Los investigadores modelan la progresión de la enfermedad de COVID-19 e identifican los factores de riesgo
Ser hombre es un factor de riesgo conocido de resultados adversos en pacientes hospitalizados con COVID-19. Sin embargo, un nuevo análisis revela que al modelar la trayectoria completa de la enfermedad, el grado en que ser hombre es un factor de riesgo depende de la gravedad de la enfermedad subyacente del paciente. Crédito: Investigador principal de LLNL, Priyadip Ray
Un equipo del Laboratorio Nacional Lawrence Livermore (LLNL) ha desarrollado un modelo dinámico integral de la progresión de la enfermedad de COVID-19 en pacientes hospitalizados, y descubrió que los factores de riesgo de complicaciones de la enfermedad dependen de la enfermedad del paciente estado.
Utilizando un algoritmo de aprendizaje automático en un conjunto de datos de registros médicos electrónicos (EHR) de más de 1300 pacientes hospitalizados con COVID-19 con ProMedica, el sistema de atención médica más grande del noroeste de Ohio y el sureste de Michigan, el equipo clasificó a los pacientes en «moderados» o «graves». y siguió 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, en contraste con la literatura científica anterior que examinaba solo los factores de riesgo estáticos, el método permitió al equipo identificar, a medida que la enfermedad progresaba, cuándo ciertos variables como la edad y la raza, y las comorbilidades, incluidas la diabetes y la hipertensión, dieron lugar a resultados más graves.
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 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 se publicaron el 7 de febrero en la revista Journal of the American Medical Informatics Association.
«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 seguro el comportamiento contrario a la intuición surge una vez que se divide la trayectoria del paciente en estados de enfermedad», dijo el investigador principal del LLNL, Priyadip Ray. «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 antes 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 debe tenerse en cuenta al realizar una evaluación de riesgo entre pacientes en hospitales.
«La gran mayoría de los estudios sobre los factores de riesgo de COVID-19 ignoran la progresión temporal de la enfermedad en su análisis, «, dijo Braden Soper, coautor de 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 añadió que la evaluación del riesgo dependiente del estado de la enfermedad también se puede aplicar 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 generalmente sufren muestras irregulares o datos faltantes, el equipo utilizó un modelo estadístico conocido como modelo oculto de Markov (HMM) de tiempo continuo y dependiente de covariables, conocido por manejar bien dichos datos.
Los modelos mostraron que, si bien ser hombre, afroamericano o tener una comorbilidad médica estaban todos asociados con un mayor riesgo de progresar de estados de enfermedad moderados a graves, los mismos factores resultaron en una disminución de r riesgo de pasar 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 relacionó 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 estados graves a fallecidos, informaron los investigadores.
El equipo validó los estados de enfermedad latente inferidos con los Institutos Nacionales de Salud- pautas establecidas 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 Scientific Reports, donde examinaron los factores de riesgo estáticos para los pacientes que desarrollan complicaciones graves después de dar positivo en la prueba de COVID-19.
El equipo usó una herramienta de interpretación para averiguar qué pruebas de laboratorio eran más predictivas de hospitalización o malos resultados, identificando w Qué pruebas se deben recopilar en el caso de restricciones presupuestarias que podrían dar a los médicos casi las mismas predicciones de resultados adversos que la recopilación de todos los datos posibles.
«Tratamos de ver este problema de una manera diferente», Ray dijo. «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 brindará un mejor rendimiento predictivo. ¿Puede seleccionar un pequeño conjunto de laboratorios y marcadores que sea indicativo de riesgo?», continuó Ray. «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 función hepática e inflamación.
El equipo luego 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. descubrieron que era posible lograr una reducción del 43 % en los costos de laboratorio con solo una reducción del 3 % en el rendimiento al predecir la probable necesidad de ventilación debido a la enfermedad.
«Descubrimos que es posible lograr una reducción significativa en 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 más eficientes para llevar a cabo».
Los hallazgos podrían ser útiles cuando ciertos trabajos de laboratorio no están disponibles o son prohibitivamente costosos, de particular importancia durante la pandemia de COVID-19, donde muchos pacientes y médicos necesitan tomar decisiones rápidas, dijeron los investigadores. .
Explore más
EII clínicamente activa relacionada con resultados adversos de COVID-19 Más información: Braden C Soper et al, El modelo dinámico de pacientes hospitalizados con COVID-19 revela factores de riesgo dependientes del estado de la enfermedad, Journal de la Asociación Estadounidense de Informática Médica (2022). DOI: 10.1093/jamia/ocac012 Información de la revista: Journal of the American Medical Informatics Association , Scientific Reports
Proporcionado por Lawrence Livermore National Laboratory Cita: Los investigadores modelan COVID- 19 Progresión de la enfermedad e identificación de factores de riesgo (2022, 16 de febrero) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-02-covid-disease-factors.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.