Artículo de investigación

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

22 vistas

⸱

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

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

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

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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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/).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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 ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Agradecimientos

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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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

Referencias

  1. Wang S, et al. Diagnostic value of serum LDH in children with refractory Mycoplasma pneumoniae pneumonia: a systematic review and meta-analysis. Front Pediatr. 2023;11:1094118.
  2. Shi H, Lan L, Lv X, Sun L. Effect of pidotimod combined with azithromycin on children with Mycoplasma pneumoniae pneumonia and the expression levels of IL-10 and G-CSF in serum. Exp Ther Med. 2019;18(3):1800-1806.
  3. Fan F, Lv J, Yang Q, Jiang F. Clinical characteristics and serum inflammatory markers of community-acquired Mycoplasma pneumoniae pneumonia in children. Clin Respir J. 2023;17(5):607-617.
  4. Choi YJ, et al. Clinical characteristics of macrolide-refractory Mycoplasma pneumoniae pneumonia in Korean children: a multicenter retrospective study. J Clin Med. 2022;11(2):306.
  5. Huang L, et al. Independent predictors for longer radiographic resolution in patients with refractory Mycoplasma pneumoniae pneumonia: a prospective cohort study. BMJ Open. 2018;8(12):e023719.
  6. Li M, et al. Recognition of refractory Mycoplasma pneumoniae pneumonia among Mycoplasma pneumoniae pneumonia in hospitalized children: development and validation of a predictive nomogram model. BMC Pulm Med. 2023;23(1):383.
  7. Shen W, Sun X. Construction of a nomogram for early diagnosis of refractory Mycoplasma pneumoniae pneumonia in children. Transl Pediatr. 2024;13(6):1119-1129.
  8. Qian Y, et al. Model based on the automated AI-driven CT quantification is effective for the diagnosis of refractory Mycoplasma pneumoniae pneumonia. Sci Rep. 2024;14:16172.
  9. Zhao J, Ji X, Wang Y, Wang X. Clinical role of serum interleukin-17A in the prediction of refractory Mycoplasma pneumoniae pneumonia in children. Infect Drug Resist. 2020;13:835-843.
  10. Evidence-based guideline for the diagnosis and treatment of Mycoplasma pneumoniae pneumonia in children (2023). Pediatr Investig. 2025;9:1-11.
  11. Waites KB, Xiao L, Liu Y, Balish MF, Atkinson TP. Mycoplasma pneumoniae from the respiratory tract and beyond. Clin Microbiol Rev. 2017;30(3):747-809.
  12. Yang TI, et al. Mycoplasma pneumoniae in pediatric patients: do macrolide resistance and/or delayed treatment matter? J Microbiol Immunol Infect. 2019;52(2):329-335.
  13. Cheng S, et al. Development and validation of a simple-to-use nomogram for predicting refractory Mycoplasma pneumoniae pneumonia in children. Pediatr Pulmonol. 2020;55(4):968-974.
  14. Huang X, et al. Clinical significance of D-dimer levels in refractory Mycoplasma pneumoniae pneumonia. BMC Infect Dis. 2021;21(1):14.
  15. Zhang Y, et al. The clinical characteristics and predictors of refractory Mycoplasma pneumoniae pneumonia in children. PLoS One. 2016;11(6):e0156465.
  16. Liu G, et al. A lung ultrasound-based nomogram for the prediction of refractory Mycoplasma pneumoniae pneumonia in hospitalized children. Infect Drug Resist. 2022;15:6343-6355.
  17. You SY, Jwa HJ, Yang EA, Kil HR, Lee JH. Effects of methylprednisolone pulse therapy on refractory Mycoplasma pneumoniae pneumonia in children. Allergy Asthma Immunol Res. 2014;6(1):22-26.
  18. Bi Y, et al. Development of a scale for early prediction of refractory Mycoplasma pneumoniae pneumonia in hospitalized children. Sci Rep. 2021;11:6595.
  19. Izumikawa K, et al. Clinical features, risk factors and treatment of fulminant Mycoplasma pneumoniae pneumonia: a review of the Japanese literature. J Infect Chemother. 2014;20(3):181-185.
  20. Zar HJ. Hypoxia and signs of increased work of breathing are most strongly associated with radiographic pneumonia in children. BMJ Evid Based Med. 2018;23(2):77-78.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

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

Solicitar permiso

Etiquetas

MedicinaN mero 233N mero 233Valor vac oN meroFactores de riesgo

Artículos relacionados