Analisi Univariata: Sono state trovate associazioni significative tra l'immunodepressione e l'età, il genere, l'ammissione d'emergenza, il punteggio SOFA, l'indice di comorbidità di Charlson, l'infezione fungina, l'uso di farmaci vasoattivi, la durata dei farmaci vasoattivi, la ventilazione meccanica e i livelli di lattato.
• Analisi Multivariata: Il modello finale di regressione logistica ha identificato otto predittori indipendenti: età, ammissione d'emergenza, indice di comorbidità di Charlson, infezione fungina, uso di farmaci vasoattivi, durata totale dei vasoattivi, ventilazione meccanica e livelli di lattato. Significativamente, il genere, il punteggio SOFA, il tumore maligno e la durata della ventilazione meccanica non erano statisticamente significativi nel modello logistico multivariato, sebbene rimanessero rilevanti nel contesto del machine learning.
• Prestazioni del Modello:
  • Modello MLP: Ha dimostrato una prestazione superiore con un AUC di 0,82, Precision di 0,7208, Recall di 0,8441 e F1 Score di 0,7776.
  • Modello XGBoost: Ha performato scarsiamente con un AUC di 0,602, una Recall di 0,113 e un F1 Score di 0,177.
  • Regressione Logistica: Ha mostrato una prestazione moderata con un AUC di 0,686.
• Importanza delle Caratteristiche: Nel modello MLP, i fattori più influenti per la previsione dell'immunodepressione sono stati, in ordine: ammissione d'emergenza, punteggio SOFA, età, valore massimo del lattato, durata della ventilazione meccanica, durata totale dei vasoattivi, indice di comorbidità di Charlson, genere, neoplasia, razza, uso di corticoidi e infezione fungina.

Significatività e Rivendicazioni
Gli autori sostengono che il modello MLP sviluppato funga da strumento affidabile per l'identificazione precoce del rischio di immunodepressione indotta da sepsi. Lo studio postula che la capacità del modello di integrare diverse variabili cliniche consenta:

1. Intervento Precoce: Identificare i pazienti ad alto rischio per consentire aggiustamenti tempestivi nel trattamento, come l'uso di potenziatori immunitari (ad es. peptidi della timosina, fattori stimolanti le colonie di granulociti).
2. Medicina di Precisione: Facilitare piani di trattamento individualizzati, come evitare l'uso eccessivo di immunosoppressori o ottimizzare la tempistica della sospensione degli ormoni.
3. Ottimizzazione delle Risorse: Migliorare la valutazione della prognosi del paziente per allocare meglio le risorse di terapia intensiva.

Il documento conclude che, sebbene il modello mostri un potenziale valore clinico, richiede un'ulteriore validazione in dataset multicentrici e con campioni più ampi per migliorarne l'accuratezza e l'universalità prima di una diffusione nell'implementazione clinica. Gli autori riconoscono i limiti intrinseci agli studi retrospettivi, inclusi il bias di selezione e l'esclusione di variabili come il BMI a causa della perdita di dati, osservando che le relazioni causali richiedono ulteriori verifiche.