Aplicación de la calculadora de probabilidad fenotípica FEN-COVID en pacientes hospitalizados por COVID-19 en una población latinoamericana

Application of the fencovid phenotype-probability calculator in Covid-19 in-patients in a latin american population

Introducción: la variabilidad del comportamiento clínico del COVID-19 puede ser uno de los determinantes que limitan la toma de decisiones terapéuticas. Se busca clasificar a pacientes latinoamericanos hospitalizados mediante la herramienta FEN-COVID para la identificación 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 confirmado 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 identificaron 126 pacientes hospitalizados por COVID-19, edad promedio de 58 años, 45 mujeres (35.7%), 23% diabéticos, 45% hipertensos 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 identificados 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.

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
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. Identification 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. Artificial 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 profiles. 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. Identification 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. Differences in clinical deterioration among three sub-phenotypes of COVID-19 patients at the time of first 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. Identification 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, Hoffman K, Goyal P, Safford 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