Finite mixture models for trajectory analysis of in-hospital routine laboratory values: application as biomarkers in spinal cord injury patients

Abstract

Background: Early diagnostic and prognostication after acute traumatic spinal cord injury (SCI) is challenging due to pathology complexities and population heterogeneity. Routinely collected data during standard medical practice, such as laboratory analytes, can serve as surrogates of underlying pathophysiological processes and therefore be used as a biomarker. We hypothesized that distinct temporal trends of blood analytes can be modeled after SCI and that those would be predictive of patient characteristics. Methods: Using real-world data from available electronic health records, we assembled a big-data asset and modeled distinct laboratory analytes measured over time during the early hospitalization after acute spine trauma with or without SCI. We fitted longitudinal finite mixture models (FMM) to determine distinct group trajectories over time on 20 blood analytes commonly measured in these populations. The probability of group trajectory membership was used in machine learning models to predict patient characteristics. Results: We show non-linear heterogeneous temporal trends of blood analytes after spine trauma and SCI. These trajectories are associated with different patient characteristics. In dynamic prediction experiments, the probability of belonging to a specific analyte trajectory is predictive of whether the patient would die in hospital, the patient presented with an SCI, and SCI severity. Conclusions: Routinely real-world data can be used to model blood analytes' dynamic changes after SCI with prediction validity for patient characteristics. Our work suggests that temporal blood trends are promising early predictors of SCI pathology. This work sets the bases for further developing dynamic biomarkers in neurotrauma and other neurological conditions.

Finalidad y contexto. El diagnóstico y pronóstico temprano después de lesiones traumáticas de la médula espinal (SCI por sus siglas en inglés) presenta un gran reto debido a la complejidad patológica y la heterogeneidad de pacientes. Datos obtenidos durante la práctica médica habitual como las analíticas de laboratorio, pueden proveer información sobre los procesos patofisiológicos, y tienen potencial para ser usados como biomarcadores. Hipotetizamos que la evolución temporal de marcadores en sangre después de SCI se puede modelar, y que el resultado de estos modelos se puede usar como predictores de características de los pacientes. Métodos. Hemos modelado los 20 marcadores en sangre más comunes en un cohorte de SCI y traumatismo espinal usando modelos finitos mixtos para determinar distintas trayectorias temporales. La probabilidad de pertenecer a un grupo de trayectorias se usó como predictores en modelos de machine learning para la predicción de características de los pacientes. Resultados. Existen distintos grupos de trayectorias no lineales para la mayoría de los marcadores estudiados, y estas trayectorias están asociadas con distintas características de los pacientes. Además, la probabilidad de pertenecer a distintas trayectorias es predictivo de si el paciente va a morir en el hospital, si el paciente presenta una lesión medular, y de la severidad de la lesión. Conclusiones. Datos extraídos de la práctica clínica rutinaria se pueden utilizar para modelar las trayectorias dinámicas de los marcadores sanguíneos después del SCI. Nuestro trabajo sugiere que los cambios temporales de marcadores en sangre pueden ser utilizados como biomarcadores para SCI.

Finalitat i context. El diagnòstic i pronòstic primerenc després de lesions traumàtiques de la medul·la espinal (SCI per les seves sigles en anglès) presenta un gran repte degut a la complexitat patològica i l'heterogeneïtat de pacients. Dades obtingudes durant la pràctica mèdica habitual com les analítiques de laboratori, poden proveir informació sobre els processos patofisiológicos, i tenen potencial per a ser usats com biomarcadores. Hipotetizamos que l'evolució temporal de marcadors en sang després de SCI es pot modelar, i que el resultat d'aquests models es pot usar com a predictors de característiques dels pacients. Mètodes. Hem modelat els 20 marcadors en sang més comunes en un cohort de SCI i traumatisme espinal usant models finits mixtos per a determinar diferents trajectòries temporals. La probabilitat de pertànyer a un grup de trajectòries es va usar com a predictors en models de machine learning per a la predicció de característiques dels pacients. Resultats. Existeixen diferents grups de trajectòries no lineals per a la majoria dels marcadors estudiats, i aquestes trajectòries estan associades amb diferents característiques dels pacients. A més, la probabilitat de pertànyer a diferents trajectòries és predictiu de si el pacient morirà a l'hospital, si el pacient presenta una lesió medul·lar, i de la severitat de la lesió. Conclusions. Dades extretes de la pràctica clínica rutinària es poden utilitzar per a modelar les trajectòries dinàmiques dels marcadors sanguinis després del SCI. El nostre treball suggereix que els canvis temporals de marcadors en sang poden ser utilitzats com biomarcadores per a SCI.