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

Resumo Técnico: Trajetórias Dinâmicas da Coagulopatia Induzida por Sepse e Predição Precoce Baseada em Aprendizado de Máquina

Definição do Problema

A coagulopatia induzida por sepse (CIS) é um processo dinâmico que envolve inflamação, lesão endotelial e prejuízo na fibrinólise, mas é atualmente avaliada por meio de medições estáticas de ponto único (o escore CIS). Essa abordagem falha em capturar a evolução rápida da coagulação e da disfunção orgânica durante a doença crítica. Pacientes com escores de CIS basais semelhantes podem seguir cursos clínicos divergentes — melhora rápida, anormalidade persistente ou resolução gradual — que são indistinguíveis usando apenas dados transversais. O estudo aborda a necessidade de identificar trajetórias reprodutíveis do escore de CIS e determinar sua relevância prognóstica em populações heterogêneas de cuidados críticos.

Metodologia

Este estudo de coorte retrospectivo multicêntrico utilizou quatro bases de dados distintas de cuidados críticos:

• Coorte de Desenvolvimento: MIMIC-IV (6.416 pacientes).
• Coortes de Validação: MIMIC-III CareVue (1.157 pacientes), eICU-CRD (2.077 pacientes) e NWICU (641 pacientes).

Processamento de Dados e Modelagem:

1. Seleção de Coorte: Adultos (≥18 anos) com internações em UTI >24 horas atendendo aos critérios Sepsis-3 e diagnosticados com CIS (escore de CIS ≥4 dentro de 24 horas do diagnóstico de sepse) foram incluídos. Os pacientes precisavam de pelo menos três escores de CIS calculáveis dentro dos primeiros 7 dias de admissão na UTI.
2. Modelagem de Trajetória: A modelagem de trajetória baseada em grupos (GBTM) foi aplicada aos escores de CIS seriados (calculados em intervalos de 6 horas) ao longo dos primeiros 7 dias. Modelos quadráticos com 1 a 6 classes latentes foram avaliados usando o Critério de Informação Bayesiano (BIC), entropia, probabilidade posterior média (AvePP) e razão de classificação correta (OCC).
3. Análise Estatística:
   • Análise de Sobrevivência: As associações com a mortalidade por todas as causas em 28 dias foram avaliadas usando modelos de riscos proporcionais de Cox multivariáveis (ajustados para demografia, comorbidades, sinais vitais e exames laboratoriais).
   • Mitigação de Viés: As análises incluíram imputação múltipla para dados ausentes, ponderação de probabilidade inversa de tratamento (IPTW) calibrada para equilibrar covariáveis e uma análise de marco (landmark) no dia 7 para abordar o viés de tempo imortal (restringindo a análise a pacientes vivos no dia 7).
   • Análise de Subgrupo: Termos de interação foram testados entre estratos (ex: idade, escore SOFA, comorbidades) com correção de taxa de falsa descoberta (FDR).
4. Predição por Aprendizado de Máquina (ML): Um pipeline de ML aninhado foi desenvolvido para prever o fenótipo de trajetória "Persistentemente Alto" utilizando variáveis basais disponíveis nas primeiras 24 horas.
   • Seleção de Atributos: Os métodos Boruta e LASSO foram utilizados dentro de uma estrutura de validação cruzada aninhada de 10 dobras.
   • Algoritmos: Elastic net, random forest, XGBoost, SVM e k-vizinhos mais próximos (k-nearest neighbors) foram comparados.
   • Validação: O modelo final (XGBoost) passou por validação temporal (MIMIC-IV 2020–2022) e validação externa (MIMIC-III, eICU, NWICU). O desempenho foi avaliado via AUROC, AUPRC, curvas de calibração, análise de curva de decisão e SHAP (Explicações de Shapley Aditivas).

Principais Resultados

1. Identificação de Três Trajetórias:
A GBTM identificou três trajetórias de escore de CIS distintas e reprodutíveis em todas as quatro bases de dados:

• Baixa-Declínio Rápido (19,25%): Iniciou com uma mediana de CIS de 4,0, declinou rapidamente e estabilizou.
• Persistentemente Alta (32,00%): Iniciou com uma mediana de CIS de 6,0 e permaneceu elevada com mínima melhora.
• Moderada-Declínio (48,75%): Iniciou em uma mediana de CIS de 5,0 e declinou gradualmente.
  O modelo de três classes demonstrou alta qualidade de classificação (Entropia = 0,947; AvePP > 0,97).

2. Associações Prognósticas:

• Risco de Mortalidade: A trajetória "Persistentemente Alta" foi consistentemente associada ao maior risco de mortalidade em 28 dias em todas as coortes. Em modelos totalmente ajustados, a razão de risco (HR) para a Classe 2 vs. Classe 1 variou de 2,45 (eICU) a 3,93 (NWICU).
• Robustez: Essas associações permaneceram significativas após a calibração por IPTW e na análise de marco do dia 7 (ex: HR 3,09 no MIMIC-IV para a Classe 2).
• Valor Incremental: A adição da classe de trajetória ao escore SOFA basal melhorou modestamente a discriminação para mortalidade em 28 dias (ex: ΔAUC = 0,028 no MIMIC-IV), enquanto a adição de um único escore de CIS basal proporcionou uma melhoria negligenciável.

3. Desempenho do Aprendizado de Máquina:

• Preditores: O modelo XGBoost identificou 10 variáveis basais, sendo o escore SOFA basal e o componente de plaquetas do CIS os preditores mais influentes.
• Discriminação: O modelo alcançou AUROCs entre 0,830 e 0,862 em todas as coortes de validação temporal e externa.
• Calibração e Utilidade: O modelo mostrou calibração aceitável (escores de Brier 0,141–0,154) e benefício líquido positivo em análise de curva de decisão através de limiares clinicamente relevantes. A análise SHAP confirmou a consistência nos rankings de importância de atributos entre as coortes.

Significância e Alegações

O artigo alega que as medições longitudinais de CIS durante a primeira semana de internação na UTI revelam subfenótipos prognósticos reprodutíveis que as avaliações estáticas não detectam. Especificamente:

• Subfenótipos Prognósticos: A trajetória "Persistentemente Alta" identifica um grupo distinto de pacientes com risco de mortalidade excessiva sustentada, enquanto a "Baixa-Declínio Rápido" marca um curso favorável.
• Dimensão Temporal: A informação da trajetória adiciona uma dimensão temporal modesta, mas significativa, às avaliações de gravidade padrão (SOFA), distinguindo pacientes cuja disfunção de coagulação se resolve daqueles com anormalidades persistentes.
• Predição Precoce: O estudo demonstra que o fenótipo "Persistentamente Alto" pode ser previsto precocemente (dentas de 24 horas) usando dados clínicos rotineiramente disponíveis via aprendizado de máquina, com alta generalizabilidade entre diferentes instituições e períodos de tempo.

Limitações e Precauções:
Os autores declaram explicitamente que estas são descobertas observacionais e não estabelecem causalidade ou definem protocolos de tratamento específicos. O estudo não afirma que intervenções informadas pela trajetória melhorem os resultados; em vez disso, propõe essas trajetórias como alvos para futuras validações prospectivas. Os autores alertam que o design retrospectivo deixa margem para confusão residual e que os critérios de inclusão (exigindo múltiplos escores de CIS) podem introduzir viés de seleção para pacientes com internações mais longas na UTI. Os achados requerem validação prospectiva antes da implementação clínica.