A infecção bacteriana secundária do pulmão (pneumonia) foi extremamente comum em pacientes com COVID-19, afetando quase metade dos pacientes que necessitaram de suporte de ventilação mecânica. Ao aplicar o aprendizado de máquina aos dados de registros médicos, os cientistas da Northwestern University Feinberg School of Medicine descobriram que a pneumonia bacteriana secundária que não se resolve era um dos principais fatores de morte em pacientes com COVID-19. Pode até exceder as taxas de mortalidade da própria infecção viral.

Os cientistas também encontraram evidências de que o COVID-19 não causa uma " tempestade de citocinas". ”, que muitas vezes se acredita causar a morte.

O estudo foi publicado recentemente no Journal of Clinical Investigation .

"Nosso estudo destaca a importância de prevenir, procurar e tratar agressivamente a pneumonia bacteriana secundária em pacientes gravemente enfermos com pneumonia grave, incluindo aqueles com COVID-19", disse o autor sênior Dr. Benjamin Singer, professor associado de medicina da Northwestern University Feinberg. School of Medicine e um médico pulmonar e de cuidados intensivos da Northwestern Medicine.

Os investigadores descobriram que quase metade dos pacientes com COVID-19 desenvolve uma pneumonia bacteriana secundária associada ao ventilador.

"Aqueles que foram curados de sua pneumonia secundária provavelmente sobreviveram, enquanto aqueles cuja pneumonia não foi resolvida tiveram maior probabilidade de morrer", disse Singer. “Nossos dados sugerem que a mortalidade relacionada ao vírus em si é relativamente baixa, mas outras coisas que acontecem durante a permanência na UTI, como pneumonia bacteriana secundária, compensam isso”.

Os resultados do estudo também negam a teoria da tempestade de citocinas, disse Singer, também professor de Medicina Pulmonar Lawrence Hicks em Feinberg.

"O termo 'tempestade de citocinas' significa uma inflamação avassaladora que leva à falência de órgãos em seus pulmões, rins, cérebro e outros órgãos", disse Singer. "Se isso fosse verdade, se a tempestade de citocinas estivesse subjacente ao longo período de internação que vemos em pacientes com COVID-19, esperaríamos ver transições frequentes para estados caracterizados por falência de múltiplos órgãos. Não foi isso que vimos."

O estudo analisou 585 pacientes na unidade de terapia intensiva (UTI) do Northwestern Memorial Hospital com pneumonia grave e insuficiência respiratória, 190 dos quais com COVID-19. Os cientistas desenvolveram uma nova abordagem de aprendizado de máquina chamada CarpeDiem, que agrupa pacientes-dia de UTI semelhantes em estados clínicos com base em dados de registros eletrônicos de saúde. Essa nova abordagem, baseada no conceito de rondas diárias da equipe da UTI, permitiu que eles questionassem como complicações como a pneumonia bacteriana impactavam o curso da doença.

Esses pacientes ou seus substitutos consentiram em se inscrever no estudo de resposta clínica bem-sucedida à terapia de pneumonia (SCRIPT), um estudo observacional para identificar novos biomarcadores e terapias para pacientes com pneumonia grave. Como parte do SCRIPT, um painel de especialistas de médicos da UTI usou análises de ponta de amostras pulmonares coletadas como parte do atendimento clínico para diagnosticar e julgar os resultados de eventos de pneumonia secundária.

"A aplicação de aprendizado de máquina e inteligência artificial a dados clínicos pode ser usada para desenvolver melhores maneiras de tratar doenças como o COVID-19 e para ajudar os médicos da UTI a lidar com esses pacientes", disse a co-autora do estudo, Dra. Catherine Gao, instrutora em medicina pulmonar e de cuidados intensivos em Feinberg e um médico da Northwestern Medicine.

"A importância da superinfecção bacteriana do pulmão como contribuinte para a morte em pacientes com COVID-19 tem sido subestimada porque a maioria dos centros não a procurou ou apenas analisou os resultados em termos de presença ou ausência de superinfecção bacteriana, não se o tratamento é bem sucedido ou não", disse o coautor do estudo, Dr. Richard Wunderink, que lidera o Centro de Biologia de Sistemas de Terapia de Pneumonia com Sucesso na Northwestern.

O próximo passo na pesquisa será usar dados moleculares das amostras do estudo e integrá-los a abordagens de aprendizado de máquina para entender por que alguns pacientes são curados de pneumonia e outros não. Os investigadores também querem expandir a técnica para conjuntos de dados maiores e usar o modelo para fazer previsões que podem ser trazidas de volta ao leito para melhorar o atendimento de pacientes gravemente enfermos.