Artículo de investigación

Un nomograma dinámico basado en la web para predecir neumonía por Mycoplasma pneumoniae refractaria en niños

DOI:

10.3791/71588

⸱

31 de julio de 2026

 , 
1Department of Pediatrics, Jinhua Women's and Children's Hospital, 2Department of Orthopedics, Jinhua Municipal Central Hospital

En este artículo

Resumen

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

El presente estudio evaluó de forma exhaustiva manifestaciones clínicas, índices de laboratorio y características de imagen en niños con MPP para identificar factores de riesgo independientes para la RMPP y establecer un nomograma dinámico en línea para una predicción temprana.

Resumen

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

La neumonía refractaria por Mycoplasma pneumoniae (RMPP) en niños se asocia con respuestas inflamatorias más fuertes, un manejo más complejo y un mayor riesgo de complicaciones pulmonares. La identificación temprana de niños de alto riesgo puede favorecer un ajuste oportuno del tratamiento. Este estudio retrospectivo incluyó a 500 niños hospitalizados con neumonía por Mycoplasma pneumoniae desde noviembre de 2022 hasta noviembre de 2023. La cohorte se dividió aleatoriamente en un conjunto de entrenamiento (n = 375) y un conjunto de validación (n = 125). Los análisis de regresión logística univariable y multivariable identificaron seis predictores independientes de la RMPP: duración de la fiebre antes de la admisión, temperatura corporal máxima, nivel de lactato deshidrogenasa, tapones o derrame pleural, consolidación pulmonar e hipoxemia. Se construyó un nomograma dinámico basado en la web usando estas variables. El modelo mostró buena discriminación, con un área bajo la curva característica de funcionamiento del receptor/índice C de 0,840 (IC 95%, 0,785–0,892) en el conjunto de entrenamiento y 0,831 (IC 95%, 0,743–0,906) en el conjunto de validación. Las curvas de calibración mostraron buena concordancia entre los riesgos predichos y observados, y el análisis de la curva de decisión sugirió un beneficio neto clínico en la mayoría de las probabilidades umbral. Los niños con fiebre prolongada, fiebre máxima alta, lactato deshidrogenasa elevado, hipoxemia y evidencias de consolidación pulmonar o tapones de esputo/derrame pleural deben considerarse con mayor riesgo de PPM y pueden requerir un seguimiento más detallado y un ajuste oportuno del tratamiento.

Introducción

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

Mycoplasma pneumoniae (MP) es un patógeno principal de la neumonía adquirida en la comunidad en niños, especialmente en poblaciones en edad preescolar yescolar 1. La neumonía por Mycoplasma pneumoniae (MPP) es responsable de una proporción considerable de la neumonía pediátrica, y su incidencia ha aumentado en los últimosaños 2. La mayoría de los niños tienen un curso favorable tras el tratamiento adecuado; Sin embargo, algunos desarrollan fiebre persistente, empeoramiento de los síntomas respiratorios o anomalías radiográficas progresivas tras al menos 7 días de terapia estándar con macrólidos, un fenómeno potencialmente atribuible a la resistencia a los macrólidos y/o retraso en el tratamiento. Esta condición se define generalmente como neumonía refractaria por Mycoplasma pneumoniae (RMPP). La RMPP se asocia con una progresión más rápida, tratamientos más complejos y un mayor riesgo de complicaciones pulmonares y extrapulmonares, lo que hace que la identificación temprana del riesgo sea clínicamente importante.

Varios indicadores clínicos, de laboratorio e imagenísticos se han asociado con la RMPP. Los predictores reportados incluyen lactato deshidrogenasa (LDH), D-dímero, interleucina (IL)-6, IL-10, derrame pleural, obstrucción de moco, consolidación pulmonar, fiebre prolongada, temperatura máxima alta, edad avanzada e hipoxemia 3,4,5,6,7,8,9 . Estas variables reflejan diferentes aspectos de la actividad de la enfermedad, incluyendo la respuesta inflamatoria, la lesión tisular, la activación de la coagulación, la obstrucción de las vías respiratorias y la alteración de la oxigenación. Sin embargo, la RMPP suele estar impulsada por múltiples factores que interactúan, y la evaluación de una sola variable puede proporcionar una estimación individualizada del riesgo limitada.

La predicción clínica actual se basa principalmente en el juicio del médico, la interpretación de laboratorio basada en umbrales, la evaluación de imágenes o los modelos de puntuación estática. El juicio clínico es flexible pero subjetivo, mientras que los umbrales de un solo indicador son simples pero pueden pasar por alto el efecto combinado de la gravedad clínica, la inflamación y la progresión radiográfica. Un nomograma integra múltiples predictores independientes en una estimación de probabilidad individualizada y proporciona una evaluación de riesgo más intuitiva que las variables aisladas. Un nomograma dinámico basado en la web permite además la entrada directa de datos del paciente y cálculos rápidos junto a la cama, lo que puede apoyar el seguimiento temprano y el ajuste del tratamiento.

Los modelos de predicción siguen siendo herramientas de apoyo a la decisión y no pueden sustituir el juicio clínico. Su rendimiento depende de la calidad de los datos, las definiciones de variables y la validación en poblaciones independientes. Se han reportado estudios existentes basados en nomogramas para RMPP 6,7; sin embargo, todavía se necesitan herramientas dinámicas validadas externamente y comparaciones sistemáticas entre modelos. El nomograma basado en la web desarrollado en este estudio está destinado a su uso en departamentos pediátricos y entornos de urgencias donde se ofrecen habitualmente tomografías computarizadas torácicas, medición de LDH y monitorización de saturación de oxígeno. Los clínicos deben interpretar las predicciones con cautela cuando se aplican a poblaciones con perfiles epidemiológicos marcadamente diferentes, entornos sanitarios con recursos de imagen limitados o pacientes que reciben corticosteroides o antibióticos de segunda línea antes de la admisión, que pueden alterar marcadores inflamatorios.

Protocolo

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

Este estudio fue aprobado por el Comité de Ética del Hospital de Mujeres y Niños de Jinhua (Nº 2024KY099). Se obtuvo el consentimiento informado de los tutores legales de los menores.

Datos de pacientes

Este estudio retrospectivo incluyó a niños con neumonía por Mycoplasma pneumoniae (MPP) hospitalizados en el Hospital Infantil Afiliado al Hospital de Mujeres y Niños de Jinhua desde noviembre de 2022 hasta noviembre de 2023. La MPP se diagnosticó basándose en síntomas respiratorios, hallazgos de imagen torácica y pruebas positivas de ADN o ARN por Mycoplasma pneumoniae . La MPP general (GMPP) se refiere a los niños que respondieron adecuadamente a la terapia estándar con macrólidos, mientras que la RMPP se definió como fiebre persistente, síntomas agravados o anomalías progresivas por imagen tras al menos 7 días de terapia estándar conmacrólidos 10. Los criterios de inclusión fueron edad <14 años, infección confirmada por Mycoplasma pneumoniae , síntomas respiratorios y hallazgos de imagen compatibles con neumonía. Los criterios de exclusión fueron infección mixta dentro de los 10 días posteriores al inicio de la enfermedad, leucemia, enfermedad pulmonar crónica, inmunodeficiencia, terapia inmunosupresora previa, ingreso durante la fase de recuperación o registros incompletos. La terapia estándar se refería a azitromicina 10 mg/kg una vez al día, por vía oral o intravenosa, con una dosis máxima de 500 mg/día. Los niños que no cumplían los criterios RMPP se clasificaban como MPP general (GMPP). Un total de 500 niños elegibles se dividieron aleatoriamente en una cohorte de entrenamiento (n = 375) y una cohorte de validación (n = 125) usando la versión 4.1.2 del software R (función: sample(), set.seed = 42). La cohorte de validación se reservó exclusivamente para la evaluación externa del modelo y no se utilizó en ninguna etapa de la construcción del modelo. Los datos de los historiales médicos electrónicos se extrajeron utilizando una plantilla de extracción estandarizada desarrollada a previo. Los campos de datos incluían demografía, presentación clínica, valores de laboratorio, hallazgos de imagen y registros de tratamiento. Dos investigadores formados extrajeron los datos de forma independiente y las discrepancias se resolvieron por consenso. Los hallazgos de la tomografía computarizada torácica fueron evaluados por radiólogos cegados ante la agrupación clínica y los resultados de laboratorio. La fiabilidad entre evaluadores para la interpretación de imágenes en TC se evaluó utilizando la estadística kappa de Cohen para los hallazgos binarios de imagen (tapones de esputo o derrame pleural: sí/no; consolidación pulmonar: sí/no). Finalmente, 129 niños fueron clasificados como RMPP y 371 como MPP general.

Variables

Se extrajeron variables demográficas, clínicas, de laboratorio e imágenes de los registros médicos electrónicos utilizando un formulario predefinido. Las variables clínicas incluyeron edad, sexo, duración de la fiebre antes del ingreso, temperatura corporal máxima e hipoxemia. La duración de la fiebre se definió como el intervalo desde el inicio de la fiebre hasta el ingreso. La temperatura máxima corporal fue la más alta registrada antes o dentro de las 24 horas posteriores a la admisión. La hipoxemia se definió como la saturación periférica de oxígeno arterial <92% en el aire ambiente o la necesidad de oxígeno suplementario. Las variables de laboratorio incluían WBC, HB, PLT, CRP, ALB, ALT, CK-MB, LDH, D-dímero, IL-6, IL-8, IL-10, IL-17, PCT y NE%. Se recogieron muestras de sangre venosa en ayunas en las 24 horas posteriores a la admisión, y el tiempo de muestreo relativo al inicio de la fiebre y el inicio del antibiótico se registró cuando estaba disponible. Mycoplasma pneumoniae Se utilizó pruebas de ADN o ARN para confirmación etiológica. El test cuantitativo de PCR en tiempo real por hisopo de garganta para el ADN o ARN de Mycoplasma pneumoniae fue positivo. No se incluyó la carga cuantitativa de ADN/ARN porque no estaban disponibles datos estandarizados para todos los pacientes. Se revisó el TAC de tórax realizado dentro de los 3 días antes o después del ingreso para detectar tapones de esputo, derrame pleural y consolidación pulmonar. "Tapones de esputo o derrame pleural" se registró como positivo cuando alguno de los dos hallazgos estaba presente. La consolidación pulmonar se definió como opacidad parenquimatosa segmentaria o lobar en la TC. Se utilizó un escáner CT de 256 cortes. Los niños se colocaron en posición supina y se realizó un escaneo axial de tórax de baja dosis con un detector de ancho adecuado durante la suspensión de la respiración o mientras los niños dormían. La cobertura de la ecografía se extendía desde el ápice pulmonar hasta la base pulmonar para cubrir todo el parénquima pulmonar. Los parámetros de barrido se establecieron de la siguiente manera: voltaje de la válvula 100 kVp, grosor de corte 5 mm, grosor de corte de reconstrucción 1,25 mm, matriz 512 × 512, tiempo de rotación de la pórtica 0,28 s, índice de ruido 12. Las imágenes se reconstruyeron utilizando algoritmos ASIR-V y DLIR. Cada grupo contenía imágenes reconstruidas con pesos ASIR-V del 20%, 50% y 80%, así como imágenes DLIR-L, DLIR-M y DLIR-H. Los datos de imagen adquiridos se importaban a la estación de trabajo. Todas las imágenes fueron revisadas de forma independiente y en doble ciego por dos radiólogos con más de cinco años de experiencia clínica. Evaluaron la presencia de signos pulmonares anormales y resumieron las principales características de imagen. Para los casos con interpretaciones discrepantes, se alcanzó un consenso mediante discusión mutua.

Análisis estadístico

Los análisis estadísticos se realizaron utilizando la versión 4.1.2 del software R. Las variables categóricas se presentan como n (%) y se comparan usando la prueba del qui-cuadrado o la prueba exacta de Fisher. Las variables continuas se expresan como media ± desviación estándar o mediana (rango intercuartílico), según la distribución. La normalidad se evaluó mediante la prueba de Shapiro-Wilk. Las variables normalmente distribuidas se compararon usando la prueba t de muestras independientes, y las variables distribuidas no normalmente usando la prueba U de Mann-Whitney. Antes de la construcción del modelo, la comparabilidad inicial entre las cohortes de entrenamiento y validación se confirmó usando pruebas χ2 o Mann-Whitney U para todos los predictores candidatos, sin mostrar diferencias significativas entre cohortes (todas las P > 0,05). En la cohorte de entrenamiento, se introdujeron variables con P < 0,05 en regresión logística univariante en la regresión logística multivariable. La multicolinealidad se evaluó utilizando factores de inflación de varianza (VIFs) calculados con el paquete "car"; todos los predictores seleccionados presentaron < de 5 de FIV, lo que indica que no hay multilinealidad sustancial. La suposición de linealidad para LDH se examinó usando transformación logarítmica y splines cúbicos restringidos (usando el paquete "rms" con 3 nudos situados en los percentiles 10, 50 y 90); la forma lineal se mantuvo cuando el ajuste del modelo no mejoró (prueba de razón de verosimilitud: P > 0,05 para el término spline no lineal, apoyando la especificación lineal). Se construyó un nomograma a partir del modelo multivariable final usando el paquete "rms" (versión 6.3-0; funciones: lrm para regresión logística, Predict para predicción de valores y nomograma para representación gráfica). La discriminación se evaluó utilizando curvas características de funcionamiento del receptor, área bajo la curva y índice C con intervalos de confianza del 95% (paquete "pROC"). La calibración se evaluó utilizando curvas de calibración con 1.000 remuestras bootstrap. (paquete "RMS": Calibrar función). El corte óptimo de predicción se determinó de forma independiente dentro de cada cohorte utilizando el índice de Youden mediante el paquete pROC: 0,222 en la cohorte de entrenamiento y 0,247 en la cohorte de validación. El corte derivado del entrenamiento (0,222) también se aplicó a la cohorte de validación para la comparación de rendimiento entre cohortes, coherente con la práctica estándar interna de validación. El intervalo de confianza del 95% para la probabilidad predicha, por ejemplo, se calculó utilizando errores estándar basados en modelos en la escala logit. Se utilizó el análisis de la curva de decisión para evaluar el beneficio neto a través de probabilidades umbral (paquete "rmda": funciones decision_curve y plot_decision_curve). Se consideró estadísticamente significativo un P bilateral < 0,05. Los scripts R completos, incluyendo preprocesamiento de datos, construcción de modelos, validación y generación de nomogramas, están disponibles del autor correspondiente bajo solicitud.

Los datos faltantes eran mínimos (todas las variables <2% faltantes) y se manejaron mediante imputación mediana para variables continuas y imputación de modo para variables categóricas antes del análisis. Todos los predictores categóricos se codificaron como variables indicadoras binarias (0/1). Los predictores continuos (duración de la fiebre, temperatura máxima, LDH) se mantuvieron en sus unidades clínicas originales sin categorización. No se realizó selección de variables basada en el cribado univariado antes del modelado multivariable; en su lugar, se consideraron todos los candidatos clínicamente relevantes identificados en la literatura, y aquellos con P < 0,05 en el análisis univariante de la cohorte de entrenamiento avanzaron al modelo multivariable.

Implementación de calculadoras web

El nomograma dinámico basado en web se desplegó usando el paquete "shiny" (versión 1.7.4) en R. La interfaz de usuario se construyó con shiny::fluidPage(), shiny::sidebarLayout() y shiny::sliderInput() para variables continuas (duración de la fiebre, temperatura pico, LDH) y shiny::selectInput() para variables binarias (tapones de esputo o derrame pleural, consolidación pulmonar, hipoxemia). La lógica del servidor invocaba la función predict() del modelo lrm ajustado para calcular estimaciones individuales de riesgo, con las probabilidades resultantes representadas mediante renderPlot() y renderText(). La aplicación se alojaba en ShinyApps.io (https://predictrmpp.shinyapps.io/RMPP/).

Resultados

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

Los datos clínicos se recopilaron retrospectivamente y se gestionaron conforme a los requisitos institucionales de confidencialidad.

Población estudiada

Un total de 500 niños elegibles estaban incluidos, incluidos 272 niños y 228 niñas. La cohorte de formación incluía a 375 niños, de los cuales 286 tenían GMPP (MPP general) y 89 tenían RMPP. La cohorte de validación incluyó 125 niños, de los cuales 85 tenían GMPP y 40 tenían RMPP. Las cohortes de entrenamiento y validación fueron comparables en edad (mediana 5,2 vs. 5,4 años, P = 0,681), distribución por sexo (hombres 54,1% vs. 53,6%, P = 0,924), proporción RMPP (23,7% vs. 32,0%, P = 0,078) y todas las variables clínicas, de laboratorio e imagenísticas de referencia (todas P > 0,05), lo que confirmó que la asignación aleatoria logró cohortes equilibradas adecuadas para el desarrollo y validación del modelo. En la cohorte de formación, la edad y el sexo fueron similares entre los grupos GMPP y RMPP. En comparación con los niños con GMPP, aquellos con RMPP tuvieron fiebre de mayor duración antes del ingreso, mayor temperatura corporal máxima, niveles más altos de CRP, dímero D, LDH, IL-6 e IL-8, y mayores frecuencias de tapones de esputo o derrame pleural, consolidación pulmonar e hipoxemia. Se observaron tendencias similares en la cohorte de validación (Tabla 1).

Selección de características

En la cohorte de entrenamiento, la regresión logística univariante identificó nueve variables asociadas a la RMPP: duración de la fiebre antes del ingreso, temperatura corporal máxima, PCR, D-dímero, LDH, IL-6, tapones de esputo o derrame pleural, consolidación pulmonar e hipoxemia. Las variables sin significación estadística no se introdujeron en el modelo multivariable. Antes del modelado multivariable, la multicolinealidad entre los nueve predictores candidatos se evaluaba usando VIF (Tabla Suplementaria 1); todos los valores de VIF oscilaban entre 1,12 y 3,87, muy por debajo del umbral convencional de 10, lo que confirmaba que la multicolinealidad no era un problema. La regresión logística multivariable mostró que la duración de la fiebre antes de la admisión, la temperatura corporal máxima, la LDH, los tapones de esputo o derrame pleural, la consolidación pulmonar y la hipoxemia seguían siendo predictores independientes de la RMPP. La PCR, el D-dímero e IL-6 no se asociaron de forma independiente con la RMPP tras el ajuste. Estos seis predictores se utilizaron para construir el nomograma (Tabla 2).

Evaluación de linealidad para LDH

La suposición de linealidad para la LDH se evaluó utilizando splines cúbicos restringidos con 3 nudos enlos percentiles 10, 50 y 90. Una prueba de razón de verosimilitud comparando el modelo spline con el modelo lineal no mostró mejoras significativas en el ajuste (χ2 = 1,23, P = 0,540), lo que apoya la retención del término lineal.

Desarrollo y validación del nomograma dinámico

Se construyó un nomograma utilizando los seis predictores independientes del modelo multivariable: duración de la fiebre antes de la admisión, temperatura corporal máxima, LDH, tapones de esputo o derrame pleural, consolidación pulmonar e hipoxemia (Figura 1). A partir del mismo modelo, se desarrolló una calculadora dinámica basada en la web. Para un niño con fiebre de duración de 4 días, temperatura máxima de 40 °C, LDH de 415 U/L, hipoxemia, tapones de esputo o derrame pleural y consolidación pulmonar, el riesgo previsto de RMPP fue del 98,6% (IC 95%, 92,9%–99,7%) (calculado usando los coeficientes de regresión logística ajustados: logit(p) = −3,131 + 0,280 × duración de la fiebre + 0,889 × temperatura máxima + 0,0105 × LDH + 1,305 × SP_or_PE + 1,962 × consolidación + 1,952 × hipoxemia; el IC del 95% se derivó del error estándar basado en el modelo de el predictor lineal en la escala logit y transformado hacia atrás a la escala de probabilidad usando la función logit inversa) (Figura 2).

El modelo mostró una buena discriminación. El índice C fue de 0,840 (IC 95%, 0,785–0,892) en la cohorte de entrenamiento y de 0,831 (IC 95%, 0,743–0,906) en la cohorte de validación. El análisis ROC mostró resultados consistentes, con valores de AUC de 0,840 y 0,831, respectivamente (Figuras 3A, B). El corte óptimo para la cohorte de entrenamiento se determinó en 0,222 según el índice de Youden, con una sensibilidad del 78,7% y una especificidad del 80,1%. Para la cohorte de validación, el corte óptimo calculado de forma independiente fue de 0,247, con una sensibilidad del 72,5% y una especificidad del 82,4%. Cuando se aplicó el corte derivado del entrenamiento (0,222) a la cohorte de validación, la sensibilidad fue del 75,0% y la especificidad del 76,5%. Las curvas de calibración basadas en 1.000 remuestreos bootstrap mostraron buena concordancia entre los riesgos predichos y observados, con errores absolutos medios de 0,017 en la cohorte de entrenamiento y 0,028 en la cohorte de validación (Figura 3C,D). El análisis de la curva de decisión mostró que el nomograma proporcionó un beneficio neto mayor que las estrategias de tratar todo o no tratar nada en la mayoría de probabilidades umbral, particularmente entre 0,05 y 0,90 (Figura 4).

Confiabilidad entre evaluadores por TC

Se evaluó la fiabilidad entre evaluadores para la interpretación de imágenes CT entre ambos radiólogos utilizando el kappa de Cohen. El acuerdo fue sustancial para tapones de esputo o derrame pleural (κ = 0,82, IC 95%: 0,74–0,90) y consolidación pulmonar (κ = 0,79, IC 95%: 0,69–0,89), lo que apoya la fiabilidad de los predictores basados en imágenes.

DISPONIBILIDAD DE DATOS:

Los conjuntos de datos generados y/o analizados en el estudio actual están disponibles en https://predictrmpp.shinyapps.io/RMPP/. Las características demográficas, clínicas, de laboratorio e imagenosísticas de los pacientes incluidos en las cohortes aleatorizadas de validación y formación se presentan en la Tabla Suplementaria 2 y la Tabla Suplementaria 3, respectivamente.

figure-results-1
Figura 1: Estableció el nomograma en la cohorte de entrenamiento incorporando los seis parámetros. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-2
Figura 2: Nomograma dinámico online para diagnóstico de RMPP. (A) Resumen numérico de la predicción. (B) Detalles del modelo de predicción. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-3
Figura 3: Evaluación de la validez y fiabilidad del nomograma. Las curvas ROC de la cohorte de formación (A) y la cohorte de validación (B); las curvas de calibración de la cohorte de entrenamiento (C) y la cohorte de validación (D). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-4
Figura 4: Las curvas DCA de la cohorte de formación. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

VariablesTotal(n=500)Cohorte de formaciónValor PCohorte de validaciónValor P
GMPP(n=286)RMPP(n=89)GMPP(n=85)RMPP(n=40)
Edad, años4.00 (3.00, 7.00)4.00(3.00,7.00)4.00(3.00,6.00)0.7174.00 (3.00, 7.00)4.00 (2.00, 5.50)0.521
Sexo272（54.4%）0.2860.908
Femenino133（46.50%）35(39.30%)40 (47.1)20 (50.0)
Masculino153（53.50%）54(60.70%)45 (52.9)20 (50.0)
TD, días3.00 (2.00, 5.00)3.00(2.00,4.00)4.00(3.00,6.00)<0,0013.00 (2.00, 4.00)5.00 (3.00, 7.00)0.001
T, °C39.20 (38.90, 39.60)39.10(38.90,39.50)39.40(39.00,39.90)0.00139.00 (38.80, 39.50)39.45 (39.00, 40.00)0.019
WBC, 109/L8.43 (6.49, 11.16)8.48 (6.53, 11.24)8.98 (6.79, 11.76)0.5848.57 (6.66, 11.03)7.31 (5.19, 9.87)0.082
NE, %63.35 (54.25, 71.03)63.05 (53.52, 70.70)65.60 (58.30, 72.90)0.09162.70 (55.80, 70.70)61.35 (55.20, 68.47)0.699
HB, g/L63.35 (54.25, 71.03)124.00 (117.00, 131.00)125.00 (119.00, 130.00)0.289122,82±9,76125.47±7.970.137
PLT, 109/L269.50 (224.75, 318.00)269.00 (224.00, 319.00)264.00 (219.00, 310.00)0.47275.00 (236.00, 312.00)271.50 (229.75, 303.50)0.765
PCR, mg/L7.03 (1.91, 22.01)5.85 (1.70, 14.94)20.98 (5.24, 31.74)<0,0015.02 (1.47, 16.94)20.23 (4.53, 38.40)0.002
D-Dímero, ug/L480.00 (390.00, 610.00)460.00 (380.00, 577.50)580.00 (440.00, 760.00)<0,001490.00 (420.00, 610.00)585.00 (397.50, 702.50)0.342
ALB, g/L42,75±2,9642,8±2,8442,51±2,920.39342,59±2,9643,30±3,830.256
ALT, U/L15.00 (12.00, 19.00)14.00 (12.00, 19.00)15.00 (11.00, 18.00)0.48815.00 (13.00, 21.00)14.50 (12.00, 21.00)0.472
LDH, U/L280.00 (247.00, 330.25)273.50 (242.00, 311.00)316.00 (265.00, 518.00)<0,001283.00 (242.00, 328.00)303.50 (248.50, 530.50)0.034
CK-MB, U/L78.00 (56.75, 107.00)77.00 (57.00, 104.00)79.00 (57.00, 109.00)0.77385.00 (55.00, 112.00)76.00 (55.00, 96.75)0.518
PCT, ng/mL0.08 (0.06, 0.15)0.08 (0.06, 0.16)0.10 (0.06, 0.16)0.2440.09 (0.07, 0.15)0.08 (0.05, 0.12)0.038
IL-6, pg/mL27.41 (13.87, 54.22)26.14 (13.78, 46.07)38.28 (17.25, 60.30)0.02225.96 (13.78, 50.61)32.41 (15.08, 71.21)0.403
IL-8, pg/mL23.59 (14.87, 48.67)21.25 (13.97, 43.65)28.74 (18.99, 49.04)0.01621.22 (15.00, 54.95)26.38 (13.82, 51.72)0.87
IL-10, pg/mL6.64 (4.38, 9.46)6.84 (4.43, 9.59)6.53 (4.87, 12.49)0.5736.38 (4.32, 8.95)6.85 (4.00, 8.70)0.956
IL-17, pg/mL10.94 (4.58, 25.24)10.85 (4.60, 25.28)14.45 (6.13, 30.01)0.1498.56 (3.94, 22.84)10.64 (3.90, 18.76)0.987
SP o PE42（8.4%）<0,0010.002
SÍ13 (4.5%)15 (16.9%)4 (4.7%)10 (25.0%)
NO273 (95.5%)74 (83.1%)81 (95.3%)30 (75.0%)
Consolidación pulmonar157（31.4%）<0,0010.035
SÍ74 (25.9%)47 (52.8%)19 (22.4%)17 (42.5%)
NO212 (74.1%)42 (47.2%)66 (77.6%)23 (57.5) %
Hipoxemia33（6.6%）<0,0010.006
SÍ7 (2.4%)13 (14.6%)4 (4.7%)9 (22.5%)
NO279 (97.6%)76 (85.4%)81 (95.3%)31 (77.5%)

Tabla 1: Comparación de datos demográficos, clínicos y de laboratorio entre pacientes con GMPP y RMPP.

VariablesAnálisis univariableAnálisis multivariable
βOIC 95%Valor PβOIC 95%Valor P
Edad, años-0.0220.9790.891-1.0710.646
Sexo
Femenino-0.2940.7460.456-1.2060.235
Masculino
Duración térmica, día0.2711.3111.183-1.462<0,0010.211.2341.087-1.403<0,001
T, °C0.7312.0781.410-3.162<0,0010.9062.4731.462-4.3170.001
WBC, 109/L-0.0090.9910.933-1.0490.766
NE, %0.0191.0190.998-1.0410.081
HB, g/L0.0171.0170.993-1.0430.177
PLT, 109/L-0.00111.000-1.0020.488
PCR, mg/L0.0231.0231.010-1.036<0,0010.0121.0120.997-1.0281.041
D-Dímero, ug/L0.0021.0021.001-1.003<0,001-0.0011.0011.000-1.0020.089
ALB, g/L-0.0370.9640.886-1.0480.393
ALT, U/L0.0041.0040.986-1.0200.606
LDH, U/L0.011.011.007-1.013<0,0010.0091.011.006-1.013<0,001
CK-MB, U/L-0.000410.996-1.0010.692
PLT, ng/mL0.0261.0270.929-1.1200.536
IL-6, pg/mL0.0121.0121.003-1.0210.0070.000410.989-1.0120.95
IL-8, pg/mL0.0071.0071.000-1.0150.1
IL-10, pg/mL0.011.010.987-1.0310.363
IL-17, pg/mL0.0071.0071.000-1.0180.126
SP o PE
SÍ1.4494.2571.939-9.472<0,0011.2443.4691.284-9.5040.014
NO
Consolidación pulmonar
SÍ1.1653.2061.961-5.270<0,0011.0292.7971.497-5.2710.001
NO
Hipoxemia
SÍ1.926.8182.696-18.702<0,0012.0347.6442.207-28.3640.002
NO

Tabla 2: Regresiones logísticas del Estudio RMPP.

Tabla suplementaria 1: Factores de inflación de la varianza para los predictores candidatos. Por favor, haga clic aquí para descargar este archivo.

Tabla suplementaria 2: Conjunto de datos de validación aleatorizados utilizados para la validación independiente de modelos de predicción. Por favor, haga clic aquí para descargar este archivo.

Tabla suplementaria 3: Conjunto de datos de entrenamiento aleatorizados utilizado para el desarrollo de modelos de predicción. Por favor, haga clic aquí para descargar este archivo.

Discusión

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

La RMPP se asocia con inflamación sostenida, una respuesta deficiente a la terapia estándar con macrólidos y un mayor riesgo de complicaciones pulmonares y extrapulmonares. Por tanto, la identificación temprana de los niños de alto riesgo es importante para un ajuste oportuno del tratamiento. En este estudio, la duración de la fiebre antes del ingreso, la temperatura corporal máxima, la LDH, los tapones de esputo o derrame pleural, la consolidación pulmonar y la hipoxemia se asociaron de forma independiente con la RMPP. Un nomograma dinámico basado en la web basado en estas variables mostró discriminación estable, calibración aceptable y beneficio neto clínico.

La duración de la fiebre y la temperatura máxima siguieron siendo predictores clínicos importantes. La fiebre persistente puede reflejar una activación inflamatoria sostenida y una respuesta temprana inadecuadaal tratamiento, mientras que la temperatura máxima alta indica una reacción sistémica más fuerte. Estudios previos también han reportado una mayor duración de fiebre y una temperatura corporal más alta en niños con RMPP4, 8 y 13. Estos indicadores son fáciles de obtener en el ingreso y pueden ayudar a identificar a los niños que requieren una observación más cercana.

La lesión inflamatoria y la desregulación inmunitaria son centrales para la progresión de la RMPP. La infección por MP puede dañar el endotelio vascular, alterar el equilibrio de la coagulación y promover la liberación de citocinas, contribuyendo a cambios en el D-dímero y los marcadoresinflamatorios 14. Una lesión pulmonar más extensa también puede aumentar el daño celular y la liberación de LDH. Estudios previos han sugerido que la CRP, LDH e IL-6 están asociadas con RMPP15. En esta cohorte, la CRP, el D-dímero, la LDH y la IL-6 fueron significativas en el análisis univariante, mientras que solo la LDH permaneció significativa tras el ajuste. Esto sugiere que los efectos de la PCR, el D-dímero e IL-6 pueden solaparse parcialmente con la gravedad de la fiebre, la lesión tisular y la progresión de la imagen.

Los hallazgos de imagen y el estado de oxigenación aportaron información predictiva importante. Estudios previos han demostrado que el derrame pleural, la atelectasia, el tapamiento del esputo y la consolidación extensa están estrechamente relacionados con la enfermedad refractaria 6,16,17,18. En el presente estudio, los tapones de esputo o el derrame pleural y la consolidación pulmonar siguieron siendo predictores independientes, lo que indicó una obstrucción más prominente de las vías respiratorias, inflamación parénquimatosa o afectación pleural. La hipoxemia también se asoció de forma independiente con la RMPP, lo cual coincide con los informes de neumonía MP grave ofulminante 19,20. Una vez que se produce un deterioro del intercambio de gases, la probabilidad de un curso refractario puede aumentar.

En comparación con modelos de predicción RMPP publicados anteriormente, el presente nomograma demuestra varias características distintivas. Liu et al.16 desarrollaron un nomograma basado en ultrasonidos pulmonares (AUC 0,821) que incorpora puntuaciones de ecografía pulmonar y IL-6, que ofrece una alternativa libre de radiación pero requiere equipo especializado y experiencia del operador. Cheng et al. propusieron un nomograma clínico simplificado (AUC 0,798) basado en la duración de la fiebre, LDH y D-dímero, diseñado para entornos sin acceso inmediato a imágenes13. Shen et al. construyeron un modelo (AUC 0,815) que integra marcadores clínicos einflamatorios 7. En comparación, el modelo actual integra datos clínicos fácilmente disponibles (características de fiebre), un único marcador bioquímico (LDH) y hallazgos de TC, logrando una discriminación comparable o ligeramente superior (AUCs de 0,840 en entrenamiento y 0,831 en validación). El formato dinámico basado en la web mejora aún más la aplicabilidad clínica al permitir el cálculo de riesgos en tiempo real sin puntuación manual. Aunque cada modelo tiene su propio escenario clínico objetivo y necesidades de recursos, la herramienta actual puede ser especialmente adecuada para centros pediátricos terciarios donde se realiza habitualmente imágenes por TC en niños con MPP severa.

En comparación con indicadores individuales o juicios basados en la experiencia, la nomograma integra el curso clínico, la lesión bioquímica, la gravedad de la imagen y el estado de oxigenación en una estimación individualizada del riesgo. En comparación con la puntuación estática, el formato web permite la entrada directa de datos de pacientes y cálculos rápidos sin puntuación manual. Esto puede mejorar la usabilidad junto al paciente y reducir la variabilidad en la evaluación de riesgos. El modelo está pensado para apoyar, en lugar de reemplazar, el juicio clínico. Los niños con alto riesgo previsto pueden requerir una monitorización más estrecha, evaluaciones por imagen repetidas y ajustes oportunos en el tratamiento conforme a las directrices clínicas.

El uso fiable de esta herramienta depende de varios pasos clave. La RMPP debe clasificarse solo tras confirmar fiebre persistente, agravamiento de los síntomas o progresión radiográfica tras al menos 7 días de terapia estándar con macrólidos. Las pruebas de laboratorio deben realizarse en un momento comparable y temprano, preferiblemente dentro de las 24 horas posteriores a la admisión. Los hallazgos de la TC deben interpretarse utilizando criterios predefinidos, y los hallazgos inciertos deben ser revisados por radiólogos experimentados. Si falta LDH, la saturación de oxígeno se ve afectada por la terapia de oxígeno o la interpretación por imagen es incierta, el riesgo calculado debe interpretarse con precaución y reevaluarse tras la confirmación de los datos.

Deben reconocerse varias limitaciones. Se trataba de un estudio retrospectivo, de un solo centro, con validación interna; Se requiere validación externa en cohortes multicéntricas. El periodo del estudio abarcó un año, por lo que la variación estacional en la actividad y virulencia de MP no pudo evaluarse completamente. Las pruebas de resistencia a los macrólidos, incluyendo el análisis de mutaciones de 23S rRNA, no estuvieron disponibles de forma rutinaria, aunque la resistencia a los macrólidos y el tratamiento retrasado pueden aumentar la gravedad de la enfermedad y contribuir a larefractariedad 12. La carga cuantitativa de ADN MP o ARN no se incluyó porque los datos estandarizados de carga eran incompletos. Además, la información sobre si los pacientes recibieron corticosteroides o antibióticos de segunda línea (por ejemplo, fluoroquinolonas) antes de cumplir los criterios de la RMPP no se recopiló sistemáticamente en nuestra cohorte retrospectiva; dichos tratamientos pueden suprimir marcadores inflamatorios y podrían influir potencialmente en las asociaciones entre los predictores y los resultados de la RMPP. Futuros estudios deberían validar prospectivamente el modelo, evaluar su impacto en la toma de decisiones clínicas y explorar su integración en los sistemas de historiales médicos electrónicos para el cálculo automatizado de riesgos.

Conclusión

La duración de la fiebre antes del ingreso, la temperatura corporal máxima, la LDH, los tapones de esputo o derrame pleural, la consolidación pulmonar y la hipoxemia se asociaron de forma independiente con la RMPP en niños con MPP. El nomograma dinámico basado en la web, construido a partir de estas variables, mostró un buen rendimiento predictivo y puede ayudar con la estratificación temprana del riesgo y la toma de decisiones clínicas. Se necesita una validación externa multicéntrica adicional antes de una aplicación más amplia.

Divulgaciones

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

Los autores no tienen conflictos de interés relevantes que revelar sobre el contenido de esta obra.

Agradecimientos

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

Este estudio fue financiado por el Proyecto de Investigación de Aplicaciones de Tecnología de Bienestar Público de la ciudad de Jinhua (Nº 2024-4-147).

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Versión del software R 4.1.2R Foundation for Statistical Computing, Vienna, Austriahttp://www.r-project.org
Escáner CT Revolution de 256 cortesGE Healthcare, Estados Unidoswww.gehealthcare.com

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

MedicineRisk Factors

Artículos relacionados