Early Physiological Trajectory-Based Phenotyping in Surgical Intensive Care Unit Patients: A Gaussian Mixture Modeling Approach Integrating Temperature, Central Venous Pressure, Fluid Balance, and Glycemic Dynamics

Resumo Técnico: Fenotipagem Baseada em Trajetórias Fisiológicas Precoces em Pacientes de UTI Cirúrgica

Definição do Problema
A tomada de decisão clínica atual em Unidades de Terapia Intensiva (UTIs) cirúrgicas baseia-se fortemente em escores de gravidade estáticos e transversais (ex: APACHE II) e em medições de sinais vitais de um único momento. Essas ferramentas falham em capturar a evolução temporal dinâmica da fisiologia do paciente, que pode conter informações prognósticas críticas. Embora os dados de monitoramento de alta frequência sejam abundantes, eles permanecem subutilizados para a identificação de padrões fisiológicos latentes que poderiam permitir o reconhecimento precoce de deterioração ou de subgrupos distintos de pacientes. O desafio reside na extração de padrões longitudinais clinicamente interpretáveis a partir de sinais fisiológicos ruidosos, de alta dimensão e multidimensionais no cenário agudo.

Metodologia
Este estudo de coorte retrospectivo analisou 3.493 pacientes adultos admitidos em uma única UTI cirúrgica de cuidados terciários entre 2016 e 2020. O estudo empregou um pipeline de aprendizado de máquina não supervisionado para identificar fenótipos de trajetórias fisiológicas a partir das primeiras 72 horas de admissão.

1. Extração e Pré-processamento de Dados: Quatro dimensões fisiológicas fundamentais foram extraídas com resolução horária: Temperatura Corporal (TEMP), Pressão Venosa Central (CVP), Balanço Hídrico Líquido (FB) e Glicemia (GLU). Os dados horários ausentes foram imputados via interpolação linear, forward-fill e backward-fill, resultando em um vetor de características de 288 dimensões (72 horas × 4 variáveis) por paciente.
2. Redução de Dimensionalidade: A Análise de Componentes Principais (PCA) foi aplicada para reduzir o espaço de características de 288 dimensões. O número de componentes foi retido com base em um limiar de variância cumulativa de 80%, capturando os modos dominantes de variação fisiológica enquanto reduzia o ruído.
3. Agrupamento (Modelagem de Mistura Gaussiana): Um Modelo de Mistura Gaussiana (GMM) com matrizes de covariância completa foi ajustado aos dados transformados por PCA. O número ideal de clusters ($K$) foi determinado utilizando o Critério de Informação Bayesiano (BIC) em modelos com $K=1$ a $K=10$. O algoritmo de Expectativa-Maximização (EM) foi utilizado para a estimativa de parâmetros, inicializado com centroides k-means++.
4. Análise Estatística: Os grupos de trajetória foram caracterizados por seus perfis longitudinais médios e covariáveis clínicas (idade, sexo, escores APACHE II, Tempo de Permanência [LOS], mortalidade). As diferenças nos escores APACHE II foram avaliadas usando testes de Kruskal-Wallis com comparações post-hoc de Dunn. As associações de mortalidade foram avaliadas por meio de testes exatos de Fisher e regressão logística, aplicando-se cautela devido à baixa taxa de eventos global (0,57%).

Principais Contribuições

• Identificação de Fenótipos: O estudo identificou com sucesso cinco fenótipos distintos de trajetórias fisiológicas (G1–G5) utilizando apenas dados de monitoramento de beira de leito de rotina, sem conhecimento prévio de desfechos clínicos ou escores de gravidade.
• Validação contra Escores de Gravidade: O algoritmo de agrupamento, operando exclusivamente sobre dados de séries temporais, produziu agrupamentos que se alinharam fortemente ao escore de gravidade APACHE II (Kruskal-Wallis $H=231,30, p < 0,0001$), validando a relevância clínica dos fenótipos derivados de dados.
• Descoberta do Fenótipo "Compensado de Alto Risco" (G4): Um subgrupo específico (G4, 14,0% da coorte) foi caracterizado por idade avançada, os segundos maiores escores APACHE II, tempo de permanência prolongado e hiperglicemia de estresse persistente, porém apresentou zero mortalidade. Este grupo demonstrou uma "fisiologia compensada" com balanço hídrico próximo de zero e CVP no limite superior da normalidade, destacando uma população que demanda muitos recursos e que escores estáticos poderiam não sinalizar como de alto risco para morte, mas que requerem duração significativa de cuidados.
• Diferenciação de Utilização de Recursos: O estudo demonstrou que os fenótipos de trajetória são fortemente diferenciados pela utilização de recursos (LOS), com o Grupo G2 (Severo-Prolongado) apresentando uma mediana de LOS de 14,0 dias em comparação com 1,2 dias do Grupo G5 (Transiente-Baixa Acuidade).

Resultos

• Características dos Clusters:
  • G1 (Moderado-Estável): Maior grupo (45,6%), trajetórias estáveis, gravidade moderada.
  • G2 (Severo-Prolongado): Maior APACHE II (22,3), maior LOS (14,0 dias) e maior taxa de mortalidade (1,48%).
  • G3 (Permanência Curta-Leve): Normalização rápida, curto LOS (1,5 dias).
  • G4 (Compensado de Alto Risco): Pacientes mais idosos (média de 61,1 anos), alto APACHE II (18,7), LOS prolongado (6,2 dias), hiperglicemia persistente, mas zero mortes.
  • G5 (Transiente-Baixa Acuidade): Menor LOS (1,2 dias), menor gravidade.
• Correlação de Gravidade: Os escores APACHE II diferiram significativamente entre todos os grupos, com os contrastes mais fortes observados entre G2 vs. G3 e G3 vs. G4.
• Análise de Mortalidade: A mortalidade global não diferiu significativamente entre os grupos ($p=0,078$) devido à baixa taxa de eventos (20 mortes no total). No entanto, uma tendência limítrofe sugeriu maior mortalidade em G2 comparado a G1 (OR 2,64, $p=0,081$). A ausência de óbitos em G4 sugere que a mortalidade isoladamente pode não ser a métrica ideal para definir risco neste grupo específico de pacientes de UTI cirúrgica; o consumo de recursos e a instabilidade fisiológica são mais discriminativos.

Significância e Alegações
O artigo afirma que a fenotipagem de trajetória baseada em GMM oferece uma dimensão complementar aos escores de gravidade estáticos ao alavancar a dinâmica temporal dos dados fisiológicos. A principal significância reside na capacidade de identificar subgrupos de pacientes latentes com perfis de gravidade e padrões de utilização de recursos distintos que não são imediatamente aparentes em avaliações de ponto único no tempo.

Especificamente, a identificação do fenótipo G4 desafia a dependência da mortalidade como o único desfecho para estratificação de risco. Os autores postulam que o G4 representa uma "população intensiva em recursos", caracterizada por fisiologia compensada e desregulação metabólica (hiperglicemia) que justifica vigilância intensificada, mesmo na ausência de mortalidade observada. O estudo conclui que, embora a baixa taxa de mortalidade limite a modelagem prognóstica definitiva para morte, a análise de trajetória fisiológica em nível horário fornece um arcabouço robusto para a estratificação precoce de risco e compreensão da heterogeneidade dos pacientes de UTI cirúrgica. Os autores enfatizam que a validação externa em coortes com maior mortalidade é necessária antes da implementação clínica.