Sistema Predictivo Individualizado de Riesgo de Mortalidad en Pacientes con ACLF

Sistema Predictivo Individualizado de Riesgo de Mortalidad en Pacientes con Fallo Hepático Agudo sobre Crónico Basado en un Modelo de Bosque Aleatorio de Supervivencia

Introducción
El fallo hepático agudo sobre crónico (ACLF), caracterizado por el deterioro rápido de la función hepática en pacientes con enfermedades hepáticas crónicas, presenta una alta tasa de mortalidad a corto plazo (60 %–70 % en tres meses). Los modelos pronósticos actuales, como el Modelo para la Enfermedad Hepática en Etapa Terminal (MELD), la Puntuación de Relación Internacional Normalizada y Creatinina (ABIC) y el MELD Integrado (iMELD), ofrecen predicciones poblacionales de mortalidad, pero no evalúan riesgos individualizados para la toma de decisiones clínicas. El algoritmo de Bosque Aleatorio de Supervivencia (RSF), un método no paramétrico de aprendizaje automático, supera estas limitaciones al manejar relaciones no lineales, interacciones entre variables y datos faltantes. Este estudio desarrolló una herramienta en línea para predecir el riesgo de mortalidad individualizado en pacientes con ACLF utilizando RSF, generando curvas dinámicas de riesgo y predicciones de supervivencia personalizadas.

Diseño del Estudio y Métodos
Cohortes y Recopilación de Datos
Se realizó un análisis retrospectivo de 391 pacientes con ACLF de tres hospitales chinos (Hospital de Shunde, Hospital Central de Jiangmen y Primer Hospital Popular de Foshan). Tras excluir a pacientes con datos incompletos, comorbilidades (ej., cáncer hepático, enfermedades autoinmunes) o seguimiento insuficiente, se incluyeron 276 pacientes en la cohorte de modelado. Una cohorte de validación (n=276) se generó mediante remuestreo bootstrap para evaluar la generalización del modelo.

Criterios Diagnósticos y Variables
El diagnóstico de ACLF siguió las guías de la Asociación Asia-Pacífico para el Estudio del Hígado, definiendo complicaciones como encefalopatía hepática (EH), lesión renal aguda (LRA) y síndrome hepatorrenal (SHR) con criterios establecidos. Las variables incluyeron datos demográficos, parámetros de laboratorio (ej., sodio sérico, INR, RDW) y puntuaciones clínicas (MELD, ABIC, iMELD).

Desarrollo y Validación del Modelo

Modelo de Riesgos Proporcionales de Cox: Identificó predictores independientes mediante regresión multivariante escalonada.
Modelo RSF: Construido con variables del análisis de Cox (EH, edad, sodio sérico, LRA, RDW, INR). El algoritmo RSF estimó probabilidades de supervivencia mediante árboles de supervivencia ensemble, clasificando la importancia de variables mediante permutación.
Métricas de Desempeño:
- Curvas ROC dependientes del tiempo: Para mortalidad a 3, 6 y 12 meses.
- Puntajes de Brier: Evaluaron calibración (valores bajos indican mejor precisión).
- Análisis de curva de decisión: Comparó utilidad clínica entre modelos.

Herramienta Predictiva en Línea
Se desarrolló una herramienta web (https://zhangzhiqiao13.shinyapps.io/Individual_mortality_risk_predictive_tool_for_liver_failure/) que genera curvas de mortalidad individualizadas, porcentajes de supervivencia e intervalos de confianza del 95 % en tiempos definidos por el usuario.

Hallazgos Clave
Importancia de Variables y Factores de Riesgo
El RSF clasificó a la LRA, SHR, EH, edad, RDW e INR como los principales predictores (Figura 1). La regresión de Cox multivariante confirmó estos factores como riesgos independientes (Tabla 2):

EH: HR = 2,408 (IC 95 %: 1,624–3,571; P <0,001).
Edad: HR = 1,035 por año (IC 95 %: 1,021–1,050; P <0,001).
LRA: HR = 3,289 (IC 95 %: 2,170–4,985; P <0,001).
INR: HR = 1,897 (IC 95 %: 1,530–2,350; P <0,001).
Sodio sérico: Efecto protector (HR = 0,978 por mmol/L; IC 95 %: 0,959–0,998; P = 0,027).
RDW: Efecto protector (HR = 0,974 por fL; IC 95 %: 0,963–0,986; P <0,001).

Desempeño del Modelo

RSF vs. Modelo de Cox:
- AUROC (Cohorte de Modelado): RSF superó a Cox a 3 meses (0,916 vs. 0,872), 6 meses (0,916 vs. 0,866) y 12 meses (0,905 vs. 0,848).
- AUROC (Cohorte de Validación): RSF mantuvo superioridad (0,912, 0,910 y 0,880 para 3, 6 y 12 meses).
- Puntajes de Brier: RSF mostró mejor calibración (3 meses: 0,119 vs. 0,138; 12 meses: 0,128 vs. 0,156).
Comparación con Puntuaciones Tradicionales:
RSF superó a MELD, ABIC e iMELD en todas las métricas. Por ejemplo, el AUROC de MELD a 3 meses fue 0,683, inferior al 0,916 de RSF.

Estratificación de Supervivencia
Los pacientes estratificados en alto y bajo riesgo por RSF mostraron diferencias significativas (P <0,001). El grupo de alto riesgo (puntuación RSF >0,5) tuvo mediana de supervivencia de 2,3 meses vs. 34,6 meses en bajo riesgo.

Salidas de la Herramienta en Línea
La herramienta muestra dos curvas de supervivencia (RSF y Cox) y predicciones numéricas (ej., supervivencia a 12 meses: 58 % [IC 95 %: 52–64 %] para un paciente de 45 años con EH, LRA, sodio=135 mmol/L, INR=2,0, RDW=45 fL).

Discusión
Ventajas del Modelo RSF

Predicciones Individualizadas: Genera curvas dinámicas, facilitando decisiones clínicas personalizadas.
Manejo de Interacciones Complejas: Captura relaciones no lineales (ej., edad y sodio) e interdependencias (ej., LRA y EH).
Validación Rigurosa: El remuestreo bootstrap aseguró estabilidad y consistencia.

Implicaciones Clínicas

Intervención Temprana: Identificación de pacientes de alto riesgo para trasplante hepático prioritario.
Optimización de Recursos: Asignación de camas y monitorización basada en riesgo individual.

Limitaciones

Diseño Retrospectivo: Posible sesgo de selección.
Falta de Validación Externa: Necesidad de estudios en poblaciones diversas.
Variables Faltantes: Datos incompletos de función tiroidea y volumetría hepática.

Futuras Direcciones

Estudios Prospectivos Multicéntricos: Validación global.
Integración con Datajes Ómicos: Mejora mediante biomarcadores genómicos o metabolómicos.

Conclusión
Este estudio desarrolló una herramienta en línea basada en RSF que proporciona curvas de riesgo de mortalidad individualizadas y probabilidades de supervivencia específicas para pacientes con ACLF. Al superar a los modelos pronósticos tradicionales, la herramienta mejora la toma de decisiones clínicas, ofreciendo una evaluación de riesgo personalizada en lugar de poblacional.

doi.org/10.1097/CM9.0000000000001539