Los investigadores modelan la progresión de la enfermedad COVID-19 e identifican los factores de riesgo

Un equipo del Laboratorio Nacional Lawrence Livermore (LLNL) ha desarrollado un modelo dinámico integral de la progresión de la enfermedad COVID-19 en pacientes hospitalizados y ha descubierto que los factores de riesgo de complicaciones de la enfermedad dependen del estado de la enfermedad del paciente.

Usando un algoritmo de aprendizaje automático en un conjunto de datos de registros de salud electrónicos (EHR) de más de 1,300 pacientes hospitalizados con COVID-19 con ProMedica, el sistema de atención médica más grande en el noroeste de Ohio y el sureste de Michigan, el equipo clasificó a los pacientes en «moderados» o «graves». » y rastreó la trayectoria de la enfermedad a medida que los pacientes se movían a través de diferentes estados de riesgo durante la hospitalización.

Teniendo en cuenta la gravedad de la enfermedad, a diferencia de la literatura científica anterior que examinaba solo los factores de riesgo estáticos, el método permitió al equipo identificar, a medida que avanzaba la enfermedad, cuándo ciertas variables, como la edad y la raza, y las comorbilidades, incluidas la diabetes y la hipertensión, conducían a una enfermedad más grave. resultados.

El modelo permitió al equipo, que incluía a coautores de la Universidad de Toledo, demostrar por primera vez que los vínculos entre algunos factores y resultados más adversos de la COVID-19 pueden depender de la condición «actual» del paciente. Lo más significativo es que, si bien se encontró que los pacientes masculinos tenían más probabilidades que las mujeres de tener complicaciones graves o morir a causa de la COVID-19, cuando se partía del estado de enfermedad «grave», las mujeres tenían más probabilidades que los hombres de morir a causa de la enfermedad. Los resultados fueron publicados el 7 de febrero en el Revista de la Asociación Estadounidense de Informática Médica.

«Es bien sabido en la comunidad que los hombres tienen un mayor riesgo que las mujeres de una eventual muerte por COVID, y eso es cierto, pero surge cierto comportamiento contradictorio una vez que se divide la trayectoria del paciente en estados de enfermedad», dijo Priyadip Ray, investigador principal del LLNL. «De un estado de enfermedad moderado, los hombres tienen más probabilidades de pasar a un estado de enfermedad más grave. Sin embargo, si se encuentra en un estado de enfermedad grave, sorprendentemente, las mujeres tienen más probabilidades de morir que los hombres. Esta perspectiva del estado de enfermedad no ha sido mostrado anteriormente e indica que el lugar en el que se encuentra en su enfermedad también determina sus factores de riesgo».

Al modelar la trayectoria completa de los pacientes hospitalizados con COVID-19, el equipo mostró «diferencias estadísticamente significativas» en el riesgo relativo de progresión de la enfermedad, que concluyeron que se debe tener en cuenta al realizar una evaluación de riesgos entre pacientes en hospitales.

«La gran mayoría de los estudios sobre los factores de riesgo de la COVID-19 ignoran la progresión temporal de la enfermedad en su análisis», dijo Braden Soper, coautor del LLNL. «Nuestro estudio proporciona un enfoque único basado en modelos para comprender cómo la demografía de los pacientes y las comorbilidades médicas pueden presentar diferentes perfiles de riesgo según el estado de la enfermedad subyacente. Dicha información es potencialmente más procesable a lo largo del curso de la atención, lo que posiblemente conduzca a mejores resultados para los pacientes».

Soper agregó que la evaluación del riesgo dependiente del estado de la enfermedad también puede aplicarse a muchas otras enfermedades agudas y crónicas más allá de la COVID-19, que hasta ahora se han evaluado en gran medida solo con datos estáticos y técnicas de modelado.

Dado que los EHR suelen sufrir muestras irregulares o falta de datos, el equipo utilizó un modelo estadístico conocido como modelo oculto de Markov (HMM) dependiente de covariables y en tiempo continuo, conocido por manejar bien dichos datos.

Los modelos mostraron que, si bien ser hombre, afroamericano o tener una comorbilidad médica estaban asociados con un mayor riesgo de progresar de estados de enfermedad moderados a graves, los mismos factores dieron como resultado un menor riesgo de transición de un estado grave a la muerte. Los investigadores atribuyeron los resultados contradictorios a la prevalencia existente de modelos estáticos para la estratificación del riesgo.

«Un modelo de tiempo fijo (estático) es susceptible al sesgo de tiempo inmortal, ya que los períodos de seguimiento pueden asignarse incorrectamente a un estado de enfermedad en particular», dijo Ray. «Un HMM es menos susceptible a tales sesgos, ya que puede inferir el estado de la enfermedad a lo largo de la trayectoria del paciente».

Entre los otros hallazgos, el índice de masa corporal (IMC) por sí solo no se vinculó con un mayor riesgo de progresión de la enfermedad, mientras que la vejez se asoció con un mayor riesgo de progresar de estados moderados a graves y de graves a fallecidos, informaron los investigadores.

El equipo validó los estados de enfermedad latente inferidos con las pautas establecidas por los Institutos Nacionales de Salud y la métrica de riesgo del Índice de deterioro épico.

Pruebas con un presupuesto

El trabajo del equipo LLNL/Universidad de Toledo/ProMedica sobre modelos dinámicos sigue un artículo anterior que el equipo publicó en Informes científicosdonde examinaron los factores de riesgo estáticos para los pacientes que desarrollan complicaciones graves después de dar positivo por COVID-19.

El equipo usó una herramienta de interpretación para averiguar qué pruebas de laboratorio eran más predictivas de hospitalización o malos resultados, identificando qué pruebas deberían recopilarse en el caso de restricciones presupuestarias que podrían dar a los médicos casi las mismas predicciones de resultados adversos que recopilar todos los datos posibles.

«Tratamos de ver este problema de una manera diferente», dijo Ray. «Preguntamos, ‘¿qué sucede si tiene una restricción presupuestaria? ¿Cuáles son los biomarcadores que puede recopilar que le darán una buena indicación de la probabilidad de que este paciente necesite ventilación o de que muera debido a la enfermedad? ‘

«Lo interesante es que más allá de cierto punto, recopilar más laboratorios no necesariamente dará un mejor rendimiento predictivo. ¿Puede seleccionar un pequeño conjunto de laboratorios y marcadores que sea indicativo de riesgo?» Ray continuó. «La respuesta que encontramos fue sí».

Para tomar esa determinación, el equipo creó una estructura de costos, agrupando tipos de pruebas de laboratorio y biomarcadores con costos asociados, desde información gratuita (datos demográficos y comorbilidades) y pruebas de bajo costo, como presión arterial y oximetría de pulso, hasta resultados de laboratorio más costosos: como la función hepática y la inflamación.

Luego, el equipo usó un método de aprendizaje automático que se sabe que funciona bien para conjuntos de datos de atención médica con datos faltantes o sesgados para encontrar correlaciones entre las características del paciente y sus riesgos de muerte o ventilación por COVID-19 y determinar el conjunto de características más predictivo. Usando el método, encontraron que era posible lograr una reducción del 43 por ciento en los costos de laboratorio con solo una reducción del 3 por ciento en el rendimiento al predecir la necesidad probable de ventilación debido a la enfermedad.

«Descubrimos que es posible lograr una reducción significativa en el costo a expensas de una pequeña reducción en el rendimiento predictivo», dijo el coautor Sam Nguyen, quien dirigió el esfuerzo de modelado y extracción de datos del lado de LLNL. «Al responder a la pandemia, si uno está limitado por sus recursos de prueba (elementos vitales, laboratorios, etc.), en realidad podría hacerlo bastante bien en la predicción del riesgo de COVID-19 con una cantidad limitada de entradas, si sabe cuál es el costo más alto. pruebas eficientes para llevar a cabo».

Los hallazgos podrían ser útiles cuando cierto trabajo de laboratorio no está disponible o es prohibitivamente costoso, de particular importancia durante la pandemia de COVID-19, donde muchos pacientes y médicos necesitan tomar decisiones rápidas, dijeron los investigadores.