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

Technische Samenvatting: Ontwikkeling van een predictief model voor sepsis-geïnduceerde immunosuppressie met behulp van neurale netwerken

Probleemstelling
Sepsis wordt gekenmerkt door een ontregelde gastheerrespons op infectie, wat leidt tot een duale staat van hyperimmuniteit en hypoimmuniteit. Wanneer de staat van hypoimmuniteit domineert, resulteert dit in sepsis-geïnduceerde immunosuppressie, een conditie die geassocieerd wordt met secundaire infecties, multiorgaanfalen en verhoogde mortaliteit. Hoewel de klinische gemeenschap het belang van immuunhomeostase erkent, bevindt de nauwkeurige voorspelling van het ontstaan van immunosuppressie zich nog in een verkennende fase. Huidige markers, zoals monocyten HLA-DR (mHLA-DR), zijn vaak te complex of te duur voor grootschalige database-analyse. Daarentegen zijn lymfocytenaantallen toegankelijker, maar ontbreekt in de bestaande literatuur een duidelijk gedefinieerde drempelwaarde voor monitoring. De studie beoogt de behoefte aan vroege, nauwkeurige voorspelling van immunosuppressie bij sepsispatiënten aan te pakken om precisiebehandeling en dynamische prognosebepaling te faciliteren.

Methodologie
De studie maakte gebruik van een retrospectief cohortontwerp met gegevens uit de MIMIC-IV database.

• Databron & Cohort: De analyse omvatte 6.954 volwassen patiënten (≥18 jaar) die voor het eerst werden opgenomen op de IC met een Sepsis-3.0 diagnose.
• Definitie van Uitkomst: Immunosuppressie werd gedefinieerd als een lymfocytenaantal < 1,0 × 10⁹/L.
• Predictieve Variabelen: De studie verzamelde 14 variabelen, waaronder demografische gegevens (leeftijd, geslacht, etniciteit), klinische parameters (BMI, SOFA-score, Charlson comorbidity index, maximale lactaatwaarde) en behandelingsfactoren (spoedopname, gebruik/duur van vasoactieve medicatie, mechanische ventilatie/duur, corticoidengebruik, schimmelinfectie en maligniteitshistorie).
• Gegevensverwerking: Ontbrekende gegevens werden afgehandeld via multiple imputation (specifiek voor lactaatgegevens, die een ontbrekende ratio van 22,16% hadden). De BMI-variabele werd uitgesloten vanwege een ontbrekende ratio van 51,13%. De gegevens werden gesplitst in trainingssets (80%) en validatiesets (20%).
• Modelleringsbenaderingen: Er werden drie machine learning-algoritmen geconstrueerd en vergeleken:
  1. Multilayer Perceptron (MLP): Een neurale netwerkbenadering.
  2. Logistische Regressie (LR): Een traditionele statistische baseline.
  3. XGBoost: Een gradient boosting decision tree model.
• Evaluatiemetrieken: De prestaties van de modellen werden beoordeeld aan de hand van AUC, Precisie, Recall, F1-score, kalibratiecurves (Hosmer-Lemeshow test) en Decision Curve Analysis (DCA).

Belangrijkste Resultaten

• Cohortkenmerken: De incidentie van immunosuppressie in het cohort was 28,5% (1.983 van de 6.954 patiënten).
• Univariante Analyse: Significante associaties werden gevonden tussen immunosuppressie en leeftijd, geslacht, spoedopname, SOFA-score, Charlson comorbidity index, schimmelinfectie, gebruik van vasoactieve medicatie, duur van vasoactieve medicatie, mechanische ventilatie en lactaatwaarden.
• Multivariante Analyse: Het uiteindelijke logistische regressiemodel identificeerde acht onafhankelijke voorspellers: leeftijd, spoedopname, Charlson comorbidity index, schimmelinfectie, gebruik van vasoactieve medicatie, totale duur van vasoactieve medicatie, mechanische ventilatie en lactaatwaarden. Opvallend genoeg waren geslacht, SOFA-score, kwaadaardige tumor en de duur van mechanische ventilatie niet statistisch significant in het multivariante logistische model, hoewel zij wel relevant bleven in de machine learning-context.
• Modelprestaties:
  • MLP-model: Toonde een superieure prestatie met een AUC van 0,82, Precisie van 0,7208, Recall van 0,8441 en een F1-score van 0,7776.
  • XGBoost-model: Presteerde slecht met een AUC van 0,602, een Recall van 0,113 en een F1-score van 0,177.
  • Logistische Regressie: Toonde een matige prestatie met een AUC van 0,686.
• Feature Belangrijkheid: In het MLP-model waren de meest invloedrijke factoren voor het voorspellen van immunosuppressie, in volgorde: spoedopname, SOFA-score, leeftijd, maximale lactaatwaarde, duur van mechanische ventilatie, totale duur van vasoactieve medicatie, Charlson comorbidity index, geslacht, maligniteit, ras, corticoidengebruik en schimmelinfectie.

Betekenis en Claims
De auteurs beweren dat het ontwikkelde MLP-model dient als een betrouwbaar instrument voor de vroege identificatie van het risico op sepsis-geïnduceerde immunosuppressie. De studie stelt dat het vermogen van het model om diverse klinische variabelen te integreren, het volgende mogelijk maakt:

1. Vroege Interventie: Het identificeren van hoogrisicopatiënten om tijdige aanpassingen in de behandeling mogelijk te maken, zoals het gebruik van immuunversterkers (bijv. thymosine-peptiden, granulocytkolonie-stimulerende factoren).
2. Precisiegeneeskunde: Het faciliteren van geïndividualiseerde behandelplannen, zoals het vermijden van overmatig gebruik van immunosuppressiva of het optimaliseren van de timing van het staken van hormonen.
3. Optimalisatie van Middelen: Het verbeteren van de beoordeling van de prognose van patiënten om intensieve zorgmiddelen beter toe te wijzen.

De paper concludeert dat hoewel het model potentieel klinische waarde heeft, het verdere validatie vereist in multi-center en grootschalige datasets om de nauwkeurigheid en universaliteit te verbeteren voordat brede klinische implementatie kan plaatsvinden. De auteurs erkennen de beperkingen die inherent zijn aan retrospectieve studies, inclusief selectiebias en de uitsluiting van variabelen zoals BMI vanwege gegevensverlies, waarbij zij opmerken dat causale relaties verdere verificatie vereisen.