medigraphic.com

2026, Número 1

<< Anterior Siguiente >>

Med Crit 2026; 40 (1)


Pronóstico de fenotipos de sepsis obtenidos por medio de aprendizaje automatizado no supervisado en los expedientes de pacientes en medicina interna y terapia intensiva

Cárdenas CHE, Ramírez HJP, Mandujano SIJ, Merlos RJI, Sosa MMÁ

Idioma: Español
Referencias bibliográficas: 42
Paginas: 14-24
Archivo PDF: 302.10 Kb.


RESUMEN

Introducción: la sepsis es un desorden complejo, el cual se entiende como un síndrome más que como una enfermedad, que ha representado un reto mismo desde el momento de definirla. Por lo tanto, los ensayos clínicos que abordan su diagnóstico, pronóstico y sobre todo tratamiento, han sido más que desafiantes y muchas veces han resultado en fracasos, pese a contar con un respaldo teórico robusto. Así, resulta evidente que la definición de sepsis es muy común y amplia para un grupo heterogéneo de pacientes que no necesariamente tienen el mismo desorden. Objetivo: describir el pronóstico de los diferentes fenotipos de sepsis mediante aprendizaje automatizado no supervisado y variables clínicas y bioquímicas obtenidas durante las 12 primeras horas de estancia hospitalaria, en expedientes de pacientes ingresados en los servicios de Medicina Interna y Terapia Intensiva del Hospital General «Dr. Manuel Gea González» durante el periodo del 1 de enero de 2022 al 31 de diciembre de 2023. Material y métodos: estudio observacional, analítico, retrospectivo, transversal y retrolectivo de 389 expedientes de pacientes con sepsis como causa de ingreso hospitalario, de acuerdo con el consenso SEPSIS-3. Por medio de aprendizaje automatizado no supervisado, se analizaron variables clínicas y bioquímicas a su ingreso para distinguir distintos fenotipos de sepsis. Resultados: de los 389 expedientes incluidos, 188 fueron categorizados como fenotipo 1 y 201 como fenotipo 2, con una robustez de 0.0696 de acuerdo con el índice de la silueta y de 0.1002459 según el índice de Dunn. Falla renal aguda se documentó en 77% (n = 144) de los pacientes en el fenotipo 1 y en 55% (n = 111) en el fenotipo 2 (χ2 = 19.649, p = 0.0004998). Terapia de reemplazo renal se registró en 20% (n = 37) de los casos en el fenotipo 1 y en 4% (n = 8) en el fenotipo 2 (χ2 = 23.408, p = 0,0004998). Conclusión: en expedientes de pacientes con diagnóstico de sepsis, el análisis de variables clínicas y bioquímicas accesibles durante las primeras 12 horas, da como resultado una nueva categorización de sepsis con utilidad pronóstica en lo que respecta a falla renal y necesidad de terapia de reemplazo renal.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Cecconi M, Evans L, Levy M, Rhodes A. Sepsis and septicshock. Lancet Lond Engl. 2018;392(10141):75-87.

  2. Singer M, Deutschman CS, Seymour CW, Shankar-Hari M,Annane D, Bauer M, et al. The third international consensusdefinitions for sepsis and septic shock (Sepsis-3). JAMA.2016;315(8):801-810.

  3. Shankar-Hari M, Phillips GS, Levy ML, Seymour CW, LiuVX, Deutschman CS, et al. Developing a new definition andassessing new clinical criteria for septic shock: for the thirdinternational consensus definitions for sepsis and septic shock(Sepsis-3). JAMA. 2016;315(8):775-787.

  4. Marik PE. Early management of severe sepsis: concepts andcontroversies. Chest. 2014;145(6):1407-1418.

  5. Ulloa L, Brunner M, Ramos L, Deitch EA. Scientific and clinicalchallenges in sepsis. Curr Pharm Des. 2009;15(16):1918-1935.

  6. Martin GS, Mannino DM, Eaton S, Moss M. The epidemiologyof sepsis in the United States from 1979 through 2000. N Engl JMed. 2003;348(16):1546-1554.

  7. Vincent JL, Sakr Y, Sprung CL, Ranieri VM, Reinhart K, GerlachH, et al. Sepsis in European intensive care units: results of theSOAP study. Crit Care Med. 2006;34(2):344-353.

  8. Rudd KE, Johnson SC, Agesa KM, Shackelford KA, Tsoi D,Kievlan DR, et al. Global, regional, and national sepsis incidenceand mortality, 1990-2017: analysis for the Global Burden ofDisease Study. Lancet Lond Engl. 2020;395(10219):200-211.

  9. Carrillo-Esper R, Carrillo-Córdova JR, Carrillo-Córdova LD.Epidemiological study of sepsis in Mexican intensive care units.Cir Cir. 2009;77(4):301-308; 279-285.

  10. Gorordo-Delsol LA, Merinos-Sánchez G, Estrada-Escobar RA,Medveczky-Ordoñez NI, Amezcua-Gutiérrez MA, Morales-Segura MA, et al. Sepsis and septic shock in emergencydepartments of Mexico: a multicenter point prevalence study.Gac Med Mex. 2020;156(6):486-492.

  11. McCarthy J, Minsky ML, Rochester N, Shannon CE. A proposalfor the Dartmouth summer research project on artificialintelligence. August 31, 1955. AI Mag. 2006;27:12-14.

  12. Calvo J, Guzman M, Ramos D. Machine Learning: una piezaclave en la transformación de los negocios [Internet]. www.ibm.com. Managment Solutions; 2024. Disponible en: https://www.ibm.com/es-es/topics/unsupervised-learning

  13. McCorduck P. Machines who think: a personal inquiry into the historyand prospects of artificial intelligence. 25th anniversary update. BocaRaton: CRC Press, Taylor & Francis Group; 2019. p. 565.

  14. El Naqa I, Murphy MJ. What is machine learning? In: El Naqa I,Li R, Murphy MJ, editors. Machine learning in radiation oncology.Cham: Springer International Publishing; 2015. pp. 3-11.

  15. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature.2015;521(7553):436-444.

  16. Joshi S. Types of clustering algorithms in machine learningwith examples. Blogs & Updates on Data Science, BusinessAnalytics, AI Machine Learning. 2022.

  17. Chen M. What is unsupervised learning? [Internet]. Oracle.com.Oracle; 2024. Available in: https://www.oracle.com/mx/artificialintelligence/machine-learning/unsupervised-learning/

  18. Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA. TheArtificial Intelligence Clinician learns optimal treatment strategiesfor sepsis in intensive care. Nat Med. 2018;24(11):1716-1720.

  19. De Corte T, Van Hoecke S, De Waele J. Artificial intelligencein infection management in the ICU. Crit Care Lond Engl.

  20. 2022;26(1):79.20. Fleuren LM, Klausch TLT, Zwager CL, Schoonmade LJ, GuoT, Roggeveen LF, et al. Machine learning for the prediction ofsepsis: a systematic review and meta-analysis of diagnostic testaccuracy. Intensive Care Med. 2020;46(3):383-400.

  21. Islam MM, Nasrin T, Walther BA, Wu CC, Yang HC, Li YC.Prediction of sepsis patients using machine learning approach: ameta-analysis. Comput Methods Programs Biomed. 2019;170:1-9.

  22. BISEPRO: inteligencia artificial para agilizar el diagnósticode la sepsis [Internet]. iSanidad; 2018. Disponible en: https://isanidad.com/126725/bisepro-inteligencia-artificial-para-agilizarel-diagnostico-de-la-sepsis/

  23. Lamping F, Jack T, Rubsamen N, Sasse M, Beerbaum P,Mikolajczyk RT, et al. Development and validation of a diagnosticmodel for early differentiation of sepsis and non-infectious SIRSin critically ill children - a data-driven approach using machinelearningalgorithms. BMC Pediatr. 2018;18(1):112.

  24. Sharafoddini A, Dubin JA, Lee J. Identifying subpopulations ofseptic patients: A temporal data-driven approach. Comput BiolMed. 2021;130:104182.

  25. Scicluna BP, van Vught LA, Zwinderman AH, Wiewel MA,Davenport EE, Burnham KL, et al. Classification of patients withsepsis according to blood genomic endotype: a prospectivecohort study. Lancet Respir Med. 2017;5(10):816-826.

  26. Geri G, Vignon P, Aubry A, Fedou AL, Charron C, Silva S, et al.Cardiovascular clusters in septic shock combining clinical andechocardiographic parameters: a post hoc analysis. IntensiveCare Med. 2019;45(5):657-667.

  27. Kattan E, Bakker J, Estenssoro E, Ospina-Tascón GA,Cavalcanti AB, Backer DD, et al. Hemodynamic phenotypebased,capillary refill time-targeted resuscitation in early septicshock: The ANDROMEDA-SHOCK-2 Randomized Clinical Trialstudy protocol. Rev Bras Ter Intensiva. 2022;34(1):96-106.

  28. Gardlund B, Dmitrieva NO, Pieper CF, Finfer S, Marshall JC,Taylor Thompson B. Six subphenotypes in septic shock: latentclass analysis of the PROWESS shock study. J Crit Care.2018;47:70-79.

  29. Zhao H, Kennedy JN, Wang S, Brant EB, Bernard GR, DeMerleK, et al. Revising host phenotypes of sepsis using microbiology.Front Med. 2021;8:775511.

  30. Papin G, Bailly S, Dupuis C, Ruckly S, Gainnier M, Argaud L,et al. Clinical and biological clusters of sepsis patients usinghierarchical clustering. PloS One. 2021;16(8):e0252793.

  31. Hu C, Li Y, Wang F, Peng Z. Application of machine learningfor clinical subphenotype identification in sepsis. Infect Dis Ther.2022;11(5):1949-1964.

  32. Seymour CW, Kennedy JN, Wang S, Chang CCH, Elliott CF,Xu Z, et al. Derivation, validation, and potential treatmentimplications of novel clinical phenotypes for sepsis. JAMA.2019;321(20):2003-2017.

  33. Pierrakos C, Velissaris D, Bisdorff M, Marshall JC, VincentJL. Biomarkers of sepsis: time for a reappraisal. Crit Care.2020;24(1):287.

  34. Póvoa P, Coelho L, Dal-Pizzol F, Ferrer R, Huttner A, ConwayMorris A, et al. How to use biomarkers of infection or sepsis at thebedside: guide to clinicians. Intensive Care Med. 2023;49(2):142-153.

  35. Huang Z, Fu Z, Huang W, Huang K. Prognostic value ofneutrophil-to-lymphocyte ratio in sepsis: a meta-analysis. Am JEmerg Med. 2020;38(3):641-647.

  36. Wu H, Cao T, Ji T, Luo Y, Huang J, Ma K. Predictive value ofthe neutrophil-to-lymphocyte ratio in the prognosis and risk ofdeath for adult sepsis patients: a meta-analysis. Front Immunol.2024;15:1336456.

  37. Thomas-Ruddel DO, Frohlich H, Schwarzkopf D, Bloos F,Riessen R. Sepsis and underlying comorbidities in intensivecare unit patients : Analysis of the cause of death by differentclinicians-a pilot study. Med Klin Intensivmed Notfmed.2024;119(2):123-128.

  38. Sharma N, Schwendimann R, Endrich O, Ausserhofer D, SimonM. Comparing Charlson and Elixhauser comorbidity indices withdifferent weightings to predict in-hospital mortality: an analysis ofnational inpatient data. BMC Health Serv Res. 2021;21(1):13.

  39. Eguia E, Cobb AN, Baker MS, Joyce C, Gilbert E, Gonzalez R, etal. Risk factors for infection and evaluation of Sepsis-3 in patientswith trauma. Am J Surg. 2019;218(5):851-857.

  40. Knaus WA, Marks RD. New phenotypes for sepsis: thepromise and problem of applying machine learning and artificialintelligence in clinical research. JAMA. 2019;321(20):1981-1982.

  41. La Via L, Sangiorgio G, Stefani S, Marino A, Nunnari G,Cocuzza S, et al. The global burden of sepsis and septic shock.Epidemiologia (Basel). 2024;5(3):456-478.

  42. Davenport EE, Burnham KL, Radhakrishnan J, Humburg P,Hutton P, Mills TC, et al. Genomic landscape of the individualhost response and outcomes in sepsis: a prospective cohortstudy. Lancet Respir Med. 2016;4(4):259-271. doi: 10.1016/S2213-2600(16)00046-1.




2020     |     www.medigraphic.com