Research Article

Desarrollo y validación externa de una aplicación web para la predicción del SDRA asociado a la neumonía

DOI:

10.3791/69738

⸱

January 6th, 2026

 ,  , 
1Department of Pulmonary and Critical Care Medicine, Beijing Anzhen Hospital of Capital Medical University, 2Beijing Institute of Heart, Lung and Blood Vessel Diseases

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio tiene como objetivo desarrollar y validar externamente un sistema web que integre modelos de aprendizaje automático para el diagnóstico precoz y la fenotipización clínica del SDRA asociado a la neumonía, con el fin de facilitar un tratamiento de precisión.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El síndrome de dificultad respiratoria aguda (SDRA) es una enfermedad altamente heterogénea con manifestaciones clínicas que pueden solaparse con una neumonía grave, lo que supone dificultades para una diferenciación precisa. Por ello, es urgente una predicción temprana y un agrupamiento rápido de subtipos en el lado del paciente con SDRA. Este estudio tiene como objetivo desarrollar un sistema basado en la web, que incluya modelos validados de diagnóstico precoz junto a la cama y clasificación de subgrupos clínicos, para predecir el desarrollo y los fenotipos del SDRA asociado a la neumonía. Se desarrollaron y validaron modelos diagnósticos y de subgrupos a partir de dos grandes bases de datos, Medical Information Mart for Intensive Care IV (MIMIC-IV) y Telehealth Intensive Care Unit (eICU), e incorporados a un sistema de predicción basado en la web. Se analizaron datos de pacientes con neumonía hospitalizados durante más de 24 horas entre 2008 y 2019. La cohorte de derivación MIMIC-IV incluyó 24.987 pacientes con neumonía (14.121 con SDRA asociado a neumonía); la cohorte de verificación en la UCI electrónica incluyó 20.676 pacientes con neumonía (9.946 con SDRA asociado a neumonía). En el diagnóstico, el método de apilamiento de aprendizaje automático funcionó mejor con un AUC de 0,919, una precisión del 70,00%, una precisión del 69,88% y un recuerdo del 82,27% en la cohorte de derivación MIMIC-IV. La UCA, precisión, precisión y recuerdo de la cohorte de validación de la eICU fueron de 0,915, 70,87%, 69,70% y 69,70% respectivamente. El SDRA asociado a la neumonía se clasificó en tres fenotipos clínicos con diferentes características clínicas y resultados, todos los cuales respondieron de forma distinta al tratamiento. Entre los pacientes de los grupos 0 y 1, las tasas de mortalidad hospitalaria fueron mayores entre quienes recibieron tratamiento temprano con corticosteroides que entre quienes no lo recibieron, mientras que entre los pacientes del grupo 2, la tasa de mortalidad hospitalaria fue menor entre quienes recibieron corticosteroides que entre quienes no lo recibieron. Realizamos una transformación en la red de la predicción diagnóstica y la clasificación de subgrupos clínicos del SDRA asociado a la neumonía. Nuestros modelos basados en la web sobre el diagnóstico temprano junto al paciente y la clasificación clínica de subgrupos del SDRA asociado a la neumonía pueden ayudar a los clínicos a diagnosticar y tratar la enfermedad, así como a promover un tratamiento de precisión individualizado.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La insuficiencia respiratoria aguda, especialmente el síndrome de dificultad respiratoria aguda (SDRA) tras una infección pulmonar, es un problema común y devastador que se encuentra en pacientes en estado crítico. Los estudios han demostrado que la incidencia del SDRA puede alcanzar hasta el 10% entre los pacientes en la unidad de cuidados intensivos (UCI)1, y la tasa de mortalidad es aproximadamente del 40%2,3. La neumonía grave se considera ampliamente la principal causa delSDRA 4. Debido a que los síntomas clínicos de la neumonía grave y el SDRA son similares, a menudo es difícil distinguir el SDRA de la neumonía severa. Por lo tanto, la predicción temprana del desarrollo del SDRA en casos de neumonía puede reducir la incidencia y las tasas de mortalidad5. Además, dado que el SDRA es una enfermedadaltamente heterogénea 6, la clasificación temprana y correcta de subgrupos del SDRA puede permitir la medicina de precisión. Esta clasificación es también una de las principales áreas de investigación sobre enfermedades respiratorias críticas en todo elmundo, el objetivo es mejorar la eficacia de la intervención en subgrupos dirigidos.

Actualmente, los factores de riesgo independientes para el SDRA se han estudiado extensamente8, pero pocos se han centrado en la predicción del SDRA en pacientes con neumonía. Además, no se han realizado estudios sobre fenotipos clínicos específicos del SDRA asociado a la neumonía; la mayoría de los estudios fenotípicos se han centrado en toda la población de pacientes con SDRA. Calfee et al.9 clasificaron el SDRA en fenotipos hiperinflamatorios e hipoinflamatorios. Para definir estos fenotipos biológicos, deben usarse biomarcadores plasmáticos como variables categóricamente definidoras, pero tal investigación no está fácilmente disponible en la cabecera del paciente. En un estudio, se utilizaron indicadores clínicos fácilmente disponibles para clasificar el SDRA en tres fenotipos clínicos, cuyas respuestas a intervenciones aleatorizadas también se evaluaron, pero el estudio se basó en toda la población de pacientes conSDRA 10. Definir los fenotipos clínicos del SDRA según diferentes causas, como la neumonía, puede dar resultados más precisos y precisos.

Los objetivos de este estudio fueron utilizar aprendizaje automático para construir un modelo predictivo del SDRA asociado a la neumonía con datos clínicos tempranos; utilizar datos clínicos tempranos y fácilmente disponibles para clasificar el SDRA asociado a la neumonía en fenotipos clínicos y explorar diferencias en sus características clínicas, resultados y respuestas al tratamiento; y implementar el modelo de predicción y el modelo de clasificación como una aplicación web que ayudaría a los clínicos en el diagnóstico y tratamiento del SDRA asociado a la neumonía y promoviera la investigación adicional.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio accedió a la base de datos11 (Versión 1.0, PhysioNet: https://physionet.org/content/mimiciv/1.0/) y a la base de datos12 de la Unidad de Cuidados Intensivos de Telemedicina (eICU) (Versión 2.0, PhysioNet: https://physionet.org/content/eicu-crd/2.0/) tras completar el examen Protecting Human Research Participants (ID de registro: 44151052). Este estudio se llevó a cabo conforme a los principios de la Declaración de Helsinki (2013), y los pacientes dieron su consentimiento para que sus datos fueran recogidos en ambas bases de datos. Se eximió la aprobación ética para este estudio porque los datos en las bases de datos de la eICU y MIMIC-IV estaban completamente anonimizados (no se conservaron identificadores personales).

Materiales y herramientas
Fuentes de datos: Base de datos MIMIC-IV: Versión 1.0, registro de acceso abierto de centro único que contiene 76.540 ingresos en UCI (2008-2019), consultado a través de PhysioNet. Base de Datos de la eUTI: Versión 2.0, base de datos multicéntrica que contiene >200.000 historiales médicos electrónicos de 335 unidades en 208 hospitales de EE. UU. (2014-2015), consultada a través de PhysioNet. Software y entorno de ejecución: RapidMiner Studio: Versión 9.10.001 (entorno de ejecución: Windows 10 Pro 64 bits), utilizado para la construcción de modelos (clasificación/clúster) y selección de características; IBM SPSS Statistics: Versión 23.0 (entorno de ejecución: Windows 10 Pro 64 bits), utilizado para análisis estadístico y imputación de valores faltantes; Java Development Kit (JDK): Versión Java SE 8u381 (entorno de ejecución: Windows 10 Pro 64 bits), utilizada para el desarrollo de aplicaciones web; soporte para IDE: Eclipse IDE 2023-09; Apache Tomcat: Versión 9.0.85, utilizado para desplegar la aplicación web.

Diseño del estudio y entornos
El concepto de este estudio se ilustra en la Figura Suplementaria 1. Este estudio analizó datos de dos grandes fuentes, las bases de datos del Medical Information Mart for Intensive Care IV (MIMIC-IV) y la Telehealth Intensive Care Unit (eICU), para construir un modelo predictivo del SDRA asociado a la neumonía y clasificar a los pacientes afectados según los fenotipos clínicos. Este estudio siguió las directrices del Informe Transparente de un Modelo de Predicción Multivariable para el Pronóstico o Diagnóstico Individual (TRIPOD).

Muestras de estudio
Los datos de entrenamiento y pruebas de este estudio se obtuvieron de MIMIC-IV. La fuente de verificación externa fue la base de datos multicéntrica de eICU. Este estudio utilizó la Clasificación Internacional de Enfermedades (Novena y Décima Revisión) para extraer datos sobre pacientes con neumonía y SDRA asociado a la neumonía. Se excluyeron a los pacientes que estuvieron ingresados menos de 24 horas.

Predictores
Tras evaluar la disponibilidad de datos y la tasa de variables clínicas ausentes en los conjuntos de datos MIMIC-IV y eICU, se seleccionaron 52 variables para el SDRA asociado a la neumonía como variables de entrenamiento candidatas para su uso en aprendizaje automático, incluyendo características demográficas de los pacientes, hallazgos de laboratorio y puntuaciones de gravedad de la enfermedad. Este estudio utilizó un algoritmo de ponderación por correlación (basado en el peso de correlación entre variables y resultados) para filtrar predictores clave (variables que finalmente se incluyen en los modelos) de las 52 variables candidatas y luego seleccionó factores de agrupación de subgrupos a partir de los predictores clave.

Para ello, abre RapidMiner Studio, crea un nuevo proceso y añade el operador Peso por Correlación haciendo clic en Operadores de > de Proceso > Selección de Características > Peso por Correlación. Establezca el parámetro: umbral de correlación = 0,04 (conservar variables con peso > 0,04). Para forzar que el modelo tenga en cuenta las fases tempranas de la enfermedad y la puntualidad, se obtuvieron los valores máximos y mínimos de los indicadores de laboratorio en un plazo de 24 horas tras la admisión. Como la Puntuación de Fisiología Aguda III (APSIII) no se incluyó en la base de datos de la UCI electrónica, se utilizaron en su lugar las puntuaciones de la Evaluación de Fisiología Aguda y Salud Crónica IV (APACHE IV). Este estudio limpió los datos e interpoló los valores faltantes utilizando el método de imputación múltiple y estandarizó las variables de entrada al desarrollar modelos de predicción y subfenotipado.

Análisis estadístico
Abre SPSS 23.0, importa el conjunto de datos preprocesado y selecciona Analizar > Estadísticas Descriptivas > Explorar. Revisa los gráficos de normalidad con pruebas para realizar la prueba de Kolmogorov-Smirnov para variables continuas. Las variables distribuidas sesgadas se reportan como mediana (rango intercuartílico, IQR); Las variables categóricas se reportan como conteo (porcentaje, %). Para comparar variables continuas entre grupos, se utilizó la prueba U de Mann-Whitney o la prueba de Kruskal-Wallis, según correspondá. Para comparar variables categóricas entre grupos, se utilizó la prueba del chi-cuadrado de Pearson o la prueba exacta de Fisher, según correspondá.

Desarrollo de modelos y presentación web
Para el desarrollo de modelos, este estudio dividió la cohorte de derivación MIMIC-IV en un conjunto de entrenamiento (el 90% de la muestra completa elegido aleatoriamente para el desarrollo del modelo y la optimización de hiperparámetros) y un conjunto de pruebas (el 10% de la muestra completa seleccionado aleatoriamente para pruebas internas); este estudio realizó verificación externa en la UCI electrónica. Este estudio implementó aprendizaje automático con cinco métodos: árbol de decisión, regresión logística, naïve bayes, apilamiento (los aprendices base fueron la regresión logística, los bayes naïve y los métodos de bosque aleatorio; el aprendiz apilado fue el método del árbol de decisión) y el bosque aleatorio. Árbol de decisión: haz clic en Process > Operadores > Modelado > Clasificación > Árbol de Decisión con algoritmo = C4.5, Tamaño mínimo de hoja = 5. Para regresión logística: haz clic en Operadores de > Procesos > Modelado > Clasificación > Regresión Logística con fuerza de regularización = 0,1, Iteraciones máximas = 100. Para Naive Bayes: haz clic en Process > Operators > Modeling > Classification > Naive Bayes con tipo kernel = Gaussian. Para bosque aleatorio: haz clic en Operadores de > de proceso > Modelado > Clasificación > Bosque Aleatorio con número de árboles = 100, profundidad máxima = 20. Para apilamiento: haz clic en Operadores de > de Proceso > Modelado > Conjunto > Apilamiento con aprendices base = Regresión logística + Bayes naive + Bosque aleatorio; Apilamiento del aprendiz = Árbol de decisión. Este estudio midió el rendimiento predictivo del modelo desarrollado calculando el área bajo la curva característica de funcionamiento del receptor (AUC), la precisión, precisión y recuerdo.

Al construir la clasificación de subgrupos clínicos de SDRA asociado a la neumonía, este estudio utilizó agrupamiento k-media con predictores clave. Para determinar el número óptimo de clústeres k, se examinó el valor de las estadísticas de brechas en el gráfico de estadísticas de brecha, lo que sugirió el número óptimo de conglomerados. Este estudio analizó las características clínicas y los resultados de diferentes fenotipos, y comparamos las diferencias en las tasas de mortalidad hospitalaria entre pacientes con distintos grupos que recibieron y no recibieron tratamiento temprano con corticosteroides de dosis bajas a medias.

En RapidMiner Studio, selecciona File > Export Model y guarda los modelos de predicción de diagnóstico y clasificación de subgrupos como archivos .model. Utiliza JDK Java SE 8u381 y Eclipse IDE 2023-09 para escribir páginas web en lenguaje Java; Importa los archivos .model al proyecto. Este estudio utilizó el lenguaje Java para desarrollar una página web en la que se incrustaron el modelo diagnóstico y el modelo de agrupación de subgrupos clínicos, y subimos el modelo en línea.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Participantes
La base de datos MIMIC-IV incluyó datos de 24.987 pacientes con neumonía, de los cuales 14.121 tenían SDRA asociado a la neumonía (Tabla 1). La base de datos de la UCI electrónica incluyó datos de 20.676 pacientes con neumonía, de los cuales 9946 tenían SDRA asociado a la neumonía (Tabla Suplementaria 1).

Establecimiento y verificación del modelo de predicción del SDRA asociado a la neumonía
Utilizamos los ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Como sabemos, este es el primer modelo diagnóstico y el primer modelo de clasificación de subgrupos clínicos que utiliza aprendizaje automático para informar del SDRA en pacientes con neumonía, y el mayor estudio que ha informado sobre el diagnóstico y la clasificación de subgrupos clínicos del SDRA asociado a la neumonía. En este estudio, derivamos y validamos dos modelos basados en aprendizaje automático y los traducimos en aplicaciones web para la práctica clínica y la investigación p...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores declaran que no tienen intereses en competencia.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Gato ApacheFundación de software ApacheVersión 9.0.85
Eclipse IDE Eclipse2023-09
Java Development Kit & nbsp;JavaVersión Java SE 8u381 
RapidMiner StudioAltair Engineering Inc.Versión 9.10.001 
Estadísticas de SPSSIBMVersión 23.0 

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Brun-Buisson, C., et al. Epidemiology and outcome of acute lung injury in European intensive care units. Results from the ALIVE study. Intens Care Med. 30 (1), 51-61 (2004).
  2. Bellani, G., et al. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 315 (8), 788-800 (2016).
  3. Huang, X., et al. CHARDSnet group.Incidence and outcomes of acute respiratory distress syndrome in intensive care units of mainland China: a multicentre prospective longitudinal study. Crit Care. 24 (1), 515(2020).
  4. Rubenfeld, G. D., et al. Incidence and outcomes of acute lung injury. New Engl J Med. 353 (16), 1685-1693 (2005).
  5. Zhou, Y., et al. Development and validation of a deep learning-based framework for automated lung CT segmentation and acute respiratory distress syndrome prediction: a multicenter cohort study. Eclin Med. 75, 102772(2024).
  6. Thompson, B. T., Chambers, R. C., Liu, K. D. Acute Respiratory Distress Syndrome. N Engl J Med. 377 (6), 562-572 (2017).
  7. Antcliffe, D. B., et al. Patient stratification using plasma cytokines and their regulators in sepsis: relationship to outcomes, treatment effect and leucocyte transcriptomic subphenotypes. Thorax. 79 (6), 515-523 (2024).
  8. Pham, T., Rubenfeld, G. D. Fifty years of research in ARDS. The epidemiology of acute respiratory distress syndrome. A 50th birthday review. Am J Respir Crit Care Med. 195 (7), 860-870 (2017).
  9. Calfee, C. S., et al. Subphenotypes in acute respiratory distress syndrome: latent class analysis of data from two randomised controlled trials. Lancet Respir Med. 2 (8), 611-620 (2014).
  10. Liu, X., et al. Identification of distinct clinical phenotypes of acute respiratory distress syndrome with differential responses to treatment. Crit Care. 25 (1), 320(2021).
  11. Johnson, A., et al. MIMIC-IV (version 1.0). PhysioNet. , (2021).
  12. Pollard, T. J., et al. The eICU collaborative research database, a freely available multi-center database for critical care research. Sci Data. 5, 180178(2018).
  13. Al Taweraqi, N., King, R. D. Improved prediction of gene expression through integrating cell signalling models with machine learning. BMC Bioinformatics. 23 (1), 323(2022).
  14. Mo, J. P., Jia, Z. Z., Tang, Y., Yang, M., Qin, H. Establishing prediction model of community-acquired pneumonia complicated with acute respiratory distress syndrome based on artificial neural network. Zhonghua Wei Zhong Bing Ji Jiu Yi Xue. 34 (4), 367-372 (2022).
  15. Wynne, B. M., et al. Regulation of lung epithelial sodium channels by cytokines and chemokines. Front Immunol. 8, 766(2017).
  16. Comellas, A. P., et al. Insulin regulates alveolar epithelial function by inducing Na+/K+-ATPase trans-location to the plasma membrane in a process mediated by the action of Akt. J Cell Sci. 123 (pt 8), 1343-1351 (2010).
  17. ARDS Definition Task Force. Acute respiratory distress syndrome: the Berlin Definition. JAMA. 307 (23), 2526-2533 (2012).
  18. Janz, D. R., Ware, L. B. The role of red blood cells and cell-free hemoglobin in the pathogenesis of ARDS. J Intens Care. 3, 20(2015).
  19. Ruan, S. Y., et al. Exploring the heterogeneity of effects of corticosteroids on acute respiratory distress syndrome: A systematic review and meta-analysis. Crit Care. 18 (2), R63(2014).
  20. Sinha, P., et al. Latent class analysis reveals COVID-19-related acute respiratory distress syndrome subgroups with differential responses to corticosteroids. Am J Respir Crit Care Med. 204 (11), 1274-1285 (2021).
  21. Lee, K. Y. Pneumonia, Acute Respiratory Distress Syndrome, and Early Immune-Modulator Therapy. Int J Mol Sci. 18 (2), 388(2017).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Pneumonia Associated ARDSARDS PredictionWeb Based ApplicationClinical Subgroup ClassificationMachine Learning ModelsEarly Bedside DiagnosisMIMIC IV DatabaseeICU DatabaseClinical PhenotypesPrecision Treatment
Video Coming Soon

Related Articles