La alta incidencia de IKPLAS es principalmente en la población asiática, lo que puede estar relacionado con el hecho de que la población asiática es más propensa a colonizar el intestino con el serotipo K1/K2 Klebsiella pneumoniae [29, 30]. La diabetes se considera un factor de riesgo significativo para IKPLAS, y hasta el 63 % de los pacientes con un absceso hepático bacteriano en Taiwán tienen diabetes. Esto puede estar relacionado con la alteración de la fagocitosis de K1/K2 Klebsiella pneumoniae en pacientes diabéticos. [31] y la permeabilidad vascular más excelente en pacientes diabéticos, que conduce a la invasión bacteriana [11]. Los dos serotipos anteriores de Klebsiella pneumoniae también son Klebsiella pneumoniae altamente virulentos, que muestran una alta viscosidad en la prueba de cuerda. [9]. Aunque la altamente virulenta Klebsiella pneumoniae es sensible a la mayoría de los antibióticos, los pacientes a menudo tienen un mal pronóstico si no son reconocidos y tratados a tiempo. [32].
Este estudio evaluó cuatro variables características: hemoglobina, plaquetas, dímero D y puntaje SOFA. Interpretamos la importancia de las variables características del modelo utilizando el paquete SHAP, en el que la puntuación SOFA ocupó el primer lugar entre los cuatro modelos.
La puntuación SOFA es un sistema de puntuación que mide el grado de deterioro de la función orgánica significativa en pacientes con sepsis o sospecha de sepsis para determinar el pronóstico [33]. Varios estudios han confirmado su valor predictivo en el pronóstico de pacientes infectados [34, 35]. Este estudio también sugiere que la puntuación SOFA es un predictor significativo de diabetes complicada por IKPLAS. Como puede verse en el gráfico SHAP, cuanto mayor sea la puntuación SOFA, mayor será el riesgo de progresión a IKPLAS. Aunque la patogénesis de IKPLAS actualmente no está clara, el estudio de Chen-Guang Zhang et al. muestra que la mayoría de los pacientes diabéticos con IKPLAS son propensos a la sepsis [11]. La transmisión a través de la sangre puede ser una de las formas más importantes.
En el ranking de importancia de características, la influencia de las plaquetas en el modelo SVM ocupó el segundo lugar. Jai Hoon Yoon et al. mostró que la trombocitopenia es un factor de riesgo independiente para el síndrome invasivo en pacientes diabéticos con absceso hepático por Klebsiella pneumoniae [10]. Esto también es consistente con las conclusiones sobre las plaquetas en el modelo SVM establecido en este estudio. El mecanismo de reducción de plaquetas en la diabetes combinado con IKPLAS puede ser que cuando el cuerpo está infectado, las plaquetas se estimulan y activan para participar en la respuesta inflamatoria del cuerpo al inducir la expresión de proteínas de membrana y la producción de mediadores y jugar el papel de anti- infección y eliminación de patógenos. Las plaquetas activadas producen y liberan proinflamatorios, antiinflamatorios, quimiocinas, antimicrobianos y otros mediadores para regular la respuesta inmune innata o adaptativa del cuerpo. [36]. La interacción entre las plaquetas y los patógenos o sus productos, las células endoteliales y las células inmunitarias promueve el daño de las células endoteliales y la activación de los leucocitos. Como resultado, se mejora la adhesión de las plaquetas, las plaquetas se activan continuamente en la circulación y el cuerpo produce continuamente anticuerpos antiplaquetarios y factores estimulantes de colonias de macrófagos, lo que acelera la destrucción y el consumo de plaquetas. [37].
El gráfico SHAP muestra que la hemoglobina es la tercera variable característica más importante después de la puntuación SOFA, y cuanto menor es su valor, mayor es el riesgo de progresión a IKPLAS. Se ha demostrado que la hemoglobina puede ser un indicador para evaluar la gravedad de la enfermedad en pacientes infectados, probablemente debido a una respuesta inflamatoria sistémica que conduce a una disminución de la eritropoyesis, una mayor destrucción de eritrocitos por hemólisis y hemorragia, lo que conduce a una capacidad reducida de sangre para transportar oxígeno y dióxido de carbono y suministro insuficiente de oxígeno al cuerpo, lo que resulta en daño multiorgánico [38].
El dímero D es un marcador molecular específico para la hiperfibrinólisis secundaria in vivo y es un indicador eficaz para reflejar el estado de coagulación del cuerpo. Los sistemas de coagulación y fibrinolíticos suelen estar estrechamente relacionados con el desarrollo de la inflamación. La infección puede provocar daños en las células endoteliales vasculares y las células epiteliales alveolares, lo que estimula el sistema de coagulación, lo que provoca un deterioro de la función de coagulación e índices de coagulación anormales en los pacientes, agravado aún más por el dímero D elevado junto con la infección. [39, 40]. Los dos anteriores se promocionan entre sí, formando un círculo vicioso. La función autoinmune de los pacientes diabéticos se debilita y la respuesta inflamatoria aumenta después de la infección. Los pacientes con diabetes complicada con IKPLAS pueden tener cambios notables en el dímero D en la etapa inicial. En el modelo SVM, el dímero D se asoció positivamente con el riesgo de desarrollar diabetes con IKPLAS, lo que es consistente con los hallazgos anteriores.
En el campo de IKPLAS, más estudios se centran en los factores de riesgo de IKPLAS. El estudio de Shixiao Li et al. [41] mostró que los pacientes con IKPLAS tenían más probabilidades de desarrollar insuficiencia renal crónica, trombocitopenia y aumento de la bilirrubina total que los pacientes sin IKPLAS. Hairui Wang et al. [42]. Se utilizó un modelo de predicción de regresión logística para predecir la incidencia de IKPLAS mediante la incorporación de características clínicas y de TC, con un valor de AUC de 0,842 en el conjunto de validación, y no se comparó con otros modelos de predicción. A diferencia de muchos estudios, primero utilizamos siete modelos de aprendizaje automático para la predicción. Mediante ajuste y verificación de parámetros se seleccionó el modelo SVM con mejor desempeño, con un valor de AUC de 0.969 y un valor de AP de 0.890, indicando que era un modelo de predicción IKPLAS confiable. Al mismo tiempo, las variables incluidas en este modelo son indicadores clínicos, que son fáciles de recopilar y pueden ser utilizados por los médicos para juzgar convenientemente la posibilidad de IKPLAS en pacientes con diabetes mellitus complicada con absceso hepático por Klebsiella pneumoniae.
Los algoritmos de aprendizaje automático pueden construir modelos complejos que funcionan satisfactoriamente cuando la cantidad de datos es suficiente. Sin embargo, en aplicaciones específicas, la cantidad de datos suele ser insuficiente, por lo que es fundamental analizar estos algoritmos de aprendizaje automático y obtener buenos resultados con tamaños de muestra relativamente pequeños. En este estudio, el análisis de potencia se satisfizo al calcular un valor de potencia de > 0,80, aunque solo usamos un pequeño conjunto de datos de 213 pacientes. La razón principal del excelente desempeño del modelo SVM en este estudio es que es un aprendiz no lineal que es más adecuado para muestras pequeñas, idealmente puede separar muestras y tiene una mejor generalización.
Todavía hay algunas limitaciones en este estudio. Primero, este es un estudio de regresión de un solo centro y no se pueden evitar algunos sesgos potenciales. En segundo lugar, para el aprendizaje automático, el tamaño de la muestra de este estudio es insuficiente. Para mejorar aún más la precisión del modelo, recopilaremos más datos clínicos y optimizaremos aún más los parámetros.
