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

Technische Samenvatting: Dynamische Trajecten van Sepsis-geïnduceerde Coagulopathie en Machine Learning-gebaseerde Vroege Voorspelling

Probleemstelling

Sepsis-geïnduceerde coagulopathie (SIC) is een dynamisch proces dat gepaard gaat met inflammatie, endotheelschade en een verstoorde fibrinolyse, maar wordt momenteel beoordeeld met behulp van statische, enkelvoudige tijdstippen (de SIC-score). Deze aanpak slaagt er niet in de snelle evolutie van coagulatie en orgaanontfuncties tijdens kritieke ziekte te vangen. Patiënten met vergelijkbare baseline SIC-scores kunnen uiteenlopende klinische trajecten volgen—snelle verbetering, aanhoudende abnormaliteit of geleidelijke resolutie—die met cross-sectionele data alleen niet te onderscheiden zijn. De studie adresseert de noodzaak om reproduceerbare longitudinale SIC-scoretrajecten te identificeren en hun prognostische relevantie te bepalen over heterogene kritieke zorgpopulaties heen.

Methodologie

Deze multicenter retrospectieve cohortstudie maakte gebruik van vier verschillende kritieke zorg-databases:

• Ontwikkelingscohort: MIMIC-IV (6.416 patiënten).
• Validatiecohorten: MIMIC-III CareVue (1.157 patiënten), eICU-CRD (2.077 patiënten) en NWICU (641 patiënten).

Dataverwerking en Modellering:

1. Cohortselectie: Volwassenen (≥18 jaar) met een ICU-verblijf >24 uur die voldoen aan de Sepsis-3 criteria en de diagnose SIC hebben gekregen (SIC-score ≥4 binnen 24 uur na sepsisdiagnose) werden geïncludeerd. Patiënten moesten ten minste drie berekenbare SIC-scores hebben binnen de eerste 7 dagen van de ICU-opname.
2. Trajectmodellering: Group-based trajectory modeling (GBTM) werd toegepast op seriële SIC-scores (berekend met intervallen van 6 uur) gedurende de eerste 7 dagen. Kwadratische modellen met 1–6 latente klassen werden geëvalueerd met behulp van de Bayesian Information Criterion (BIC), entropie, gemiddelde posterior waarschijnlijkheid (AvePP) en de kans op correcte classificatie (OCC).
3. Statistische Analyse:
   • Overlevingsanalyse: Associaties met 28-daagse totale mortaliteit werden beoordeeld met behulp van multivariabele Cox proportional-hazards modellen (gecorrigeerd voor demografie, comorbiditeiten, vitale functies en laboratoriumwaarden).
   • Bias-mitigatie: Analyses omvatten meerdere imputaties voor ontbrekende gegevens, gekalibreerde inverse probability of treatment weighting (IPTW) om covariaten in balans te brengen, en een dag-7 landmark-analyse om immortal-time bias aan te pakken (door de analyse te beperken tot patiënten die op dag 7 nog in leven waren).
   • Subgroepanalyse: Interactietermen werden getest over strata (bijv. leeftijd, SOFA-score, comorbiditeiten) met FDR-correctie (false-discovery-rate).
4. Machine Learning (ML) Voorspelling: Een geneste ML-pipeline werd ontwikkeld om het "Persistently High" (aanhoudend hoge) trajectfenotype te voorspellen op basis van baseline variabelen die beschikbaar zijn binnen de eerste 24 uur.
   • Feature Selectie: Boruta- en LASSO-methoden werden gebruikt binnen een 10-voudig genest cross-validatiekader.
   • Algoritmen: Elastic net, random forest, XGBoost, SVM en k-nearest neighbors werden vergeleken.
   • Validatie: Het definitieve model (XGBoost) onderging temporele validatie (MIMIC-IV 2020–2022) en externe validatie (MIMIC-III, eICU, NWICU). Prestaties werden geëvalueerd via AUROC, AUPRC, kalibratiecurves, decision-curve analysis en SHAP (Shapley Additive Explanations).

Belangrijkste Resultaten

1. Identificatie van Drie Trajecten:
GBTM identificeerde drie onderscheidende, reproduceerbare SIC-scoretrajecten in alle vier de databases:

• Low-Rapid Decline (Laag-Snelle Daling) (19,25%): Begon met een mediane SIC van 4,0, daalde snel en stabiliseerde.
• Persistently High (Aanhoudend Hoog) (32,00%): Begon met een mediane SIC van 6,0 en bleef verhoogd met minimale verbetering.
• Moderate-Decline (Matige Daling) (48,75%): Begon op een mediane SIC van 5,0 en daalde geleidelijk.
  Het drieklassenmodel vertoonde een hoge classificatiekwaliteit (Entropie = 0,947; AvePP > 0,97).

2. Prognostische Associaties:

• Mortaliteitsrisico: Het "Persistently High" traject was consistent geassocieerd met het hoogste 28-daagse mortaliteitsrisico in alle cohorten. In volledig aangepaste modellen varieerde de hazard ratio (HR) voor Klasse 2 vs. Klasse 1 van 2,45 (eICU) tot 3,93 (NWICU).
• Robuustheid: Deze associaties bleven significant na IPTW-kalibratie en in de dag-7 landmark-analyse (bijv. HR 3,09 in MIMIC-IV voor Klasse 2).
• Incrementele Waarde: Het toevoegen van de trajectklasse aan de baseline SOFA-score verbeterde de discriminatie voor 28-daagse mortaliteit matig (bijv. ΔAUC = 0,028 in MIMIC-IV), terwijl het toevoegen van een enkele baseline SIC-score nauwelijks verbetering bood.

3. Machine Learning Prestaties:

• Predictoren: Het XGBoost-model identificeerde 10 baseline variabelen, waarbij de baseline SOFA-score en de SIC-plaatjescomponent de meest invloedrijke predictoren waren.
• Discriminatie: Het model behaalde AUROC's tussen 0,830 en 0,862 over de temporele en externe validatiecohorten.
• Kalibratie & Nut: Het model vertoonde acceptabele kalibratie (Brier scores 0,141–0,154) en een positief netto voordeel in decision-curve analysis over klinisch relevante drempelwaarden. SHAP-analyse bevestigde consistente rangordes van feature-belangrijkheid over de cohorten heen.

Betekenis en Claims

Het artikel claimt dat longitudinale SIC-metingen tijdens de eerste week van de ICU-opname reproduceerbare prognostische subfenotypen onthullen die statische beoordelingen missen. Specifiek:

• Prognostische Subfenotypen: Het "Persistently High" traject identificeert een duidelijke groep patiënten met een aanhoudend excessieel mortaliteitsrisico, terwijl "Low-Rapid Decline" een gunstig verloop markeert.
• Temporele Dimensie: Trajectinformatie voegt een matige maar betekenisvolle temporele dimensie toe aan standaard ernstbeoordelingen (SOFA), waarbij onderscheid wordt gemaakt tussen patiënten bij wie de coagulatie-dysfunctie oplost en patiënten bij wie aanhoudende abnormaliteiten optreden.
• Vroege Voorspelling: De studie demonstreert dat het "Persistently High" fenotype vroeg (binnen 24 uur) voorspeld kan worden met behulp van routinegewoon beschikbare klinische data via machine learning, met een hoge generaliseerbaarheid over verschillende instellingen en perioden heen.

Beperkingen en Waarschuwingen:
De auteurs geven expliciet aan dat dit observationele bevindingen zijn en geen causaliteit vaststellen of specifieke behandelprotocollen definiëren. De studie claimt niet dat traject-geïnformeerde interventies de uitkomsten verbeteren; in plaats daarvan stelt zij deze trajecten voor als doelwitten voor toekomstige prospectieve validatie. De auteurs waarschuwen dat het retrospectieve ontwerp ruimte laat voor residuele confounding en dat de inclusiecriteria (vereiste van meerdere SIC-scores) een selectiebias kunnen introduceren naar patiënten met langere ICU-verblijven. De bevindingen vereisen prospectieve validatie voordat ze voor klinische implementatie in aanmerking komen.