Laboratory Frailty Index and Adverse Outcomes in Older Adults With Bloodstream Infection: A Single-Center Retrospective Cohort Study

Resumo Técnico: Índice de Fragilidade Laboratorial e Desfechos Adversos em Idosos com Infecção da Corrente Sanguínea

Definição do Problema
A infecção da corrente sanguínea (ICS) impõe uma substancial carga de morbidade e mortalidade em idosos, que frequentemente apresentam sintomas atípicos, reserva fisiológica diminuída e comorbidades complexas. Embora as ferramentas prognósticas existentes, como o escore Sequential Organ Failure Assessment (SOFA) e o Charlison Comorbidity Index (CCI), sejam amplamente utilizadas, elas quantificam primariamente a disfunção orgânica aguda e a carga de doenças crônicas, respectivamente. Essas ferramentas frequentemente falham em capturar a vulnerabilidade fisiológica multidimensional e o esgotamento da reserva relacionada à idade que caracterizam a fragilidade. Consequentemente, há uma necessidade de métricas objetivas e reprodutíveis que possam avaliar a desregulação fisiológica cumulativa em pacientes idosos enfrentando estressores infecciosos agudos.

Metodologia
Este estudo de coorte retrospectivo de centro único analisou 775 pacientes hospitalizados com idade ≥60 anos com ICS confirmada no Hospital Afiliado da Universidade Médica de Xuzhou (março de 2023–março de 2025).

• Métrica Primária: O estudo utilizou um Índice de Fragilidade Laboratorial (FIlab) construído com base no modelo de acúmulo de déficits. Incorporou 33 itens laboratoriais de rotina (hematologia, bioquímica, eletrólitos, coagulação). Um valor fora da faixa de referência foi pontuado como 1, e dentro da faixa como 0. O FIlab foi calculado como a razão entre os itens anormais e os itens disponíveis. Lactato e creatinina foram excluídos do cálculo do FIlab para evitar redundância, pois foram incluídos como preditores separados nos modelos.
• Tratamento de Dados: Os dados ausentes foram tratados por meio de imputação múltipla por equações encadeadas (MICE) com 20 imputações. Os coeficientes de regressão logística foram agrupados usando as regras de Rubin.
• Modelagem Estatística: O estudo comparou um modelo de base (Modelo 0: idade, sexo, lactato, creatinina) contra modelos incorporando SOFA, CCI, Índice de Fragilidade Multidimensional (MFI) e FIlab.
  • Modelo 4: Base + FIlab
  • Modelo 5: Base + SOFA + CCI + FIlab (Modelo completo)
• Métricas de Avaliação: O desempenho foi avaliado via discriminação (Área Sob a Curva [AUC]), calibração, Análise de Curva de Decisão (DCA) e validação interna por bootstrap (1.000 reamostragens). O valor incremental foi quantificado por meio de Melhoria de Reclassificação Livre de Categoria (cfNRI) e Melhoria de Discriminação Integrada (IDI).

Principais Resultados

• Características dos Pacientes: A coorte apresentou idade mediana de 72 anos (64,8% homens). Desfechos adversos (morte ou alta sem melhora) ocorreram em 47,1% dos pacientes.
• Associação Independente: Na análise multivariável agrupada, o FIlab permaneceu como um preditor independente estatisticamente significativo de desfechos adversos (Razão de Chances [OR] de 1,53 por cada aumento de 0,1 unidade; IC 95% 1,34–1,75; P < 0,001). Notavelmente, no modelo completo (Modelo 5), variáveis tradicionais como o escore SOFA, CCI, idade e lactato perderam significância estatística, sugerindo que o FIlab capturou a informação prognóstica anteriormente atribuída a esses fatores.
• Desempenho do Modelo:
  • O modelo de base (Modelo 0) apresentou um AUC de 0,581.
  • A adição do FIlab (Modelo 4) melhorou significativamente a discriminação para um AUC de 0,679 (IC 95% 0,642–0,716).
  • O modelo completo (Modelo 5) alcançou um AUC idêntico de 0,679. A diferença entre o Modelo 4 e o Modelo 5 foi negligenciável (ΔAUC = 0,000; P = 0,890), indicando que a adição de SOFA e CCI a um modelo que já continha o FIlab não proporcionou benefício discriminatório adicional.
  • A adição do FIlab gerou um cfNRI de 0,510 e um IDI de 0,071, confirmando a melhoria na reclassificação de risco.
• Robustez: Análises de sensibilidade utilizando apenas a mortalidade hospitalar como desfecho confirmaram o FIlab como um preditor independente (OR 1,26 por aumento de 0,1 unidade; P = 0,018). Análises de subgrupo mostraram associações consistentes entre grupos de idade, níveis de SOFA e níveis de CCI, sem efeitos de interação significativos.

Principais Contribuições

1. Validação do FIlab na ICS: O estudo estabelece o FIlab como um preditor independente de desfechos adversos especificamente em idosos com infecções da corrente sanguínea, uma população de alto risco onde a reserva fisiológica é crítica.
2. Valor Preditivo Incremental: A pesquisa demonstra que o FIlab fornece informações preditivas incrementais significativas além das variáveis clínicas estabelecidas (idade, sexo, lactato, creatinina) e dos escores de gravidade tradicionais (SOFA, CCI).
3. Modelagem Parcimoniosa: O estudo identifica que um modelo simplificado contendo apenas o FIlab (junto com dados demográficos básicos e lactato/creatinina) atinge uma discriminação equivalente a um modelo complexo incluindo SOFA e CCI. Isso sugere que o FIlab captura a informação prognóstica "sobreposta" da disfunção orgânica e da carga de comorbidade.
4. Utilidade Clínica: A Análise de Curva de Decisão indica que a incorporação do FIlab oferece um benefício líquido em probabilidades de limiar clinicamente relevantes (20%–50%), potencialmente auxiliando na redução de intervenções desnecessárias enquanto evita a perda de casos de alto risco.

Significância e Alegações
Os autores afirmam que o FIlab oferece uma ferramenta prática, objetiva e reprodutível para a avaliação prognóstica individualizada em pacientes idosos com ICS. Diferente dos escores de fragilidade baseados em ambiente hospitalar dependentes de codificação administrativa (ex: HFRS), o FIlab baseia-se em dados laboratoriais padronizados, aumentando sua transportabilidade interinstitucional e potencial de automação dentro de sistemas de prontuário eletrônico.

O estudo postula que o FIlab reflete a manifestação integrada do dano subclínico cumulativo através de múltiplos sistemas fisiológicos (hematológico, bioquímico, coagulação), quantificando assim o esgotamento da reserva fisiológica. Esta fundamentação biológica sugere que o FIlab captura a "vulnerabilidade biológica" e a tolerância ao estresse que escores tradicionais, focados em disfunção aguda ou contagem de doenças, podem não capturar.

Os autores mantêm uma postura modesta em relação ao desempenho absoluto do modelo, reconhecendo que um AUC de 0,679 representa uma "discriminação moderada". Eles atribuem isso à complexidade inerente e à heterogeneidade de prever desfechos em idosos com ICS, em vez de uma falha fundamental do índice. O estudo conclui que, embora o FIlab mostre promessa para a estratificação de risco, a validação externa em coortes multicêntricas é necessária antes de sua implementação clínica generalizada.