Development of a predictive model for sepsis‑induced immunosuppression using neural networks

Resumo Técnico: Desenvolvimento de um Modelo Preditivo para Imunossupressão Induzida por Sepse Utilizando Redes Neurais

Definição do Problema
A sepse é caracterizada por uma resposta do hospedeiro desregulada à infecção, levando a um estado duplo de hiperimunidade e hipoimunidade. Quando o estado de hipoimunidade predomina, resulta em imunossupressão induzida pela sepse, uma condição associada a infecções secundárias, disfunção de múltiplos órgãos e aumento da mortalidade. Embora a comunidade clínica reconheça a importância da homeostase imunológica, a previsão precisa do início da imunossupressão permanece em um estágio exploratório. Marcadores atuais, como o HLA-DR de monócitos (mHLA-DR), são frequentemente complexos ou caros demais para análise de grandes bancos de dados. Por outroْ, a contagem de linfócitos é mais acessível, mas carece de um limiar claramente definido para monitoramento na literatura existente. O estudo visa abordar a necessidade de uma previsão precoce e precisa da imunossressão em pacientes com sepse para facilitar o tratamento de precisão e a avaliação dinâmica do prognóstico.

Metodologia
O estudo utilizou um delineamento de coorte retrospectiva utilizando dados do banco de dados MIMIC-IV.

• Fonte de Dados e Coorte: A análise incluiu 6.954 pacientes adultos (≥18 anos) admitidos na UTI pela primeira vez com um diagnóstico de Sepsis-3.0.
• Definição do Desfecho: A imunossupressão foi definida como uma contagem de linfócitos < 1,0 × 10⁹/L.
• Variáveis Preditivas: O estudo coletou 14 variáveis, incluindo dados demográficos (idade, sexo, etnia), métricas clínicas (IMC, escore SOFA, índice de comorbidade de Charlson, valor máximo de lactato) e fatores de tratamento (admissão de emergência, uso/duração de drogas vasoativas, ventilação mecânica/duração, uso de corticoides, infecção fúngica e histórico de malignidade).
• Processamento de Dados: Os dados ausentes foram tratados via imputação múltipla (especificamente para os dados de lactato, que apresentaram uma taxa de ausência de 22,16%). A variável IMC foi excluída devido a uma taxa de ausência de 51,13%. Os dados foram divididos em conjuntos de treinamento (80%) e validação (20%).
• Abordagens de Modelagem: Três algoritmos de aprendizado de máquina foram construídos e comparados:
  1. Perceptron Multicamadas (MLP): Uma abordagem de rede neural.
  2. Regressão Logística (LR): Um baseline estaticional tradicional.
  3. XGBoost: Um modelo de árvore de decisão de boosting de gradiente.
• Métricas de Avaliação: O desempenho do modelo foi avaliado usando a Área Sob a Curva (AUC), Precisão, Recall, Pontuação F1, curvas de calibração (teste de Hosmer-Lemeshow) e Análise de Curva de Decisão (DCA).

Principais Resultados

• Características da Coorte: A incidência de imunossupressão na coorte foi de 28,5% (1.983 de 6.954 pacientes).
• Análise Univariada: Foram encontradas associações significativas entre a imunossupressão e idade, sexo, admissão de emergência, escore SOFA, índice de comorbidade de Charlson, infecção fúngica, uso de drogas vasoativas, duração das drogas vasoativas, ventilação mecânica e níveis de lactato.
• Análise Multivariada: O modelo final de regressão logística identificou oito preditores independentes: idade, admissão de emergência, índice de comorbidade de Charlson, infecção fúngica, uso de drogas vasoativas, duração total de drogas vasoativas, ventilação mecânica e níveis de lactato. Notavelmente, sexo, escore SOFA, tumor maligno e duração da ventilação mecânica não foram estatisticamente significativos no modelo de regressão logística multivariada, embora tenham permanecido relevantes no contexto de aprendizado de máquina.
• Desempenho do Modelo:
  • Modelo MLP: Demonstrou desempenho superior com uma AUC de 0,82, Precisão de 0,7208, Recall de 0,8441 e Pontuação F1 de 0,7776.
  • Modelo XGBoost: Teve desempenho insatisfatório com uma AUC de 0,602, um Recall de 0,113 e uma Pontuação F1 de 0,177.
  • Regressão Logística: Mostrou desempenho moderado com uma AUC de 0,686.
• Importância das Características: No modelo MLP, os fatores mais influentes para prever a imunossupressão foram, em ordem: admissão de emergência, escore SOFA, idade, valor máximo de lactato, duração da ventilação mecânica, duração total de drogas vasoativas, índice de comorbidade de Charlson, sexo, malignidade, raça, uso de corticoides e infecção fúngica.

Significância e Alegações
Os autores afirmam que o modelo MLP desenvolvido serve como uma ferramenta confiável para a identificação precoce do risco de imunossupressão induzida pela sepse. O estudo postula que a capacidade do modelo de integrar diversas variáveis clínicas permite:

1. Intervenção Precoce: Identificar pacientes de alto risco para permitir ajustes oportunos no tratamento, como o uso de imunomoduladores (ex: peptídeos de timosina, fatores estimuladores de colônias de granulócitos).
2. Medicina de Precisão: Facilitar planos de tratamento individualizados, como evitar o uso excessivo de imunossupressores ou otimizar o tempo de descontinuação de hormônios.
3. Otimização de Recursos: Melhorar a avaliação do prognóstico do paciente para alocar melhor os recursos de cuidados intensivos.

O artigo conclui que, embora o modelo mostre potencial valor clínico, ele requer validação adicional em conjuntos de dados multicêntricos e de grande amostra para melhorar a precisão e a universalidade antes de sua implementação clínica generalizada. Os autores reconhecem as limitações inerentes aos estudos retrospectivos, incluindo o viés de seleção e a exclusão de variáveis como o IMC devido à perda de dados, observando que as relações causais requerem verificação adicional.