Modelagem da Trajetória de Linfócitos para Previsão do Risco de Mortalidade em SDRA Associada à Pneumonia

Resumo

Este estudo aborda uma lacuna significativa nos modelos prognósticos para a síndrome de desconforto respiratório agudo associada à pneumonia ao introduzir um método inovador que aproveita trajetórias dinâmicas de linfócitos, em vez de medições de ponto único, para a estratificação do risco de mortalidade.

Resumo

A síndrome de desconforto respiratório agudo associada à pneumonia (SDRA) é caracterizada por alta mortalidade, mas os modelos prognósticos atuais frequentemente dependem de biomarcadores estáticos que não capturam respostas imunes dinâmicas. Este protocolo introduz uma estrutura computacional reprodutível que emprega Modelagem de Trajetória Baseada em Grupo (GBTM) para identificar trajetórias distintas de contagem de linfócitos e avaliar seu valor prognóstico para risco de mortalidade em pacientes com SDRA com pneumonia. Usando dados extraídos do banco de dados MIMIC-IV v2.2, o protocolo detalha cada etapa, desde a curadoria e pré-processamento dos dados até a construção de trajetórias e validação do modelo. A abordagem inclui identificação de subgrupos por meio do GBTM, seguida por análises logísticas multivariáveis e de regressão de Cox para quantificar associações entre padrões de trajetória e mortalidade em 28 dias, ajustando por covariáveis clínicas chave como escore APS III, estadia na UTI e frequência cardíaca. O desempenho do modelo é avaliado de forma abrangente usando curvas ROC, gráficos de calibração e análise de curvas de decisão, garantindo tanto robustez estatística quanto interpretabilidade clínica. Ao utilizar dados imunes longitudinais em vez de medições em ponto de tempo único, esse fluxo de trabalho oferece aos clínicos uma estratégia metodologicamente transparente e orientada por dados para melhorar a estratificação de riscos e explorar a heterogeneidade imune em doenças críticas. O protocolo é totalmente reproduzível, adaptável a outros biomarcadores longitudinais e projetado para visualização e demonstração instrucional, tornando-se uma ferramenta acessível para pesquisadores que buscam integrar a modelagem temporal de biomarcadores em prognósticos de cuidados críticos.

Introdução

A síndrome do desconforto respiratório agudo (SDRA) é uma síndrome inflamatória pulmonar aguda comum e clinicamente complexa, com taxa de mortalidade de até 40^%. Se o SDRA for combinado com pneumonia, está associado a alta mortalidade em pacientes^{criticamente doentes 2}. Um estudo clínico recentemente publicado ou meta-análises sobre SDRA relataram conclusões inconsistentes em muitos aspectos, o que pode ser devido a vários^{motivos 3}. Os linfócitos são essenciais na resposta imune durante a pneumonia, com a linfoopenia ligada a maior vulnerabilidade a infecções secundárias, maior gravidade da sepse e^{mortalidade 4}. Por exemplo, um contagem de linfócitos abaixo de 0,5 x 10⁹ células/L na admissão tem sido associado a um prognóstico^{ruim 5}. No entanto, pesquisas anteriores não conseguiram fornecer evidências convincentes da relação entre mudanças dinâmicas dos linfócitos e implicações prognósticas.

O banco de dados MIMIC-IV fornece dados clínicos do mundo real com ampla cobertura de pacientes, facilitando análises detalhadas de subgrupos onde as contagens longitudinais de linfócitos são acessíveis. Para modelar essas dinâmicas temporais, empregamos a Modelagem de Trajetória Baseada em Grupo (GBTM), uma abordagem semiparamétrica de mistura finita que identifica subgrupos latentes seguindo tendências longitudinais distintas, em vez de impor uma única trajetória^{média 6}. Comparado a outros métodos de agrupamento longitudinal ou em séries temporais, o GBTM oferece vantagens específicas para análise clínica de biomarcadores: ele acomoda observações desequilibradas ou ausentes comuns em prontuários eletrônicos de saúde, modela diretamente a probabilidade de pertença a subgrupos e produz perfis de trajetória facilmente interpretáveis ideais para estratificação de risco.

Portanto, este estudo apresenta um protocolo para aplicar GBTM para identificar trajetórias de linfócitos e avaliar sua associação com mortalidade a 28 dias em pacientes com SDRA com pneumonia. A metodologia é aplicável a dados laboratoriais longitudinais onde pelo menos duas medições por paciente estão disponíveis nos primeiros 7 dias após o diagnóstico de SDRA. Essa abordagem fornece uma estrutura reprodutível para aproveitar biomarcadores dinâmicos e coletados rotineiramente, a fim de melhorar a avaliação prognóstica e explorar a heterogeneidade imunológica em doenças críticas.

Este estudo inclui duas etapas. Primeiro, dados clínicos e de sobrevivência para SDRA combinado com pneumonia foram obtidos do banco de dados MIMIC-IV. Depois, o software R (versão 4.4.1) foi usado para traçar a trajetória das alterações dos linfócitos e analisar a relação entre as trajetórias dos linfócitos e a taxa de mortalidade em 28 dias.

Protocolo

Este estudo não requer aprovação ética ou consentimento para participar. Os dados utilizados neste estudo foram obtidos a partir de bancos de dados. Este estudo utilizou o banco de dados MIMIC-IV desidentificado, que foi aprovado pelos Comitês de Revisão Institucional (IRBs) do Beth Israel Deaconess Medical Center e do Instituto de Tecnologia de Massachusetts. A exigência de consentimento individual do paciente foi dispensada. Os pesquisadores devem completar um curso reconhecido em ética da pesquisa humana (Número CITE: 64579441, Langqing Xu) e solicitar acesso formal aos dados pela plataforma PhysioNet.

1. Estudo da população e extração de dados

1. Obtenha dados para o estudo retrospectivo do banco de dados Medical Information Mart for Intensive Care (MIMIC)-IV, mantido pelo Laboratório de Fisiologia Computacional do Instituto de Tecnologia de Massachusetts. Os dados abrangem informações clínicas de 58.000 pacientes que foram admitidos na UTI do Beth Israel Deaconess Medical Center (Boston, Massachusetts, EUA) entre 2008 e 2019.
2. Dados selecionados de pacientes adultos (≥ 18 anos) com diagnóstico tanto de síndrome de desconforto respiratório agudo (SDRA) quanto de pneumonia. O diagnóstico deve ser baseado na Classificação Internacional de Doenças, 9ª e 10ª edições (CID-9, CID-10)⁷, com o SDRA entre os três principais diagnósticos.
3. Exclua dados com base nos seguintes critérios: Idade < 18 anos; já usou imunossupressores anteriormente; possuem tumores, doenças hematológicas, doenças do sistema reumático; Tinha histórico de transplante.
4. Use a Structured Query Language (SQL) em uma ferramenta de gerenciamento de banco de dados chamada Navicat Premium para extrair dados da coorte final, incluindo demografia, escores clínicos na admissão (APS III, SOFA, Índice de Comorbidade Charlson), sinais vitais na admissão, indicadores laboratoriais, status de mortalidade de 28 dias, duração da internação hospitalar e na UTI. Inclua dados de todos os números absolutos de linfócitos registrados nos primeiros 7 dias após a internação na UTI. O código SQL é fornecido no Arquivo Suplementar 1.
5. Certifique-se de que cada paciente tenha pelo menos duas medições dentro desse período a serem incluídas. Clique em Saída, nomeie os dados e clique em Executar para exportar e salvar os dados.

2. Modelagem de trajetória baseada em grupos (GBTM)

1. Para identificar trajetórias imunes distintas, realize modelagem de trajetórias baseada em grupos (GBTM) nas contagens longitudinais de linfócitos usando o software R (v4.4.1+) com o pacote gbmt.
2. Estrutura os dados em formato longo e ajuste modelos variando números de grupo (1-5) e ordens polinomiais. Selecione o modelo ótimo com base no ajuste estatístico (AIC/BIC), interpretabilidade clínica dos padrões e estabilidade do grupo (>5% da coorte, probabilidade posterior >0,7).
3. Visualize as trajetórias finais para ilustrar a dinâmica dos subgrupos ao longo do período de 7 dias. Veja Arquivo Suplementar 1 para o código R para modelagem GBMT.

3. Análise estatística para modelagem prognóstica

1. Para modelagem prognóstica, inclua medidas como média, mediana, desvio padrão, alcance e quartis das variáveis contínuas, bem como tabelas de frequência das variáveis categóricas. Use a mediana e a faixa interquartil (IQR) para descrever variáveis contínuas com distribuição não normal.
2. Para examinar diferenças nas características das variáveis entre grupos, utilize o teste exato de Fisher, o teste de Qui-quadrado de Pearson para variáveis categóricas e o teste de soma de ranks de Wilcoxon para variáveis contínuas.
3. Use os modelos multivariados desenvolvidos de logística e regressão de riscos proporcionais de Cox para avaliar a associação entre grupos de trajetória e mortalidade em 28 dias, ajustando por covariáveis importantes como idade, escore APS III e dias na UTI. Veja os detalhes do código no Arquivo Suplementar 1.
4. Avalie o desempenho do modelo por meio de discriminação (área sob a curva característica de operação do receptor), calibração (gráficos de calibração validados por bootstrap) e utilidade clínica (análise da curva de decisão através dos limiares de risco). Considere um p de dois lados < 0,05 como indicativo de significância estatística.

Resultados

Características do paciente
Um total de 161 pacientes foi incluído neste estudo. A execução do protocolo GBTM (passo 2) identificou com sucesso três trajetórias distintas de linfócitos, conforme visualizado na Figura 1. Esse resultado confirma a convergência bem-sucedida do modelo e a separação válida de subgrupos, que é um ponto de verificação chave para prosseguir com a modelagem prognóstica. Essa decisão baseou-se em um equilíbrio entre ajuste estatístico (Tabela Suplementar 1) e interpretabilidade clínica: enquanto modelos com quatro ou cinco classes apresentaram valores de AIC/BIC marginalmente melhores, o modelo de três classes forneceu trajetórias claramente distintas e clinicamente acionáveis — representando imunossupressão persistente, recuperação moderada e reconstituição imunológica rápida — com tamanho e estabilidade de grupo suficientes para uma análise prognóstica robusta. A Trajetória 1, a classe de crescimento contínuo, incluiu 62 pacientes (38,5%) e foi caracterizada por um aumento constante, quase linear, na contagem de linfócitos do dia 1 ao dia 7. Mas o ponto de partida era muito baixo. A Trajetória 2, a classe em formato de U, incluiu 36 pacientes (22,3%) e apresentou declínio precoce na contagem de linfócitos ao longo dos^1º 3 dias, seguida de recuperação gradual posteriormente. A Trajetória 3, a classe de queda precoce e depois de subida rápida, incluiu 63 pacientes (39,1%) que apresentaram uma diminuição modesta na contagem de linfócitos durante os dias 1–3 e uma tendência pronunciada de alta a partir do dia 4. Ao mesmo tempo, o ponto de partida está próximo do valor normal. As características de base variaram significativamente ao longo dessas trajetórias, validando sua relevância clínica (Tabela 1). Os pacientes na trajetória 1 eram mais velhos e apresentaram maior gravidade da doença (escores mais altos de APS III e SOFA), a menor contagem de linfócitos no início de partida e a maior taxa de mortalidade em 28 dias (24,2%). Como mostrado na Tabela 2, várias características de base diferiram significativamente entre sobreviventes e não sobreviventes. Os não sobreviventes eram mais velhos e frequentemente pertenciam à trajetória de linfócitos de alta mortalidade. Eles também apresentaram estadias mais longas na UTI, maior prevalência de hipertensão e doença mais grave na admissão (escores mais altos de APS III e maior carga de comorbidade). Por fim, os não sobreviventes apresentaram frequências cardíacas elevadas e nitrogênio ureiano no sangue.

Regressão logística multivariada
O protocolo de regressão logística (passo 4) foi executado para identificar preditores independentes de mortalidade em 28 dias em pacientes com SDRA complicada por pneumonia. No modo não ajustado (Modelo 1), e usando a Trajetória 1 como referência, nem a Trajetória 2 (OR 0,51; IC 95% 0,15–1,45; p = 0,228) nem a Trajetória 3 (OR 0,10; IC 95% 0,02–0,39; p = 0,003) mostraram-se significativas, exceto pela última, que esteve associada a uma redução significativa nas chances de mortalidade em 28 dias. Após ajuste para confundidores (Modelo 3), a Trajetória 3 permaneceu um preditor independente de menor mortalidade (OR 0,06; IC 95% 0,01–0,36; p = 0,006; Tabela 3). O tempo de internação hospitalar manteve um efeito protetor (OR 0,59 por dia; IC 95% 0,40–0,78; p = 0,002), enquanto cada dia na UTI aumentava ainda mais o risco de mortalidade (OR 1,75; IC 95% 1,32–2,57; p < 0,001). Escores mais altos de APS III (OR 1,04 por ponto; IC 95% 1,00–1,08; p = 0,047) e frequência cardíaca de internação elevada (OR 1,05 por bpm; IC 95% 1,01–1,10; p = 0,019) também foram significativos, enquanto sexo, índice de Charlson e BUN não atingiram significância. Esses resultados confirmam a capacidade do protocolo de derivar uma associação forte e ajustada entre trajetórias imunológicas e desfechos. Plots de floresta foram usados para visualização simultaneamente (Figura 2). Métricas de desempenho do modelo (passo 4) demonstraram a robustez da nossa abordagem. O modelo mostrou excelente capacidade discriminativa (AUC = 0,932; Figura 3). Esse valor alto, significativamente acima do parâmetro 0,5 do acaso aleatório, indica que o modelo derivado do protocolo distingue efetivamente entre sobreviventes e não sobreviventes. A curva de calibração (Figura 4) indicou boa concordância entre as probabilidades previstas e observadas, com mínimo erro de calibração nos extremos, apoiando a confiabilidade do modelo. A análise da curva de decisão (Figura 5) mostrou um benefício líquido consistente em probabilidades limiar de 5%–45%, com benefício máximo próximo a 10%, indicando o potencial do modelo para tomada de decisão clínica.

Regressão de Cox Multivariada
O protocolo de regressão de Cox (passo 4) forneceu resultados consistentes com o modelo logístico. Comparados à Trajetória 1, os pacientes da Trajetória 2 apresentaram uma tendência não significativa para menor mortalidade em 28 dias (HR 0,54; IC 95% 0,20–1,48; p = 0,232), enquanto os da Trajetória 3 apresentaram risco de morte marcadamente reduzido (HR 0,12; IC 95% 0,03–0,52; p = 0,005; Modelo 1). Após ajustar para confundidores (Modelo 3), a Trajetória 3 permaneceu associada independentemente a menor mortalidade (HR 0,13; IC 95% 0,03–0,64; p = 0,012; Tabela 4). Os dias hospitalares foram protetores (HR 0,68 por dia; IC 95% 0,54–0,87; p = 0,002), enquanto cada dia adicional na UTI aumentava o risco em 51% (HR 1,51; IC 95% 1,19–1,91; p < 0,001). Escores mais altos de APS III (HR 1,02; IC 95% 1,00–1,05; p = 0,026) e frequência cardíaca de internação elevada (HR 1,03; IC 95% 1,00–1,07; p = 0,041) também foram preditores modestos, porém significativos, de mortalidade, enquanto índice de Charlson e BUN não atingiram significância estatística. A estabilidade dessa associação em ambos os quadros de regressão ressalta a robustez da trajetória dos linfócitos como marcador prognóstico. A suposição de riscos proporcionais foi verificada usando resíduos de Schoenfeld, sem violações significativas detectadas. Plots florestais foram usados para visualização simultaneamente (Figura 6).

Figura 1: Trajetórias linfócitas identificadas por GBTM de classe 3. Gerado usando o pacote R gbmt. Replicação bem-sucedida deve apresentar três trajetórias distintas, representando imunossupressão persistente, recuperação moderada e rápida reconstituição imunológica. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2: Gráfico de floresta para regressão logística multivariável. Criado com R ggplot2. Preditores estatisticamente significativos devem mostrar intervalos de confiança que não cruzam OR = 1. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 3: Curva ROC para discriminação de modelos logísticos. Gerado usando o pacote R pROC. AUC = 0,932 indica excelente desempenho; a curva replicada deve subir abruptamente para o canto superior esquerdo. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 4: Curva de calibração (bootstrap 200). Criado com o pacote Rms. Uma boa calibração é confirmada por um ajuste próximo da curva corrigida por viés à linha ideal. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 5: Análise da curva de decisão para utilidade clínica. Gerado usando o pacote rmda R. O modelo deve mostrar benefício líquido em relação às estratégias de tratar tudo/nenhum em uma faixa de limiar de 5% a 45%. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 6: Gráfico florestal para o modelo de hazards proporcionais de Cox. Criado com o pacote R survminer. A replicação bem-sucedida deve distinguir claramente fatores protetores (HR < 1) e fatores de risco (HR > 1). Por favor, clique aqui para ver uma versão ampliada desta figura.

variável	Trajetória 1 (N=62)	Trajetória 2 (N=36)	Trajetória 3 (N=63)	p
Idade, anos	71 (62.2–81)	72 (58–78.2)	62 (45.5–81)	0.0204
SOFÁ	5 (4–6)	4 (3–6)	4 (3–6)	0.0333
GCS	15 (15–15)	15 (15–15)	15 (15–15)	0.803
APSIII	52 (45–63)	40 (28.8–57.5)	49 (33.5–57)	0.0107
Índice de Charlson	5 (3–6)	4.5 (3–5)	3 (2–6)	0.213
DPOC	14 (22.6%)	11 (30.6%)	14 (22.2%)	0.602
Hipertensão	42 (67.7%)	22 (61.1%)	31 (49.2%)	0.104
Diabetes	18 (29%)	13 (36.1%)	16 (25.4%)	0.529
Cardiopatia	32 (51.6%)	19 (52.8%)	28 (44.4%)	0.638
Cerebrovascular	12 (19.4%)	5 (13.9%)	7 (11.1%)	0.425
DRC	9 (14.5%)	7 (19.4%)	8 (12.7%)	0.659
CLD	0 (0%)	0 (0%)	4 (6.3%)	0.0412
Ventilação	11 (17.7%)	5 (13.9%)	13 (20.6%)	0.701
Frequência respiratória	22 (19–25)	19.5 (16–24)	22 (18–24)	0.0753
Frequência cardíaca	93 (82.2–101)	84 (76.8–98.2)	93 (88.5–106)	0.0371
SBP	126 (114.2–138.5)	126 (116–134)	126 (115–130)	0.518
DBP	75 (66–84.8)	75 (63–79.8)	75 (66–81)	0.921
WBC	10.2 (6.8–16.3)	11.8 (9.2–13.9)	12.5 (8.8–15)	0.208
Hemoglobina	10.8 (10–12)	11.4 (10.5–13.1)	11.7 (10.7–12.9)	0.117
Plaquetas	223.5 (169.8–279)	223.5 (175.8–264.2)	226 (192–282)	0.775
Linfócito	0.6 (0.4–0.7)	1.4 (1.3–1.6)	1.1 (0.6–1.9)	<0,001
Creatinina	0.9 (0.8–1.4)	0.9 (0.8–1.2)	0.8 (0.6–1.2)	0.0652
COQUE	23 (17–38)	20 (14.5–33.2)	18 (12.5–24.5)	0.0167
Potássio	4 (3.6–4.7)	4 (3.8–4.5)	4.1 (3.5–4.4)	0.488
Sódio	140 (136–143)	139 (136–143.2)	139 (137–141)	0.444
Duração do hospital, dias	11.5 (7.2–20.8)	11 (6.8–14.2)	12 (8–16)	0.557
Duração da UTI, dias	7 (4.2–12)	6 (4–10.2)	6 (3–11)	0.603
Mortalidade em 28 dias	15 (24.2%)	5 (13.9%)	2 (3.2%)	0.0029

Tabela 1: Características de base por trajetórias linfócitricas. Os testes de significância utilizados foram o teste exato de Fisher, o teste do Qui-quadrado de Pearson e o teste da soma de ranks de Wilcoxon.

Característica	Geral	Sobreviver	Morte	valor-p
	N = 161	N = 139	N = 22
trajetário, n (%)				0.001
1	62.0 (38.5%)	47.0 (33.8%)	15.0 (68.2%)
2	36.0 (22.4%)	31.0 (22.3%)	5.0 (22.7%)
3	63.0 (39.1%)	61.0 (43.9%)	2.0 (9.1%)
sexo, n (%)				0.446
Fêmea	83.0 (51.6%)	70.0 (50.4%)	13.0 (59.1%)
Macho	78.0 (48.4%)	69.0 (49.6%)	9.0 (40.9%)
Idade, Mediana (Q1, Q3)	69.00 (55.00, 81.00)	66.00 (52.00, 78.00)	79.00 (70.00, 87.00)	0.001
dias de hospital, mediana (Q1, Q3)	12.00 (8.00, 17.00)	12.00 (8.00, 17.00)	11.00 (5.00, 18.00)	0.303
Dias na UTI, mediana (Q1, T3)	6.00 (4.00, 12.00)	6.00 (3.00, 11.00)	11.00 (5.00, 14.00)	0.033
Admissão por ventilação, n (%)				>0,999
Não	132.0 (82.0%)	114.0 (82.0%)	18.0 (81.8%)
Sim	29.0 (18.0%)	25.0 (18.0%)	4.0 (18.2%)
DPOC, n (%)				0.719
Não	122.0 (75.8%)	106.0 (76.3%)	16.0 (72.7%)
Sim	39.0 (24.2%)	33.0 (23.7%)	6.0 (27.3%)
Hipertensão, n (%)				0.019
NÃO	66.0 (41.0%)	62.0 (44.6%)	4.0 (18.2%)
Sim	95.0 (59.0%)	77.0 (55.4%)	18.0 (81.8%)
Diabetes, n (%)				0.771
Não	114.0 (70.8%)	99.0 (71.2%)	15.0 (68.2%)
Sim	47.0 (29.2%)	40.0 (28.8%)	7.0 (31.8%)
Doença cardíaca, n (%)				0.312
Não	82.0 (50.9%)	73.0 (52.5%)	9.0 (40.9%)
Sim	79.0 (49.1%)	66.0 (47.5%)	13.0 (59.1%)
Cerebrovascular, n (%)				0.104
Não	137.0 (85.1%)	121.0 (87.1%)	16.0 (72.7%)
Sim	24.0 (14.9%)	18.0 (12.9%)	6.0 (27.3%)
DRC, n (%)				0.534
Não	137.0 (85.1%)	117.0 (84.2%)	20.0 (90.9%)
Sim	24.0 (14.9%)	22.0 (15.8%)	2.0 (9.1%)
CLD, n (%)				>0,999
Não	157.0 (97.5%)	135.0 (97.1%)	22.0 (100.0%)
Sim	4.0 (2.5%)	4.0 (2.9%)	0.0 (0.0%)
Admissão SOFA, mediana (Q1, Q3)	5.00 (3.00, 6.00)	5.00 (3.00, 6.00)	5.50 (3.00, 7.00)	0.241
Admissão APSIII, mediana (Q1, Q3)	49.00 (35.00, 60.00)	48.00 (32.00, 57.00)	61.50 (50.00, 69.00)	<0,001
GCS, Mediana (Q1, Q3)	15.00 (15.00, 15.00)	15.00 (15.00, 15.00)	15.00 (14.00, 15.00)	0.367
Índice de Comorbidade de Charlson, mediana (Q1, Q3)	5.00 (3.00, 6.00)	4.00 (2.00, 6.00)	5.00 (4.00, 6.00)	0.047
Frequência respiratória, mediana (Q1, Q3)	22.00 (18.00, 24.00)	22.00 (18.00, 24.00)	23.00 (19.00, 26.00)	0.091
Frequência cardíaca, mediana (Q1, Q3)	93.00 (82.00, 103.00)	93.00 (81.00, 101.00)	101.00 (93.00, 110.00)	0.01
SBP, Mediana (Q1, Q3)	126.00 (115.00, 135.00)	126.00 (115.00, 135.00)	126.00 (117.00, 136.00)	0.919
DBP, Mediana (Q1, Q3)	75.00 (65.00, 83.00)	75.00 (65.00, 83.00)	75.00 (63.00, 84.00)	0.963
Cr, Mediana (Q1, Q3)	0.90 (0.70, 1.30)	0.90 (0.70, 1.30)	0.95 (0.70, 1.40)	0.582
BUN, Mediana (Q1, Q3)	20.00 (15.00, 30.00)	19.00 (14.00, 27.00)	33.50 (20.00, 54.00)	0.002
Potássio, mediana (Q1, Q3)	4.00 (3.70, 4.50)	4.00 (3.60, 4.50)	4.25 (3.80, 5.10)	0.133
Sódio, Mediana (Q1, Q3)	139.00 (136.00, 142.00)	139.00 (136.00, 142.00)	140.50 (136.00, 143.00)	0.483
WBC, Mediana (Q1, Q3)	11.50 (7.80, 15.20)	11.40 (7.70, 15.20)	12.10 (9.10, 18.20)	0.321
HBG, Mediana (Q1, Q3)	11.30 (10.30, 12.70)	11.50 (10.30, 12.80)	10.60 (9.80, 11.70)	0.072
PLT, Mediana (Q1, Q3)	226.00 (175.00, 279.00)	225.00 (174.00, 278.00)	236.00 (200.00, 358.00)	0.208
Linfócitos, mediana (Q1, Q3)	0.83 (0.52, 1.44)	0.88 (0.53, 1.45)	0.67 (0.45, 0.93)	0.111

Tabela 2: Características de sobreviventes e não sobreviventes. Os testes de significância utilizados foram o teste exato de Fisher, o teste do Qui-quadrado de Pearson e o teste da soma de ranks de Wilcoxon.

Grupo	Característica	OU	IC 95%	valor-p
Model 1	Trajetory
	1	—	—
	2	0.51	0.15, 1.45	0.228
	3	0.1	0.02, 0.39	0.003
Modelo 2	Trajetory
	1	—	—
	2	0.46	0.12, 1.59	0.236
	3	0.1	0.01, 0.44	0.007
	idade	1.08	1.03, 1.13	0.003
	sexo
	F	—	—
	M	0.5	0.15, 1.50	0.222
	hosp_days	0.69	0.52, 0.86	0.005
	ICU_days	1.51	1.22, 2.01	0.001
Model 3	Trajetory
	1	—	—
	2	0.56	0.12, 2.32	0.435
	3	0.06	0.01, 0.36	0.006
	idade	1.06	1.00, 1.14	0.049
	sexo
	F	—	—
	M	0.42	0.11, 1.47	0.187
	hosp_days	0.59	0.40, 0.78	0.002
	ICU_days	1.75	1.32, 2.57	<0,001
	APS III_admission	1.04	1.00, 1.08	0.047
	charlson_comorbidity_index	0.89	0.63, 1.20	0.49
	heart_rate_admission	1.05	1.01, 1.10	0.019
	BUN_adm	1	1.00, 1.01	0.209

Tabela 3: Regressão logística multivariada. Abreviações: CI = Intervalo de Confiança, OR = Razão de Chances.

Grupo	Característica	N	Evento N	RH	IC 95%	valor-p
Model 1	Trajetory	161	22
	1	62		—	—
	2	36		0.54	0.20, 1.48	0.232
	3	63		0.12	0.03, 0.52	0.005
Modelo 2	Trajetory	161	22
	1	62		—	—
	2	36		0.51	0.18, 1.42	0.197
	3	63		0.16	0.03, 0.70	0.016
	idade	161	22	1.06	1.02, 1.10	0.004
	sexo	161	22
	F	83		—	—
	M	78		0.62	0.26, 1.46	0.274
	hosp_days	161	22	0.73	0.58, 0.91	0.005
	ICU_days	161	22	1.41	1.14, 1.73	0.001
Model 3	Trajetory	161	22
	1	62		—	—
	2	36		0.65	0.22, 1.91	0.437
	3	63		0.13	0.03, 0.64	0.012
	idade	161	22	1.05	1.00, 1.10	0.063
	sexo	161	22
	F	83		—	—
	M	78		0.67	0.26, 1.74	0.411
	hosp_days	161	22	0.68	0.54, 0.87	0.002
	ICU_days	161	22	1.51	1.19, 1.91	<0,001
	APS III_admission	161	22	1.02	1.00, 1.05	0.026
	charlson_comorbidity_index	161	22	0.92	0.71, 1.18	0.493
	heart_rate_admission	161	22	1.03	1.00, 1.07	0.041
	BUN_adm	161	22	1	1.00, 1.00	0.293

Tabela 4: Regressão de Cox multivariada. Abreviações: CI = Intervalo de Confiança, HR = Razão de Risco.

Tabela suplementar 1: Estatísticas resumidas para cada grupo de trajetória de linfócitos. Abreviações: AIC = critério de informação Akaike; BIC = critério de informação bayesiano; CAIC = AIC consistente; AvePP = Probabilidade a posteriori média. Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 1: Códigos e script para os passos 1-3. Por favor, clique aqui para baixar este arquivo.

Discussão

As descobertas inovadoras de nossa análise baseiam-se no banco de dados MIMIC-IV. Desenvolvemos uma nova análise de ARDS combinada com subgrupos longitudinais de linfócitos com pneumonia, baseada em contagens de linfócitos amplamente disponíveis. Descobrimos que subgrupos de contagem longitudinal de linfócitos eram melhores do que a contagem de linfócitos no momento da admissão na avaliação do prognóstico.

Etapas processuais críticas influenciaram significativamente os resultados e devem ser observadas quanto à reprodutibilidade. O critério de filtragem de dados, que exige > 2 medições de linfócitos em até 7 dias, garante dados longitudinais adequados. A seleção dos parâmetros GBTM, especificamente a escolha de três trajetórias com base na interpretabilidade clínica em vez de melhorias estatísticas marginais, foi crucial para gerar fenótipos clinicamente acionáveis.

As trajetórias distintas dos linfócitos podem indicar diferentes perfis imunológicos e desfechos na SDRA combinada com pneumonia, especialmente durante o processo^{de tratamento 8}. A pontuação APSIII é um indicador de medição do grau de distúrbios fisiológicos^{individuais 9}. Quanto maior a pontuação de APS, mais óbvia é a disfunção dos órgãos do corpo e pior é o prognóstico. Comparado à Trajetória 3, o valor inicial de linfócitos em pacientes da Trajetória 1 é menor, e a pontuação APSIII é maior. Isso indica que pacientes na Trajetória 1 têm maior probabilidade de estar no estágio de disfunção imunológica. Trajetória 1 (Aumento contínuo) provavelmente representa pacientes com mobilização linfódica precoce limitada e linfocitose persistente. A trajetória 3 (queda precoce e depois subida rápida) esteve associada independentemente à menor mortalidade em 28 dias (HR 0,13; p = 0,012), sugerindo que uma diminuição transitória dos linfócitos seguida de recuperação rápida confere melhor prognóstico. Esse padrão está alinhado com pesquisas anteriores indicando que a morte precoce no SDRA é causada por inflamação intensa, enquanto a morte tardia está mais comumente associada à imunossupressão¹⁰. Esses achados destacam o papel potencial das terapias personalizadas para diferentes SDRA combinadas com subtipos de pneumonia. Especificamente, pacientes com perfil pró-inflamatório (Trajetória 3) podem se beneficiar de agentes anti-inflamatórios como corticosteroides ou^{ulinastatina 11}. Para pacientes com perfil imunossupressor (Trajetória 1), terapias imunos-estimulantes como a timosina α1, que restaura a contagem de linfócitos, ou IL-7, que promove a proliferação de linfócitos e previne a apoptose, podem ser^{vantajosas 12}. A identificação dessas trajetórias tem implicações clínicas diretas para a estratificação de riscos. Ao monitorar a contagem de linfócitos durante os primeiros 3-4 dias de internação na UTI, os clínicos poderiam identificar pacientes de risco persistentemente alto (Trajetória 1) que poderiam ser candidatos para inscrição em ensaios de terapias imunoestimulatórias. Por outro lado, pacientes que seguem a Trajetória 3, apesar de uma queda inicial, têm prognóstico favorável e podem ser poupados de intervenções imunomoduladoras mais agressivas e potencialmente prejudiciais. No entanto, essas propostas são hipotéticas e devem ser rigorosamente testadas em estudos intervencionistas prospectivos antes da adoção clínica. Portanto, o tratamento direcionado para SDRA é particularmente^{importante 13}.

Comparado às abordagens de modelagem existentes, nosso protocolo baseado em GBTM oferece vantagens metodológicas distintas. Embora modelos de aprendizado de máquina normalmente exijam engenharia de características complexas e extensos recursos computacionais, essa abordagem aproveita dados longitudinais rotineiramente disponíveis com uma implementação direta. A capacidade do protocolo de lidar com medições irregularmente espaçadas e dados ausentes o torna particularmente adequado para conjuntos de dados clínicos do mundo real. Além disso, os grupos de trajetória resultantes fornecem fenótipos clínicos imediatamente interpretáveis, ao contrário da natureza caixa preta de alguns algoritmos complexos de aprendizado de máquina.

A frequência cardíaca foi significativamente maior em não sobreviventes em comparação com os sobreviventes do nosso estudo. Essa conclusão é consistente com um estudo anterior¹⁴. Um aumento da frequência cardíaca indica que a pessoa tem baixo nível de oxigênio, o que representa uma condição mais grave de^{SDRA 15}. Além disso, uma frequência cardíaca prolongada e elevada em pacientes críticos e de alto risco cardíaco pode resultar em eventos cardíacos graves, que podem causar um prognóstico^{adverso 16}. Portanto, quando um paciente é internado no hospital com frequência cardíaca anormalmente rápida, é essencial monitorar de perto os níveis de oxigênio no sangue e estar atento a sinais de deterioração dos sintomas clínicos da SDRA combinada com pneumonia. A duração da hospitalização apresenta uma dualidade prognóstica: cada dia adicional em unidades gerais pode sinalizar impulso de recuperação, enquanto o confinamento prolongado na UTI frequentemente encapsula um ciclo autoperpetuante de doença^{crítica 17}.

Para contextualizar o desempenho do nosso modelo de trajetória linfócito, comparamos com modelos prognósticos recentes para SDRA. Por exemplo, um estudo recente focado especificamente em pneumonia-ARDS (p-ARDS) desenvolveu seis modelos de ML, entre os quais o modelo Support Vector Machine (SVM) demonstrou o melhor desempenho, com um AUC de 0,77¹⁸. Modelos mais avançados que incorporam biomarcadores específicos (como a razão lactato para albumina) apresentaram desempenho melhorado, com AUC relatado até 0,811 para mortalidade em 28^{dias 19}. Nesse cenário, esse modelo, que integra trajetórias dinâmicas de linfócitos com parâmetros clínicos básicos, alcançou uma capacidade discriminativa superior, com um AUC de 0,932. Isso sugere que o perfil imunológico longitudinal capturado pelas tendências dos linfócitos pode fornecer informações prognósticas mais potentes do que uma única medição em ponto temporal ou até mesmo modelos complexos de ML baseados em variáveis estáticas de admissão.

A eficiência e adaptabilidade desse fluxo de trabalho representam vantagens adicionais. O design modular do nosso pipeline analítico permite a aplicação rápida a novos conjuntos de dados, com análise completa desde a extração dos dados até a visualização possível em poucas horas. Esse protocolo pode ser facilmente adaptado para estudar outros biomarcadores dinâmicos ou diferentes populações de cuidados críticos, aumentando sua utilidade além da aplicação atual.

Várias limitações merecem consideração. Primeiro, a análise retrospectiva de um banco de dados de centro único (MIMIC-IV) é suscetível a confusão não medida, e a dependência dos códigos ICD-9/10 para identificação do ARDS e não da definição prospectiva de Berlim pode introduzir viés de classificação incorreta e limitar a generalização devido a variações diagnósticas regionais. Segundo, o tamanho da coorte (n=161), embora adequado para modelagem inicial, requer validação externa em estudos maiores e multicêntricos. Terceiro, a ausência de perfis dinâmicos de citocinas e dados de imunoterapia restringe uma avaliação imunológica mais completa. Por fim, a utilidade clínica do nosso modelo exige avaliação prospectiva.

Em conclusão, três trajetórias linfócitos distintas foram identificadas em pacientes com SDRA com pneumonia usando GBTM. Trajetórias linfócitos, alta frequência cardíaca e internações na UTI foram fortes preditores de mortalidade em 28 dias. Esses achados podem apoiar o desenvolvimento de estratégias de manejo mais personalizadas para SDRA combinado com pneumonia. Estudos prospectivos futuros podem focar em investigar a eficácia da imunoterapia direcionada em diferentes trajetórias para entender melhor as possíveis interações entre a imunoterapia e subgrupos de SDRA.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
MIMIC	Laboratório do MIT para Fisiologia Computacional	IV 2.2
Navicat Premium & nbsp;	PremiumSoft CyberTech Ltd	16
R	Equipe Principal R	4.4.1
RStudio	Posit Software, PBC