REPERT MED CIR. 2022;31(Supl. Núm.1):87-95 87
de Medicina y Cirugía
Vol.
31
(Núm. Supl.1)
2022
John Jaime Sprockel MDa
Lilian Andrea Torresb
Marilyn Johanna Rodríguez MDc
a Médico Internista, Hospital de San José, Instituto de Investigaciones Fundación Universitaria de Ciencias de la Salud. Bogotá DC, Colombia.
b Instituto de Ciencias Básicas Hospital Infantil Universitario de San José, Fundación Universitaria de Ciencias de la Salud. Bogotá DC, Colombia.
c Medicina Interna, Fundación Universitaria de Ciencias de la Salud. Bogotá DC, Colombia
Introducción: la variabilidad del comportamiento clínico del COVID-19 puede ser uno de los determinantes que limitan la
toma de decisiones terapéuticas. Se busca clasicar a pacientes latinoamericanos hospitalizados mediante la herramienta FEN-
COVID para la identicación de fenotipos clínicos y determinar su asociación con mortalidad e ingreso a la unidad de cuidado
intensivo (UCI). Métodos: estudio observacional de cohorte retrospectivo, que incluyó adultos hospitalizados en dos centros
de tercer nivel de atención con COVID-19 conrmado entre septiembre 2020 y marzo 2021. A cada paciente seleccionado
se asignó un fenotipo aplicando la calculadora FEN-COVID. Se llevó a cabo un análisis multivariado para documentar las
asociaciones entre el fenotipo, las complicaciones hospitalarias y los desenlaces clínicos. Resultados: se identicaron 126
pacientes hospitalizados por COVID-19, edad promedio de 58 años, 45 mujeres (35.7%), 23% diabéticos, 45% hipertensos
R E S U M E N
Aplicación de la calculadora de Aplicación de la calculadora de
probabilidad fenotípica FEN-COVID en probabilidad fenotípica FEN-COVID en
pacientes hospitalizados por COVID-19 pacientes hospitalizados por COVID-19
en una población latinoamericanaen una población latinoamericana
Application of the FENCOVID phenotype-probability calculator Application of the FENCOVID phenotype-probability calculator
in COVID-19 in-patients in a latin american populationin COVID-19 in-patients in a latin american population
Artículo de investigación
ISSN: 0121-7372 • ISSN electrónico: 2462-991X
INFORMACIÓN DEL ARTÍCULO
Historia del artículo:
Fecha recibido: mayo 11 de 2022
Fecha aceptado: julio 7 de 2022
Autor para correspondencia.
Dr. John Jaime Sprockel
jjsprockel@fucsalud.edu.co
DOI
10.31260/RepertMedCir.01217372.1363
de Medicina y Cirugía
88 REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
ABSTRACT
Introduction: the clinical variability of COVID-19 may be one of the determinants limiting therapeutic decisions. This
study aims to classify a cohort of Latin American in-patients using the FENCOVID tool to identify clinical phenotypes and
predict likelihood of mortality and need of intensive care unit (ICU) admission. Methods: a retrospective cohort observational
study, in hospitalized adults with COVID-19 conrmed between September 2020 and March 2021, at two tertiary health care
centers. Phenotype assignment in selected patients was performed by applying the FENCOVID calculator. A multivariate
analysis was conducted to document the associations between phenotype, in-hospital complications, and clinical outcomes.
Results: a total of 126 COVID-19 in-patients were identied. The median age was 58 years, 45 were females (35.7%), 23%
were diabetic, 45% had hypertension and 20% were obese. One-hundred-eight (85.7%) patients were phenotype B and 18
(14.2%) phenotype C. Although the latter had worse outcomes (ICU admission in 77.8% vs 45.4% and death in 66% vs
22%, OR 1.408, IC95% 3.191-5.243, p <0.007), this association was not maintained in the multivariate analysis OR 1.110
(IC95% 0.780 - 1.581, p de 0.555) Conclusion: FENCOVID phenotypes appear to discriminate a subset showing poor clinical
behavior, although a milder phenotype was not described. The bivariate analysis documented an association with death or
ICU admission which was not maintained in the multivariate model.
Keywords: Phenotype, COVID-19, Prognosis, Hospitalization, SARS-CoV-2
© 2022 Fundación Universitaria de Ciencias de la Salud - FUCS.
This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).
INTRODUCCIÓN
La enfermedad por COVID 19 ocasionada por el beta
coronavirus SARS-COV2 es responsable hasta la fecha de
más de 246 mil millones de contagios y ha dejado a su paso
alrededor de cinco millones de muertes de acuerdo con lo
reportado por el Centro de Ciencia e Ingeniería de Sistemas
de la Universidad Johns Hopkins.1 El comportamiento de
la enfermedad es variable, reportándose un amplio espectro
clínico relacionado con la presentación de síntomas y el
desarrollo de complicaciones2, esto sumado a la ausencia
de estrategias terapéuticas efectivas, ha conducido a una
fractura en la estructura de los sistemas de salud a nivel
global3, incitando a las autoridades en salud pública a
reorientar la distribución de recursos y maximizar esfuerzos
para el desarrollo de sistemas de estraticación de la atención
en salud.4 La fenotipicación ha demostrado ser de utilidad
para comprender la heterogeneidad de la presentación de
las enfermedades y clasicar a los pacientes de acuerdo
con variables demográcas, clínicas y paraclínicas, cuya
asociación con desenlaces clínicos permita tomar decisiones
terapéuticas tempranas oportunas.5
Desde muy temprano y durante el curso de la pandemia se
ha pretendido desarrollar sistemas de clasicación fenotípica
para aquellos pacientes críticamente enfermos con o sin
complicaciones6, y determinar la asociación de estos con
diferentes desenlaces clínicos7, basados en parámetros
objetivos de fácil obtención en centros de atención en salud.
El grupo colaborativo REIPI-SEIMC COVID-19 propuso
un modelo de clasicación a partir de características
demográcas, signos, síntomas, hallazgos radiológicos y de
laboratorio, que fue desarrollado a partir de dos cohortes
españolas, con 4.035 pacientes hospitalizados en 127 centros
españoles, con el cual buscaban desarrollar una herramienta
probabilística simplicada de asignación fenotípica que fue
denominado FEN-COVID.8
y 20% obesos. 108 (85.7%) fueron del fenotipo B y 18 (14.2%) fenotipo C. Aunque en este último los desenlaces fueron
peores (requerimiento de UCI 77.8% vs 45.4% y mortalidad 66% vs 22%, OR 1.408, IC95% 3.191-5.243, p <0.007), esta
asociación no se mantuvo en el análisis multivariado con OR 1.110 (IC95% 0.780 - 1.581, p de 0.555) Conclusión: los fenotipos
identicados a partir de FEN-COVID parecen discriminar un subgrupo de pacientes que ostenta el peor comportamiento
clínico, aunque no tuvo representación del fenotipo más leve. El análisis bivariado documentó asociación con la muerte o
ingreso a UCI que no se mantuvo en el modelo multivariado.
Palabras clave: fenotipo, COVID-19, prognosis, hospitalización, SARS-CoV-2.
© 2022 Fundación Universitaria de Ciencias de la Salud - FUCS.
Este es un artículo Open Access bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0/).
de Medicina y Cirugía
89
REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
Se llevó a cabo un estudio observacional de cohorte
retrospectivo en el que se incluyeron pacientes
hospitalizados en sala general o urgencias de dos hospitales
de tercer nivel de atención con diagnóstico de COVID-19,
conrmado por reacción en cadena de la polimerasa en
tiempo real (RT-PCR) durante septiembre 2020 y marzo
2021. Se tomó información de aquellos pacientes cuya
historia clínica se recuperó de estos dos hospitales y contó
con la autorización del comité de ética e investigaciones de
cada institución. Los criterios de exclusión fueron pacientes
menores de 18 años, aquellos que no contaran con todas las
variables predeterminadas para el uso de la calculadora de
probabilidad fenotípica FEN-COVID y pacientes a quienes
no se logró realizar seguimiento clínico a los 30 días de la
consulta a los centros de atención en salud.
Los pacientes fueron seleccionados a partir de los censos
diarios del servicio de medicina interna, que se encontraban
hospitalizados en las áreas de aislamiento respiratorio bajo
la sospecha o conrmación de la infección por SARS-COV2
de los hospitales de San José e Infantil Universitario de San
José, Bogotá DC, Colombia, durante el tiempo de recolección.
Se llevó a cabo la entrevista de los pacientes tamizados y
se solicitó la rma del consentimiento informado para la
vinculación al trabajo. Luego se procedió a diligenciar los
datos en un formato virtual dentro de la plataforma RED
CAP®, herramienta de acceso institucional. Ante la actual
situación de la pandemia por COVID-19 se siguieron los
protocolos de aislamiento y protección personal derivados
de los consensos locales e institucionales. Se incluyeron
datos de la historia clínica electrónica, como información
demográca, de presentación clínica, antecedentes y el
examen físico; después se consignaron los peores resultados
de laboratorio durante la hospitalización y las imágenes
diagnósticas realizadas durante el mismo periodo. Cada
caso recolectado se asignó a uno de tres fenotipos, según
la mayor probabilidad de pertenencia al aplicar la fórmula
derivada del modelo calculado por la aplicación virtual
de FEN-COVID (Phenotype-probability Calculation v 1.1.i,
accedido en http://fen-covid.com/index.html). Por último se
consignaron los desenlaces relacionados con el ingreso a la
unidad de cuidados intensivos y la muerte intrahospitalaria,
así como la duración de la estancia hospitalaria.
MÉTODOS
El estudio identicó tres fenotipos en los cuales las tasas
de mortalidad a 30 días fueron 2.5% (IC 95% 1.4-4.3%)
para el fenotipo A, 30.5% (IC 95% 28.5 – 32.6%) para
el B y 60.7% (IC 95% 53.7-67.2%) para el C. El objetivo
del presente estudio es llevar a cabo la aplicación de la
clasicación por fenotipos de FEN-COVID en una población
de pacientes hospitalizados por COVID-19 en dos hospitales
latinoamericanos de tercer nivel de atención y determinar
su asociación con desenlaces clínicos como complicaciones,
mortalidad e ingreso a unidades de cuidado intensivo.
El tamaño de la muestra fue establecido por conveniencia.
La descripción de las variables cuantitativas fue presentada
mediante medias y desviación estándar, para las medidas
de tendencia central se utilizaron medianas y rangos
intercuartílicos para las de dispersión según su distribución
y las variables cualitativas se presentan con frecuencias
absolutas y relativas. Se llevó a cabo un análisis bivariado
mediante T de Student para las variables cuantitativas y
Chi cuadrado para las cualitativas, deniendo diferencia
estadística signicativa con una probabilidad menor de
0.05. Se llevaron a cabo análisis bivariados tomando como
variable dependiente el ingreso a unidades de cuidados
intensivos o la muerte intrahospitalaria y como variables
independientes la pertenencia al fenotipo C, así como edad,
género, índice de masa corporal, tabaquismo, hipertensión
arterial, diabetes, falla cardiaca, enfermedad pulmonar
obstructiva crónica, relación neutrólos/linfocitos,
creatinina, deshidrogenasa láctica, troponina, proteína C
reactiva, ferritina y dímero D. En caso de que la asociación
fuera signicativa al obtener un valor de p menor de 0.5, la
variable se incluyó en el análisis multivariado mediante una
regresión logística múltiple.
El análisis de los datos se realizó en el programa R versión
4.0.2 (R Foundation, Vienna, Austria), las visualizaciones de
comorbilidades, complicaciones y resultados por fenotipo
clínico utilizando el paquete circlize para R.9
ANÁLISIS ESTADÍSTICO
Durante el periodo del estudio se recolectaron 143
pacientes que estuvieron hospitalizados en las dos
instituciones (45 en el Hospital de San José y 98 en el
Hospital Infantil Universitario de San José), de ellos se
contó con la información completa para el cálculo de la
probabilidad de pertenecer a los fenotipos estudiados en
126 casos entre los cuales se encontraron representados dos
fenotipos clínicos: fenotipo B con 108 (85,7%) y fenotipo C
con 18 (14,2%). Las características demográcas, clínicas y
paraclínicas de la población incluida en este estudio están
descritas en detalle en la tabla 1. El promedio de edad fue
58 años, sexo femenino 45 pacientes (35.7%) y el promedio
de duración de síntomas se sitúo en 15.9 días. Los síntomas
más frecuentes manifestados fueron tos (81%), disnea (81%)
y anosmia y disgeusia (42,9%); las comorbilidades más
frecuentes fueron hipertensión arterial (45.2%), diabetes
(23%), obesidad (21%) y enfermedad pulmonar obstructiva
crónica (19.0%). Los laboratorios mostraron predominio
de leucocitosis y neutrolia, así como bajos parámetros de
oxigenación (PaO2 55.9 mm Hg y PaFiO2 142.6 mm Hg/%).
RESULTADOS
de Medicina y Cirugía
90 REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
Tabla 1. Características demográficas de la población
Característica Todos los pacientes
n = 126 Valor de p
Fenotipo B
n = 108
Fenotipo C
n = 18
Edad en años, promedio (DE) 59.3 (14.9) 58.9 (14.9) 62.1 (14.2) 0.398
Sexo femenino, n (%) 45 (35.7%) 40 (37%) 5 (27.8%) 0.555
Duración de los síntomas, días promedio (DE) 15.9 (9.9) 15.9 (10.2) 16 (8.5)0 .984
Edad en años, promedio (DE)
Síntomas, n (%)
Tos
Disnea
Anosmia y/o disgeusia
Dolor abdominal
Factores de riesgo, n (%)
Índice de Charlson, promedio (DE)
Tabaquismo, n (%)
Trabajador socio sanitario, n (%)
Comorbilidades, n (%)
Falla cardiaca
Enfermedad pulmonar obstructiva crónica
Diabetes
Hipertensión arterial
Hipercolesterolemia
Cáncer
Enfermedad cerebrovascular
Enfermedad renal crónica
Obesidad
59.3 (14.9)
102 (81%)
102 (81%)
54 (42.9%)
15 (11.9%)
90 (83.3%)
87 (80.6%)
43 (39.8%)
11 (10.2%)
12 (66.7%)
15 (83.3%)
11 (61.1%)
4 (22.2%)
0.228
0.850
0.173
0.328
2.4 (1.9)
19 (15.1%)
12 (9.5%)
2.3 (1.9)
16 (14.8%)
11 (10.2%)
3 (1.9)
3 (16.7%)
1 (5.6%)
0.211
0.194
0.777
Examen Físico
índice de masa corporal, promedio (DE)
Temperatura, promedio (DE)
Saturación O2, promedio (DE)
26.4 (4.5)
38.1 (1.1)
82.2 (8.4)
25.4 (4.6)
38 (1.1)
83.6 (6.93)
26.3 (3.8)
38.7 (0.6)
73.62 (11.46)
0.845
0.002
0.002
15 (11.9%)
24 (19.0%)
29 (23.0%)
57 (45.2%)
21 (16.7%)
5 (3.9%)
4 (3.2%)
9 (7.1%)
27 (21.4%)
11 (10.2%)
17 (15.7%)
24 (22.2%)
43 (39.8%)
18 (16.7%)
5 (3.7%)
4 (0.9%)
5 (4.6%)
21 (19.4%)
4 (22.2%)
7 (38.9%)
5 (27.8%)
14 (77.8%)
3 (16.7%)
0 (0%)
0 (0%)
4 (22.2%)
6 (33.3%)
0.473
0.063
0.156
0.005
0.904
0.630
<0.001
0.027
0.059
Laboratorios, promedio (DE)
Leucocitos
Presión arterial de oxígeno
Relación Pa/FiO2
Creatinina
Lactato deshidrogenasa
Proteína C reactiva
Dímero D
Ferritina
Troponina
GOT
GPT
Potasio
13006.1 (6121.5)
11075.4 (5748.2)
28.64 (174.4)
55.9 (14.3)
142.6 (82.8)
1.6 (1.8)
470.3 (365.5)
91.7 (88.6)
1017.8 (1639.4)
1250 (1148)
65.4 (516.9)
94.3 (189.8)
87.72 (150.9)
4.5 (3.4)
12144.3 (5694.3)
10201.3 (5260.1)
30.1 (187.8)
57.3 (14.4)
154.4 (82.4)
1.0 (0.6)
455.3 (382.8)
90.8 (92.1)
1041.5 (1671.4)
1173 (1193.3)
19.8 (97.7)
80.6 (127.0)
78.1 (119.7)
4.3 (3.6)
18176.1 (6199.0)
16319.8 (5901.2)
19.6 (24.0)
48 (11.2)
73.9 (41.7)
4.9 (2.7)
561 (228.4)
97.2 (65.3)
11532 (1422.5)
1674.8 (747.6)
136.1 (1278.5)
167.6 (381.1)
139.2 (262.9)
5.4 (0.7)
0.001
<0.001
0.192
0.006
<0.001
<0.001
0.126
0.716
0.202
0.024
0.356
0.413
0.408
0.007
58.9 (14.9) 62.1 (14.2) 0.398
DE: desviación estándar. Fuente: los autores.
de Medicina y Cirugía
91
REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
Figura 1. Diagrama de cuerdas con la distribución de las características demográficas y factores de riesgo dependiendo de los diferentes
fenotipos. IMC: índice de masa corporal; HTA: hipertensión arterial; ICC: insuficiencia cardiaca congestiva; EPOC: enfermedad pulmonar
obstructiva crónica; ERC: enfermedad renal crónica. Fuente: los autores.
Como se observa en la tabla 1, al comparar el fenotipo
C con el B, en el primero hubo mayor frecuencia de
comorbilidades en especial enfermedad pulmonar
obstructiva crónica (38.9% vs 15.7%, p: 0.063). Además,
mostraron una tendencia a presentar mayor índice de masa
corporal (26.3 k/m² vs 25.4 k/m², p: 0.845) y temperatura
(38.7° vs 38°, p: 0.002), oximetrías más bajas (73.6% vs
83.6%, p: 0.002), así mismo mayor frecuencia de síntomas
extrapulmonares como anosmia, disgeusia (61.1% vs
39.8%, p: 0.173) y dolor abdominal (22.2% vs 10.2%, p:
0.328); también tuvo mayor recuento de leucocitos (18.2
103/ mm3 vs 12.1 103/ mm3, p: 0.001), niveles de ferritina
(1674.8 ng/mL vs 1173 ng/mL, p: 0.024), proteína C reactiva
(90.8 mg/dL vs 97.2 mg/dL p: 0.716), troponina (136.1 ng/L
vs 19.8 ng/L, p: 0.356), deshidrogenasa láctica (561 U/L
vs 455.3 U/L, p: 0.126) y transaminasas; al mismo tiempo
También se observa peor resultado en las escalas de
predicción clínica de sepsis, mayor disfunción orgánica y
desenlaces para el fenotipo C. predominando más casos de
choque séptico (50% vs 12%, p: <0.001), lesión miocárdica
(61.1% vs 21.3%, p: 0.002), sobreinfección bacteriana
(72.2% vs 31.5%, p: 0.003), lesión renal aguda (77.8% vs
18.5%, p:<0.001) y coagulopatía (11.1% vs 0%, p: 0.002),
de igual manera, mayor cantidad de casos con ingreso a UCI
(77.8% vs 45.4%, p: 0.013) y muertes (66.7% vs 28.6%, p:
<0.001) (tabla 2 y figura 2).
peores parámetros de oxigenación como PaO2 (48 mm Hg
vs 57.3 mm Hg, p: 0.006), Pa/FiO2 bajas (73.9 mm Hg/% vs
154.4 mm Hg/%, p: <0.001) y marcadores de lesión renal
como creatinina (4.9 vs 1, p: <0.001). La distribución de
características demográcas y comorbilidades se puede
observar en la figura 1.
de Medicina y Cirugía
92 REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
Tabla 2. Distribución de los marcadores de severidad y complicaciones durante la estancia hospitalaria
Característica Todos los pacientes
n = 126 Valor de p
Fenotipo B
n = 108
Fenotipo C
n = 18
Reglas de predicción clínica, promedio (DE)
qSOFA
SOFA
BCRSS
APACHE II
Desenlaces, n (%)
Ingreso a cuidados intensivos, n (%)
Muerte, n (%)
Complicaciones, n (%)
Choque séptico
Lesión miocárdica aguda
Sobreinfección bacteriana
Lesión renal aguda
Coagulopatía
TEP
TVP
Compromiso del SNC
Hepatopatía
1.9 (0.7)
3.9 (4.4)
3.1 (1.6)
14.9 (8.6)
1.9 (0.7)
3.0 (3.8)
3.0 (1.7)
12.6 (7.9)
2.4 (0.6)
8.3 (4.6)
3.53 (1.5)
23.2 (5.2)
0.004
<0.001
0.182
<0.001
63 (50%)
36 (28.6%)
49 (45.4%)
24 (22.2%)
14 (77.8%)
12 (66.7%)
0.013
<0.001
22 (17.5%)
34 (27%)
47 (37.3%)
34 (27%)
2 (1.6%)
19 (15.1%)
5 (4%)
11 (8.7%)
6 (4.8%)
13 (12%)
23 (21.3%)
34 (31.5%)
20 (18.5%)
0 (0%)
14 (13%)
3 (2.8%)
8 (7.4 %)
4 (3.7%)
9 (50%)
11 (61.1%)
13 (72.2%)
14 (77.8%)
2 (11.1%)
5 (27.8%)
2(11.1%)
3 (16.7%)
2 (11.1%)
<0.001
0.002
0.003
<0.001
0.002
0.250
0.243
0.421
0.387
Fuente: los autores.
Figura 2. Diagrama de cuerdas con la distribución de las complicaciones dependiendo de los diferentes fenotipos. UCI: Unidad de
cuidados intensivos; VM: ventilación mecánica; LRA: lesión renal aguda; TEP: tromboembolismo pulmonar. Fuente: los autores.
de Medicina y Cirugía
93
REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
Tabla 3. Resultado de los análisis bi y multivariado con respecto a la asociación con el
desenlace combinado de ingreso a cuidados intensivos o muerte intrahospitalaria
Los análisis bivariados para el desenlace combinado
de ingreso a UCI y muerte intrahospitalaria estuvieron
asociados con edad (OR 1.014, IC 95% 1.008-1.1019, p
<0.001), tabaquismo (OR 1.226, IC 95% 1.027-1.463, p
<0.023), enfermedad pulmonar obstructiva crónica (OR
1.297, IC 95% 1.037-1.621, p <0.022) y parámetros de la
química sanguínea como la relación neutrólos/linfocitos
(OR 1.008, IC 95% 1.001-1.013, p <0.014), creatinina (OR
1.057, IC 95% 1.005-1.110, p <0.028), proteína C reactiva
(OR 1.001, IC95% 1.000-1.1003, p <0.001), y ferritina (OR
1.000, IC95% 1.000-1.1000, p <0.016); lo mismo que la
pertenencia al fenotipo C (OR 1.408, IC95% 3.191-5.243, p
<0.007). En el análisis multivariado solo la edad (OR 1.010
IC95% 1.003-1.017 p <0.003) y la proteína C reactiva (OR
1.001 IC95% 1.000-1.1002 p <0.028) mostraron asociación
con el desenlace, perdiéndose la signicancia para el
fenotipo C (OR 1.110, IC95% 0.780 - 1.581, p de 0.555)
(tabla 3).
Un foco de investigación activa de la actual pandemia
por COVID-19 ha sido el desarrollo de estrategias para la
determinación del pronóstico de los pacientes. Desde la línea
tradicional de modelos basados en análisis de regresión, se
DISCUSIÓN
pueden identicar 232 modelos de predicción clínica en
una actualización a febrero 2021 de la revisión sistemática
llevada a cabo por el grupo de Wynants10; otra revisión
sistemática identicó 50 modelos pronósticos basados en
inteligencia articial.11
Un enfoque alternativo lo ha constituido la búsqueda
de fenotipos de presentación clínica que por lo general
son basados en modelos de agrupación o clustering (por
ejemplo, el método de los K vecinos, hierarchical clustering
u otras técnicas de aprendizaje no supervisado) o modelos
de clases latentes. Mediante este tipo de enfoque se han
delimitado varios esquemas que orientan a los pacientes con
COVID-19 en el entorno ambulatorio12, de hospitalización
en sala general8,13-16 o el de cuidados intensivos6,17 así como
en condiciones especícas por ejemplo, SDRA18,19 o la
disfunción multiorgánica.20 Así mismo se han identicado
diferentes procesos siopatológicos que conducen a
COVID-19 de moderado a grave que puedan ser útiles para
precisar objetivos de tratamiento y seleccionar pacientes con
enfermedad COVID-19 grave para ensayos clínicos futuros.15
El trabajo de Gutiérrez y col. se posiciona como uno de los más
importantes en el contexto de fenotipicación de pacientes
hospitalizados, que además cuenta con una validación
externa sobre la cohorte COVID-19@HULP incluyendo
2.226 pacientes y aportando una herramienta virtual para
el cálculo probabilístico del fenotipo denominada FEN-
de Medicina y Cirugía
94 REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
COVID.8 En el presente trabajo presentamos la aplicación
de esta herramienta en 126 pacientes hospitalizados
procedentes de dos instituciones latinoamericanas, se logró
documentar la representación de dos de los tres fenotipos
descritos con una preponderancia del fenotipo B (83% de
los casos), algo similar a la cohorte de validación del trabajo
original con 80%. Proponemos como posible causa para la
falta de representación del fenotipo A en nuestra población
el momento de recolección de la cohorte de pacientes
situado durante el segundo pico de repunte de contagios, en
el que gracias a la experiencia ya adquirida se pudo realizar
la rápida derivación de los casos más leves para manejo en
casa; por otro lado, los laboratorios que se introdujeron
a la base de datos fueron los peores obtenidos durante la
hospitalización.
De la misma forma que en el estudio original, se pudo
determinar que el subgrupo perteneciente al fenotipo
C ostentaba características de severidad, con tasas de
complicaciones y mortalidad más altas, aunque en el análisis
multivariado no se mantuviera esta asociación. La mortalidad
intrahospitalaria en la cohorte de validación externa para el
fenotipo B fue 23.7% y 51.4% para el fenotipo C8, en un
resultado aproximado al obtenido en la presente aplicación
con 22.2% y 66.7% respectivamente.
Dentro de la revisión bibliográca realizada pudimos
localizar cuatro trabajos similares que abordaron la
clasicación de fenotipos en población de pacientes
hospitalizados, resaltamos entre ellos el de Legrand y col.
al interior del Data Science Collaborative Group, quienes
encontraron 3 subfenotipos mediante análisis por cluster a
partir de 22 variables, en una población de 608 pacientes
pertenecientes a ocho hospitales de Paris, Francia. Para cada
fenotipo determinaron la asociación del desenlace compuesto
de admisión a UCI y/o muerte, con reportes de 8%, 18% y
43% para los fenotipos 1, 2 y 3 respectivamente.16 Como
punto para subrayar, este ensayo cuenta con una validación
externa en una cohorte de 2.019 pacientes holandeses
hospitalizados que mostró una distribución muy similar a la
cohorte de desarrollo.7
El grupo de Lusczeka14 a través de un estudio retrospectivo
en 1.022 pacientes provenientes de 14 hospitales de Estados
Unidos identicó también 3 fenotipos clínicos denominados
I, II y III, con una distribución de 236 (23%), 613 (60%) y
173 (167%) pacientes en cada fenotipo. Las complicaciones
fueron mayores para el fenotipo I y los fenotipos I y II tuvieron
mayor riesgo de muerte 7.30 veces (HR: 7.30, IC 95%: (3.11-
17.17), p <0.001) y 2.57 veces (HR: 2.57, IC 95%: (1.10-6.00),
p = 0,03 respectivamente, comparados con el fenotipo III. El
estudio con la población más extensa analizada fue el grupo
de Wang13, a partir de una muestra de 2.655 pacientes para
la derivación y 893 para pruebas; identicó mediante un
análisis de clases latentes los siguientes cinco subfenotipos
en pacientes hospitalizados: a) jóvenes, recuentos elevados
de leucocitos y plaquetas; b) linfopénico de mediana edad
con proteína C reactiva elevada; c) hiperinamatorio de
mediana edad; d) anciano, leucopénico con comorbilidades;
y e) ancianos, hiperinamatorios con disfunción renal.
El tamaño de la muestra podría llegar a limitar la validez
de los resultados. Los datos de laboratorios incluidos fueron
los más bajos encontrados durante la hospitalización,
hecho que pudo haber sido el determinante para que no
se obtuviera ningún caso del fenotipo A, como se explicó
antes. Como fortalezas encontramos que nuestros resultados
son concordantes con otros estudios realizados en diferentes
poblaciones.
En conclusión, los fenotipos identicados a partir de FEN-
COVID parecen discriminar un subgrupo de pacientes que
ostenta el peor comportamiento clínico, aunque no tuvo
representación del fenotipo A, más leve. El análisis bivariado
documentó asociación del fenotipo C con la muerte o ingreso
a UCI, aunque esta asociación no se mantuvo en el modelo
multivariado.
CONFLICTO DE INTERESES
AGRADECIMIENTOS
FINANCIAMIENTO
Los autores declaran no tener ningún conicto de interés.
Expresamos nuestro agradecimiento a nuestras familias
por la comprensión y apoyo en estos tiempos tan difíciles.
Queremos, además, hacer un reconocimiento a la encomiable
labor llevada a cabo por el personal sanitario y no sanitario
implicado en la atención de los pacientes con COVID-19.
Los autores no recibieron nanciación durante la fase
preanalítica (recolección de pacientes y de datos) ni para la
preparación y/o publicación de este artículo.
REFERENCIAS
1. Dong E, Du H, Gardner L. An interactive web-based
dashboard to track COVID-19 in real time. Lancet Infect Dis.
2020;20(5):533-534. doi: 10.1016/S1473-3099(20)30120-1
2. Chams N, Chams S, Badran R, Shams A, Araji A, Raad M, et al.
COVID-19: A Multidisciplinary Review. Front Public Health.
2020;8:383. doi: 10.3389/fpubh.2020.00383
3. Truog RD, Mitchell C, Daley GQ. The Toughest Triage —
Allocating Ventilators in a Pandemic. N Engl J Med.
2020;382(21):1973-1975. doi: 10.1056/NEJMp2005689
4. Firth P, Eyal N. Allocating Medical Resources in the Time of
Covid-19. N Engl J Med. 2020;382(22):e79. doi: 10.1056/
NEJMc2009666
de Medicina y Cirugía
95
REPERT MED CIR. 2022;31(Supl. Núm.1):87-95
5. Robinson PN. Deep phenotyping for precision medicine. Hum Mutat.
2012;33(5):777-780. doi: 10.1002/humu.22080
6. Azoulay E, Zafrani L, Mirouse A, Lengliné E, Darmon M, Chevret
S. Clinical phenotypes of critically ill COVID-19 patients. Intensive
Care Med. 2020;46(8):1651-1652. doi: 10.1007/s00134-020-06120-4
7. Schinkel M, Appelman B, Butler J, Schuurman A, Wiersinga WJ,
Douma RA, et al. Association of clinical sub-phenotypes and clinical
deterioration in COVID-19: further cluster analyses. Intensive Care
Med. 2021;47(4):482-484. doi: 10.1007/s00134-021-06363-9
8. Gutiérrez-Gutiérrez B, del Toro MD, Borobia AM, Carcas A, Jarrín
I, Yllescas M, et al. Identication and validation of clinical
phenotypes with prognostic implications in patients admitted to
hospital with COVID-19: a multicentre cohort study. Lancet Infect
Dis. 2021;21(6):783-792. doi: 10.1016/S1473-3099(21)00019-0
9. Gu Z, Gu L, Eils R, Schlesner M, Brors B. Circlize implements
and enhances circular visualization in R. Bioinformatics.
2014;30(19):2811-2. doi: 10.1093/bioinformatics/btu393
10. Update to living systematic review on prediction models for
diagnosis and prognosis of covid-19. BMJ. 2021;372:n236. doi:
10.1136/bmj.n236
11. Adamidi ES, Mitsis K, Nikita KS. Articial intelligence in clinical care
amidst COVID-19 pandemic: A systematic review. Comput Struct
Biotechnol J. 2021;19:2833-2850. doi: 10.1016/j.csbj.2021.05.010
12. Sudre CH, Lee KA, Lochlainn MN, Varsavsky T, Murray B, Graham
MS, et al. Symptom clusters in Covid19: A potential clinical
prediction tool from the COVID Symptom study app. Sci Adv.
2021;7(12):eabd4177. doi: 10.1126/sciadv.abd4177
13. Wang X, Jehi L, Ji X, Mazzone PJ. Phenotypes and Subphenotypes
of Patients With COVID-19: A Latent Class Modeling Analysis.
Chest. 2021;159(6):2191-2204. doi: 10.1016/j.chest.2021.01.057
14. Lusczek ER, Ingraham NE, Karam BS, Proper J, Siegel L, Helgeson
ES, et al. Characterizing COVID-19 clinical phenotypes and
associated comorbidities and complication proles. PLoS One.
2021;16(3):e0248956. doi: 10.1371/journal.pone.0248956
15. Teng C, Thampy U, Bae JY, Cai P, Dixon RAF, Liu Q, et al.
Identication of phenotypes among covid-19 patients in the
united states using latent class analysis. Infect Drug Resist.
2021;14:3865-3871. doi: 10.2147/IDR.S331907
16. Data Science Collaborative Group. Dierences in clinical
deterioration among three sub-phenotypes of COVID-19 patients
at the time of rst positive test: results from a clustering analysis.
Intensive Care Med. 2021;47(1):113-115. doi: 10.1007/s00134-020-
06236-7
17. Vasquez CR, Gupta S, Miano TA, Roche M, Hsu J, Yang W, et al.
Identication of Distinct Clinical Subphenotypes in Critically
Ill Patients With COVID-19. Chest. 2021;160(3):929-943. doi:
10.1016/j.chest.2021.04.062
18. Bos LDJ, Sjoding M, Sinha P, Bhavani S v, Lyons PG, Bewley AF,
et al. Longitudinal respiratory subphenotypes in patients with
COVID-19-related acute respiratory distress syndrome: results
from three observational cohorts. Lancet Respir Med. 2021;S2213-
2600(21) 00365-9. doi: 10.1016/S2213-2600(21)00365-9
19. Zhang J, Whebell SF, Sanderson B, Retter A, Daly K, Paul R, et al.
Phenotypes of severe COVID-19 ARDS receiving extracorporeal
membrane oxygenation. Br J Anaesth. 2021;126(3):e130-e132. doi:
10.1016/j.bja.2020.12.023
20. Su C, Xu Z, Homan K, Goyal P, Saord MM, Lee J, et al. Identifying
organ dysfunction trajectory-based subphenotypes in critically ill
patients with COVID-19. Sci Rep. 2021;11(1):15872. doi: 10.1038/
s41598-021-95431-7
