Integrating Viral Burden, Immune Dysregulation, and Tissue Injury for Predicting 28-Day Mortality in Severe Fever With Thrombocytopenia Syndrome: Development and External Validation of Interpretable Models

Resumo Técnico: Integração da Carga Viral, Disfunção Imunológica e Lesão Tecidual para a Predição de Mortalidade em 28 Dias na Síndrome da Febre com Trombocitopenia Grave

Definição do Problema
A Síndrome da Febre com Trombocitopenia Grave (SFTS), causada pelo Bandavirus dabieense (DBV), é uma doença transmitida por carrapatos potencialmente fatal, com uma taxa de letalidade que varia de 5% a mais de 40% em casos graves. Embora a replicação viral seja essencial para o início da doença, entende-se cada vez mais que a deterioração clínica resulta de uma interação complexa entre a carga viral e respostas imunes do hospedeiro desreguladas, incluindo tempestades de citocinas, depleção de células T e lesão tecidual. Os modelos prognósticos existentes raramente integram marcadores virológicos e imunológicos do hospedeiro dentro de um arcabouço biológico unificado. Consequentemente, há uma necessidade de ferramentas interpretáveis e biologicamente fundamentadas que possam estratificar o risco de mortalidade capturando esses processos fisiopatológicos complementares.

Metodologia
Este estudo empregou um desenho de coorte retrospectiva multicêntrica envolvendo 530 pacientes com SFTS confirmados por laboratório. A coorte foi dividida em um conjunto de treinamento (372 pacientes do Hospital Yantai Qishan) e um conjunto de validação externa independente (158 pacientes do Hospital Popular nº 6 de Qingdao).

• Seleção de Preditores: Cinco preditores biologicamente relevantes foram selecionados com base na relevância clínica, plausibilidade biológica e avaliação de multicolinearidade (VIF):
  1. Carga Viral: Carga de RNA de DBV.
  2. Disfunção Imunológica: Níveis de Interleucina-10 (IL-10) e a razão de células T CD4/CD8.
  3. Inflamação Sistêmica: Proteína C-reativa de alta sensibilidade (Hs-CRP).
  4. Lesão Tecidual: Creatina quinase (CK).
• Desenvolvimento do Modelo: Duas estratégias de modelagem foram desenvolvidas utilizando o mesmo conjunto de preditores:
  1. Regressão Logística: Um modelo linear parcimonioso visualizado via nomograma.
  2. XGBoost: Um modelo de gradient boosting explicável. Os hiperparâmetros foram otimizados usando um framework de validação cruzada aninhada dentro da coorte de treinamento para evitar vazamento de dados (data leakage). O desequilíbrio de classes (aproximadamente 23% de mortalidade) foi tratado usando scale_pos_weight.
• Avaliação: Os modelos foram avaliados quanto à discriminação (AUC), calibração (escore de Brier, intercepto/inclinação de calibração), erro de predição e utilidade clínica (Análise de Curva de Decisão). Valores SHAP foram calculados para interpretar as contribuições das características no modelo XGBoost.

Resultos Principais

• Características Clínicas: Os não sobreviventes exibiram níveis significativamente mais altos de RNA de DBV, IL-10, Hs-CRP e CK, juntamente com contagens de linfócitos e razões de CD4/CD8 mais baixas em comparação aos sobreviventes. A coorte de validação externa apresentou diferenças basais distintas (ex: cargas virais e marcadores inflamatórios mais elevados) em relação à coorte de treinamento, testando a transportabilidade do modelo.
• Desempenho do Modelo:
  • Discriminação: Na coorte de validação externa, o modelo XGBoost alcançou um AUC ligeiramente superior (0,848; IC 95%, 0,765–0,931) em comparação ao modelo de regressão logística (0,815; IC 95%, 0,730–0,900).
  • Calibração: A regressão logística demonstrou maior estabilidade de calibração, com um escore de Brier inferior (0,116 vs. 0,154) e uma inclinação de calibração mais próxima de 1 (0,951 vs. 0,584) em comparação ao XGBoost.
  • Importância das Características: A análise SHAP e o nomograma identificaram o RNA de DBV e a IL-10 como os principais impulsionadores do risco de mortalidade, seguidos por CK, razão CD4/CD8 e Hs-CRP.
• Utilidade Clínica: Ambos os modelos proporcionaram um benefício líquido sobre as estratégias de "tratar todos" ou "não tratar ninguém". No entanto, a regressão logística apresentou um benefício líquido mais consistente através de uma gama mais ampla de probabilidades de limiar clinicamente relevantes. No ponto de corte de Youden derivado do treinamento, o modelo logístico mostrou forte capacidade de exclusão (NPV ~90%), mas capacidade moderada de inclusão (PPV ~52,6%).

Significância e Alegações
Os autores afirmam que a integração de marcadores de carga viral, disfunção imunológica, inflamação sistêmica e lesão tecidual permite a estratificação reprodutível do risco de mortalidade através de populações heterogêneas de SFTS. O estudo apoia um arcabouço biologicamente informado para avaliação de risco clinicamente interpretável, demonstrando que:

1. A Multidimensionalidade é a Chave: Nenhum biomarcador isolado captura a complexidade da SFTS fatal; um arcabouço unificado combinando fatores virais e do hospedeiro é necessário.
2. Interpretabilidade vs. Flexibilidade: Embora o XGBoost tenha oferecido uma discriminação marginalmente melhor, a regressão logística forneceu uma calibração de probabilidade e transparência mais estáveis, o que os autores argumentam ser crítico para a estimativa de risco individualizada e interpretação à beira do leito.
3. Transportabilidade: Os modelos mantiveram o desempenho preditivo apesar das diferenças significativas nos perfis basais de biomarcadores entre os centros de treinamento e validação, sugerindo que os preditores selecionados capturam processos biológicos fundamentais da SFTS fatal.

O artigo conclui que esses achados apoiam o uso de tais modelos integrados para a estratificação precoce de risco visando guiar um monitoramento mais próximo e reavaliação clínica, em vez de servirem como gatilhos automáticos para intervenções invasivas. Os autores enfatizam que estudos prospectivos com perfilamento imunológico longitudinal são necessários para validar ainda mais esta abordagem e esclarecer os mecanismos biológicos subjacentes.