Patient-specific antibiotic susceptibility ranking for empirical treatment of gram-negative bloodstream infection: a retrospective clinical decision-support and transportability study

Resumo Técnico: Classificação de Suscetibilidade Antibiótica Específica para o Paciente para Tratamento Empírico de Infecção de Corrente Sanguínea por Gram-Negativos

Definição do Problema
A seleção de antibióticos empíricos para infecções de corrente sanguínea por gram-negativos adquiridas no hospital (HA-GN-BSI) apresenta um desafio clínico de alto risco. Os clínicos devem iniciar a terapia ativa antes que os resultados definitivos de suscetibilidade estejam disponíveis, equilibrando o risco de atraso no tratamento contra a pressão ecológica do uso indiscriminado de amplo espectro. Embora os antibiogramas cumulativos forneçam dados de suscetibilidade em nível populacional, eles falham em capturar os perfis de risco individuais dos pacientes, como exposição prévia a antibióticos, resultados microbiológicos recentes ou trajetórias específicas de internação. Embora o aprendizado de máquina tenha sido proposto para gerar "antibiogramas personalizados", as evidências existentes carecem de uma avaliação rigorosa do desempenho ao nível da recomendação, de comparações com a prescrição clínica observada e de transportabilidade externa entre diferentes sistemas de saúde.

Metodologia
Os autores conduziram um estudo de modelagem de suporte à decisão clínica retrospectivo utilizando dois conjuntos de dados distintos:

1. Desenvolvimento e Validação Interna: O conjunto de dados MIMIC-IV v3.1 foi utilizado para desenvolver e avaliar modelos para episódios de HA-GN-BSI em adultos. A coorte consistiu em 1.004 episódios de 962 pacientes únicos, divididos em nível de sujeito em conjuntos de treinamento (603), validação (201) e teste (200).
2. Transportabilidade Externa: O conjunto de dados de Microbiologia de Resistência a Antibióticos Mass General Brigham (ARMD-MGB) v1.0.0 foi utilizado para avaliar a transportabilidade dos sinais de predição específicos de cada droga.

Principais Características do Desenho:

• Ponto de Decisão: A análise foi ancorada na coleta da hemocultura índice. Os preditores foram restritos às informações disponíveis antes deste momento (demografia, contexto do encontro, microbiologia prévia, exposição prévia a antibióticos e exames laboratoriais/sinais vitais pré-índice).
• Drogas Alvo: O conjunto primário de recomendações incluiu piperacilina-tazobactam, cefepime e meropenem. Ciprofloxacina e gentamicina foram modeladas como alvos secundários.
• Abordagem de Modelagem: Modelos separados para cada droga foram desenvolvidos utilizando regressão logística e árvores de gradiente impulsionado (GBT).
• Estratégia de Classificação: Três regras de classificação foram comparadas no conjunto de validação: todas-regressão-logística, todas-GBT e uma estratégia selecionada por AUROC por droga. A regra todas-GBT foi selecionada para o conjunto de teste final com base na superioridade da cobertura Top-1.
• Comparadores:
  • Meropenem-para-todos: Uma estratégia de alta cobertura de base.
  • Terapia Clínica Observada: Registros retrospectivos de administração de medicamentos de 6 horas antes até 24 horas após a coleta da cultura serviram como um benchmark de contexto de prescrição (não é um padrão-ouro para terapia ideal).
• Métricas de Avaliação: O desempenho foi avaliado via AUROC, AUPRC, escore de Brier e métricas de calibração. Os resultados ao nível da recomendação focaram na cobertura ativa Top-1 e Top-2 (proporção de episódios onde a droga recomendada foi suscetível). A Análise de Curva de Decisão (DCA) foi realizada por droga.

Principais Resultados

• Desempenho Interno (MIMIC-IV):

  • No conjunto de teste de painel completo (192 episódios), a regra de classificação selecionada (todas-GBT) alcançou uma cobertura ativa Top-1 de 91,1% e uma cobertura Top-2 de 96,4%.
  • A estratégia "Meropenem-para-todos" alcançou 93,2% de cobertura. O modelo não perdeu nenhum episódio coberto pela estratégia "Meropenem-para-todos", mas perdeu quatro que esta cobria.
  • Dominância do Meropenem: A alta cobertura do modelo foi impulsionada quase inteiramente pela seleção de meropenem. O meropenem representou 90,1% das recomendações Top-1. Apenas 7,8% dos episódios receberam uma recomendação Top-1 não relacionada ao meropenem que também fosse ativa.
  • Comparação com Clínicos: O modelo demonstrou uma cobertura ativa aparente significativamente maior do que a terapia clínica observada (91,1% vs. 39,6%; diferença de risco +51,6%, p < 0,001). No entanto, isso veio com uma disparidade massiva no uso de meropenem: 90,1% para o modelo vs. 9,9% para os clínicos. Os clínicos alcançaram mais terapia ativa não relacionada ao meropenem (34,9%) em comparação ao modelo (7,8%).
  • Calibração: A calibração foi imperfeita em todos os modelos (inclinações < 1,0), sugerindo que a estrutura é melhor adequada como uma ferramenta de classificação do que como um calculador de probabilidade preciso.

• Transportabilidade Externa (ARMD-MGB):

  • A discriminação específica de cada droga persistiu no conjunto de dados externo, particularmente para cefepime (GBT AUROC 0,754).
  • No entanto, a calibração permaneceu imperfeita, e o estudo observou que o conjunto de dados externo não poderia replicar a definição exata de episódio à beira do leito ou o conjunto de variáveis do MIMIC-IV. Assim, os resultados apoiam a transportabilidade de sinais de predição específicos de drogas, em vez da transferência direta da política de prescrição completa.

• Análise de Curva de Decisão:

  • A DCA indicou que, para o meropenem, a alta suscetibilidade basal fez com que as estratégias de "tratar-todos" parecessem favoráveis em muitos limiares, limitando o benefício líquido incremental do modelo. Para o cefepime e alvos secundários, o modelo ofereceu um valor mais claro sobre o "tratar-todos" em limiares mais altos.

Principais Contribuições

1. Estrutura de Avaliação Holística: O estudo vai além das métricas simples de discriminação (AUROC) para avaliar a política de seleção de antibióticos. Ele relata explicitamente o compromisso entre cobertura ativa e exposição a carbapenêmicos.
2. Comparação Empírica vs. Modelo: Ao comparar com a prescrição clínica observada dentro do mesmo espaço de candidatos a drogas, o estudo destaca a lacuna entre a cobertura "ideal" algorítmica (impulsionada por agentes de amplo espectro) e as práticas de stewardship de mundo real.
3. Evidência de Transportabilidade: O estudo fornece evidências de que os sinais de predição de suscetibilidade podem viajar entre sistemas de saúde para drogas específicas, mesmo que a política de prescrição completa exija recalibração local.
4. Alerta de Stewardship: Os autores demonstram que um modelo pode alcançar alta cobertura ativa retrospectiva ao recomendar a droga de espectro mais amplo (meropenem), o que pode não se alinhar com os objetivos de stewardship antimicrobiano.

Significância e Alegações
O artigo conclui que a classificação de suscetibilidade específica para o paciente pode produzir alta cobertura ativa retrospectiva, mas esse desempenho é alcançado majoritariamente através de recomendações pesadas em meropenem. Os autores argumentam que o suporte à decisão de antibióticos empíricos não deve ser avaliado apenas pela precisão da predição ou cobertura ativa. Em vez disso, tais sistemas devem relatar cobertura ativa, terapia ativa não relacionada a meropenem e exposição a carbapenêmicos conjuntamente antes da implementação clínica.

O estudo afirma que, embora os sinais de predição específicos de drogas sejam transportáveis, a política de prescrição construída sobre esses sinais não é diretamente transferível sem testes locais, recalibração e controles de stewardship. Os autores alertam que, sem regras explícitas para limitar a escalada de amplo espectro, a melhoria na predição de suscetibilidade pode inadvertidamente aumentar a pressão ecológica em vez de melhorar os resultados dos pacientes. O trabalho serve como um chamado para uma interpretação cautelosa, enfatizando que uma melhor predição não equivale automaticamente a um melhor stewardship.