Rokowanie w sepsie – czynniki prognostyczne i przewidywanie śmiertelności

Sepsa, znana również jako posocznica, pozostaje jedną z głównych przyczyn śmierci pacjentów w oddziałach intensywnej terapii na całym świecie¹. Rokowanie w tej chorobie jest złożone i zależy od wielu czynników, które mogą znacząco wpływać na szanse przeżycia pacjenta. Zrozumienie tych czynników prognostycznych jest kluczowe dla właściwego planowania leczenia i podejmowania decyzji klinicznych².

Ogólna śmiertelność w sepsie

Pomimo znacznych postępów w medycynie intensywnej, sepsa charakteryzuje się nadal wysoką śmiertelnością. Ogólna śmiertelność w ciężkiej sepsie wynosi około 30%, podczas gdy we wstrząsie septycznym może przekraczać 50%, szczególnie u pacjentów w podeszłym wieku³. Te alarmujące statystyki podkreślają wagę wczesnego rozpoznania i szybkiego wdrożenia odpowiedniego leczenia⁴.

Warto zauważyć, że choć liczba przypadków sepsy i zgonów z jej powodu wzrasta, wskaźnik śmiertelności przypadkowej (case-fatality rate) wykazuje tendencję spadkową dzięki lepszemu zarządzaniu klinicznym i postępom w opiece intensywnej⁵. Różne działania profilaktyczne i terapeutyczne wykazały korzystny wpływ na redukcję śmiertelności, co wraz z poprawą jakości opieki w oddziałach intensywnej terapii przyczynia się do tej pozytywnej tendencji⁵.

Kluczowe czynniki prognostyczne

Rokowanie w sepsie jest determinowane przez szereg czynników, które można podzielić na kilka głównych kategorii. Najważniejszymi niezależnymi predyktorami zgonu są: dysfunkcja narządów oceniana w skali logistycznej, obecność wstrząsu septycznego, numer epizodu ciężkiej sepsy, obecność wielu źródeł infekcji oraz wynik w uproszczonej skali fizjologii ostrej (SAPS II)⁶.

Szczególnie istotny jest stopień dysfunkcji narządów, który stanowi jeden z najsilniejszych predyktorów śmiertelności. Każdy punkt w skali dysfunkcji narządów zwiększa ryzyko zgonu o 22%⁶. Wielonarządowa niewydolność (MOF) stanowi końcowy, fatalny element w patofizjologii sepsy, a rozwój dysfunkcji narządów podczas ciężkiej sepsy lub wstrząsu septycznego dramatycznie zwiększa zachorowalność i śmiertelność⁷.

Równie ważne są choroby współistniejące i ogólny stan zdrowia pacjenta. Wynik w skali McCabe (≥2 punkty) zwiększa ryzyko zgonu niemal dwukrotnie, a liczba przewlekłych chorób współistniejących również ma istotny wpływ na rokowanie⁶. Pacjenci z jedną chorobą współistniejącą mają o 75% wyższe ryzyko zgonu, a z dwiema – o 124% wyższe⁶.

Biomarkery w ocenie rokowania

Nowoczesna medycyna intensywna coraz częściej wykorzystuje biomarkery do oceny rokowania w sepsie. Szczególnie wartościowe okazują się pomiary interleukiny-6 (IL-6), mleczanu i prokalcytoniny (PCT) w różnych punktach czasowych⁸. Interleukina-6 wykazuje się jako jeden z najdokładniejszych biomarkerów w przewidywaniu 28-dniowej śmiertelności u pacjentów z sepsą⁹.

Poziomy IL-6 są znacząco wyższe u pacjentów, którzy nie przeżywają, i wykazują wyższą wartość pola pod krzywą ROC w porównaniu z innymi biomarkerami⁹. Kombinacja pomiarów IL-6 z pierwszego i trzeciego dnia, PCT z pierwszego i trzeciego dnia oraz klirens mleczanu z trzeciego dnia może służyć do budowy prostego modelu predykcyjnego 28-dniowej śmiertelności z dobrą wydajnością¹⁰.

Nowoczesne modele predykcyjne

Rozwój technologii informatycznych i uczenia maszynowego otworzył nowe możliwości w przewidywaniu rokowania u pacjentów z sepsą. Modele oparte na algorytmach uczenia maszynowego osiągają imponującą skuteczność – czułość na poziomie 95-97%, swoistość 100% oraz dokładność przekraczającą 96%¹¹. Szczegółowe informacje o zastosowaniu sztucznej inteligencji w prognozowaniu sepsy znajdziesz w dalszej części Zobacz więcej: Sztuczna inteligencja w prognozowaniu sepsy - nowoczesne modele predykcyjne.

Najważniejszymi zmiennymi w modelach uczenia maszynowego okazują się poziom mleczanu, diureza, pH oraz ciśnienie skurczowe¹². Co interesujące, modele te mogą przewidywać przeżycie pacjentów w oparciu o tak podstawowe dane jak wiek, płeć i numer epizodu septycznego¹³.

Specyficzne grupy pacjentów

Rokowanie w sepsie może się różnić w zależności od grupy wiekowej pacjentów. Pacjenci w podeszłym wieku z sepsą mają wiele chorób współistniejących, a ich reakcja kliniczna nie zawsze jest oczywista, co sprawia, że leczenie kliniczne jest trudne¹⁴. Dla tej grupy pacjentów opracowano specjalne modele prognostyczne wykorzystujące algorytm Random Survival Forest, które wykazują lepszą skuteczność niż tradycyjne systemy punktowe¹⁴. Więcej informacji o rokowaniu w różnych grupach pacjentów znajdziesz Zobacz więcej: Rokowanie w sepsie według grup pacjentów - różnice wiekowe i populacyjne.

Znaczenie wczesnego rozpoznania

Kluczem do poprawy rokowania w sepsie pozostaje wczesne wykrycie pacjentów septycznych⁴. Szybka deterioracja pacjentów z sepsą podkreśla znaczenie wczesnego wykrywania, ciągłego monitorowania i precyzyjnej prognozy w celu poprawy wyników leczenia⁹. Wdrożenie modeli głębokiego uczenia do wczesnego przewidywania sepsy może być związane ze znaczną redukcją śmiertelności – badania wskazują na 1,9% bezwzględną redukcję (17% względną redukcję) śmiertelności szpitalnej związanej z sepsą¹⁵.

Poprawa zgodności z wytycznymi dotyczącymi pakietów terapeutycznych sepsy również ma kluczowe znaczenie dla rokowania. Wdrożenie systemów predykcyjnych może prowadzić do 5,0% bezwzględnego wzrostu zgodności z pakietami sepsy oraz 4% redukcji zmiany wyniku SOFA po 72 godzinach od wystąpienia sepsy¹⁵.

Perspektywy na przyszłość

Przyszłość oceny rokowania w sepsie wiąże się z dalszym rozwojem technologii uczenia maszynowego i sztucznej inteligencji. Aplikacja systemów uczenia maszynowego do diagnozy i zarządzania sepsą może zmienić sposób radzenia sobie z tą patologią¹⁶. Jednak opieka zdrowotna oparta na uczeniu maszynowym jest daleka od ideału i wymaga dalszych badań oraz współpracy z ekspertami od sztucznej inteligencji¹⁶.

Uczenie maszynowe stanowi bardzo obiecujące narzędzie do poprawy wykrywania i zarządzania sepsą, ale prawdopodobnie przed nami jeszcze długa droga do pełnego wykorzystania jego potencjału¹⁶. Konieczne będzie prowadzenie dalszych badań wieloośrodkowych w celu walidacji opracowanych modeli predykcyjnych¹⁰.