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

Technische Samenvatting: Differentiaaldiagnose van Oropouche, Dengue en Chikungunya met behulp van Braziliaanse surveillancegegevens

Probleemstelling
Sinds 2024 heeft Brazilië te maken met een significante uitbraak van de Oropouchekoorts (OF), die zich heeft uitgebreid van het traditionele Amazonegebied naar zuidoostelijke staten zoals Espírito Santo. Hoewel er voorspellende modellen bestaan voor Dengue en Chikungunya, is er een kritiek tekort aan instrumenten die in staat zijn om Dengue, Chikungunya en de opkomende OF te differentiëren binnen een klinische en surveillancecontext. Deze arbovirussen delen heterogene en overlappende klinische presentaties (bijv. koorts, myalgie, artralgie), wat de differentiaaldiagnose bemoeilijkt. Bovendien komen co-infecties wereldwijd voor in ongeveer 2,1% van de gevallen, en de bestaande literatuur biedt beperkte gegevens over het onderscheiden van OF van Dengue, waarbij eerdere pogingen een slechte prestatie lieten zien. De studie adresseert de behoefte aan gevalideerde klinische voorspellingsmodellen om de diagnostische procedure en epidemiologische monitoring van deze co-circulerende virussen te ondersteunen.

Methodologie
De studie maakte gebruik van surveillancegegevens uit het gezondheidssysteem van de staat Espírito Santo in Brazilië, die de periode van maart 2023 tot juli 2025 beslaan.

• Databron: De dataset bestond uit 465.280 observaties afkomstig van elektronische meldingsformulieren. Casussen werden geclassificeerd in vier uitkomsten: Dengue, Chikungunya, Oropouchekoorts (OF) en "verworpen" (gevallen zonder bevestigde diagnose). Zika-gevallen werden in de initiële data opgenomen, maar uitgesloten van de uiteindelijke modellering vanwege een onaanvaardbare modelprestatie.
• Casusdefinitie: Uitkomsten werden bepaald via klinisch-epidemiologische bevestiging (epidemiologische link + compatibele symptomen) of laboratoriumbevestiging (RT-qPCR of specifieke IgM).
• Predictoren: De modellen bevatten 28 potentiële predictoren geëxtraheerd uit meldingsformulieren, inclusief demografische gegevens (leeftijd, geslacht, ras, opleiding, adres), klinische tekenen (koorts, hoofdpijn, braken, artralgie, huiduitslag, etc.) en comorbiditeiten (diabetes, hypertensie, etc.).
• Modelleringsaanpak: De onderzoekers gebruikten Random Forest-regressiemodellen en ontwikkelden een apart model voor elke uitkomst (Dengue, Chikungunya, OF) in plaats van één enkel multiclass-model, vanwege de complexiteit van co-infecties.
  • Data-splitsing: De data werd willekeurig verdeeld in een trainingsset (twee derde) en een validatieset (één derde).
  • Feature Selectie: Predictoren werden geselecteerd met behulp van een "shadow attribute"-methode, waarbij de variabele belangrijkheid werd vergeleken met geschudde "schaduw"-attributen om alleen variabelen te behouden die de willekeurige ruis overtreffen.
  • Omgaan met onbalans: Class-onbalans werd beheerd door observaties omgekeerd evenredig aan de uitkomstdichtheid te wegen.
  • Kalibratie: Voorspellingen werden gekalibreerd met de Platt-scaling methode om de waarschijnlijkheidschattingen te verbeteren.
• Evaluatie: Prestaties werden beoordeeld met behulp van ROC AUC, R², kalibratiemetrieken (intercept, helling, foutmetrieken) en sensitiviteit-specificiteit trade-offs.

Belangrijkste Resultaten

• Samenstelling van de dataset: De uiteindelijke geanalyseerde dataset bevatte 261.691 Denguegevallen (56,6%), 18.676 Chikungunyagevallen (4,0%), 12.174 OF-gevallen (2,6%) en 179.115 verworpen gevallen (38,6%).
• Predictorselectie:
  • Dengue-model: Behield 24 predictoren. De meest discriminerende kenmerken waren leukopenie, braken, koorts, hoofdpijn, retro-orbitaal pijn, petechieën en de week van symptoomontstaan.
  • Chikungunya-model: Behield 25 predictoren. Belangrijke discriminatoren waren intense artralgie, artritis, petechieën en rugpijn.
  • OF-model: Behield 16 predictoren. In tegen tegenstelling tot de andere modellen waren epidemiologische kenmerken (week van de eerste symptomen, leeftijd, opleiding, adres, huidskleur) de meest relevante discriminatoren, in plaats van specifieke klinische symptomen.
• Modelprestaties:
  • Dengue: ROC AUC van 0,726 in de validatieset. Het vertoonde de beste kalibratiemetrieken maar de laagste discriminatie van de drie.
  • Chikungunya: ROC AUC van 0,851 in de validatieset, wat een goede discriminatie laat zien.
  • Oropouche (OF): ROC AUC van 0,896 in de validatieset, wat de hoogste discriminatie vertoont, maar minder optimale kalibratie bij hogere waarschijnlijkheidsbereiken.
• Besluitvormingsondersteuning: De studie definieerde specifieke waarschijnlijkheidsdrempels om voorspellingen te categoriseren in "onzekere", "onbesliste" en "conclusieve" bereiken om gebruikers bij de besluitvorming te helpen. Bijvoorbeeld, het Dengue-model suggereerde een onbeslist bereik van 0,47 tot 0,67.

Betekenis en Claims
De auteurs beweren dat dit onderzoek succesvol de meest discriminerende predictoren heeft geïdentificeerd voor Dengue, Chikungunya en OF, waarmee een gat in de literatuur met betrekking tot OF-differentiatie wordt opgevuld. De studie valideert drie afzonderlijke voorspellende modellen met een matige tot zeer goede prestatie, die bedoeld zijn als besluitvormingsinstrumenten en niet als vervanging voor klinisch oordeel of laboratoriumbevestiging.

De betekenis van het werk ligt in het potentieel om:

1. Diagnostische procedures te optimaliseren: Door waarschijnlijkheidsschattingen te bieden op basis van direct beschikbare klinische en epidemiologische gegevens, kunnen de modellen helpen bij het prioriteren van patiënten voor bevestigende laboratoriumtests, met name in omgevingen met beperkte middelen.
2. Surveillance te verbeteren: De modellen kunnen helpen bij de vroege detectie en monitoring van arbovirusuitbraken, vooral naarmate OF zich naar nieuwe geografische gebieden uitbreidt.
3. Opkomende dreigingen aan te pakken: Dit is een van de weinige studies die probeert de klinische modellering van de Oropouchekoorts uit te voeren, waarbij de groeiende epidemiologische belangrijkheid in Latijns-Amerika wordt erkend.

De auteurs benadrukken dat de modellen contextspecifiek zijn voor de Braziliaanse surveillancegegevens en mogelijk updates vereisen als de seasonaliteit of de klinische presentatie van OF verandert. Ze stellen expliciet dat de modellen geen laboratoriumonderzoek vervangen, maar bedoeld zijn om het rationele gebruik van complementaire tests te verfijnen en het klinisch redeneren te ondersteunen tijdens de co-circulatie van meerdere arbovirussen. Een webapplicatie (Shiny app) waarin deze modellen worden geïmplementeerd, is beschikbaar voor publiek gebruik.