ES2231167T3

ES2231167T3 - Procedimiento y aparato para predecir la disfuncion hemostatica en una muestra de un paciente.

Info

Publication number: ES2231167T3
Application number: ES00913371T
Authority: ES
Inventors: Cheng Hock Toh; Colin Downey; Timothy J. Fischer
Original assignee: Biomerieux Inc
Current assignee: Biomerieux Inc
Priority date: 1999-02-04
Filing date: 2000-02-04
Publication date: 2005-05-16
Anticipated expiration: 2020-02-04
Also published as: EP1147423B1; AU3483300A; ATE282208T1; US7211438B2; EP1147423A4; CA2362055C; JP4486260B2; CA2362055A1; WO2000046603A1; US20040248308A1; DE60015726T2; DE60015726D1; EP1147423A1; JP2002541431A; AU774889B2

Abstract

Un procedimiento para predecir la presencia de una disfunción hemostática en un paciente a partir de al menos un perfil de medición en función del tiempo, que comprende: a) llevar a cabo al menos una medición en función del tiempo en una muestra desconocida y medir una propiedad respectiva a lo largo del tiempo a fin de establecer un perfil de medición en función del tiempo; b) definir una variable predictora que defina, al menos en parte, los datos del perfil de medición en función del tiempo, estando compuesta dicha una variable predictora por la pendiente del perfil de medición en función del tiempo antes de la formación del coágulo; c) establecer un modelo que represente la relación entre la disfunción hemostática y una variable predictora; y d) hacer uso del modelo de la etapa c) para predecir la existencia de disfunción hemostática en el paciente.

Description

Procedimiento y aparato para predecir la disfunción hemostática en una muestra de un paciente.

Antecedentes de la invención

Esta solicitud está además relacionada con las siguientes publicaciones:

1. B. Pohl, C. Beringer, M. Bomhard, F. Keller, The quick machine – a mathematical model for the extrinsic activation of coagulation, Haemostasis, 24, 325-337 (1994).

2. J. Brandt, D. Triplett, W. Rock, E. Bovill, C. Arkin, Effect of lupus anticoagulants on the activated partial thromboplastin time, Arch Pathol Lab Med, 115, 109-14 (1991).

3. I. Talstad, Which coagulation factors interfere with the one-stage prothrombin time?, Haemostasis, 23, 19-25 (1993).

4. P. Baumann, T. Jurgensen, C. Heuck, Computerized analysis of the in vitro activation of the plasmatic clotting system, Haemostasis, 19, 309-321 (1989).

5. C. Heuck, P. Baumann, Kinetic analysis of the clotting system in the presence of heparin and depolymerized heparin, Haemostasis, 21, 10-18 (1991).

6. M. Astion y P. Wilding, The application of backpropagation neural networks to problems in pathology and laboratory medicine, Arch Pathol Lab Med, 116, 995-1001 (1992).

7. M. Astion, M. Wener, R. Thomas, G. Hunder y D. Bloch, Overtraining in neural networks that interpret clinical data, Clinical Chemistry, 39, 1998-2004 (1993).

8. J. Furlong, M. Dupuy y J. Heinsimer, Neural network analysis of serial cardiac enzyme data, A.J.C.P., 96, 134-141 (1991).

9. W. Dassen, R. Mulleneers, J. Smeets, K. den Dulk, F. Cruz, P. Brugada y H. Wellens, Self-learning neural networks in electrocardiography, J. Electrocardiol, 23, 200-202 (1990).

10. E. Baum y D. Haussler, What size net gives valid generalization? Advances in Neural Information Processing Systems, Morgan Kauffman Publishers, San Mateo, CA, 81-90 (1989).

11. A. Blum, Neural Networks in C++, John Wiley & Sons, Nueva York, 1992.

12. S. Haykin, Neural networks A Comprehensive Foundation, Macmillan College Publishing Company, Nueva York, (1994).

13. J. Swets, Measuring the accuracy of diagnostic systems, Science, 240, 1285-1293 (1988).

14. M. Zweig y G. Campbell, Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine, Clinical Chemistry, 39, 561-577 (1993).

15. Bleuestein, L. Archer, The sensitivity, specificity and predictive value of diagnostic information: a guide for clinicians, Nurse Practitioner, 16, 39-45 (1991).

16. C. Schweiger, G. Soeregi, S. Spitzauer, G. Maenner y A. Pohl, Evaluation of laboratory data by conventional statistics and by three types of neural networks, Clinical Chemistry, 39, 1966-1971 (1993).

Los coágulos sanguíneos son el resultado de una compleja reacción en cadena en la que las proteínas forman una cascada enzimática que sirve de sistema de amplificación biológico. Este sistema permite que una cantidad relativamente pequeña de moléculas de productos iniciadores provoquen una activación sucesiva de una serie de proteínas inactivas, conocidas como factores, que culmine en la producción del coágulo de fibrina. Anteriormente, se han propuesto modelos matemáticos de la cinética de las trayectorias de la cascada.

En el documento [1], se describía un modelo dinámico de la cascada extrínseca de coagulación en el que los datos se recogieron de 20 muestras que usaban pruebas de porcentaje rápido, de tiempo parcial de tromboplastina activada (TPTA), de tiempo de trombina (TT), de fibrinógeno, de factor (F) II, FV, FVII, FX, de antitrombina III (ATIII) y de producto de degradación del factor (PDF). Estos datos se usaron como entrada al modelo y el resultado de predicción se comparó con los resultados reales de la prueba de detección selectiva de tiempo de protrombina (TP) recuperada. El modelo predijo con exactitud el resultado de TP sólo en 11 de 20 casos. Estos modelos de cascada de coagulación demuestran: (1) la complejidad del proceso de formación del coágulo y (2) la dificultad para asociar sólo los tiempos de coagulación de TP con estados específicos.

Las pruebas de trombosis y hemostasis son el estudio in vitro de la capacidad de la sangre para formar coágulos y para descomponer coágulos in vivo. Las pruebas de coagulación (hemostasis) comenzaron como procedimientos manuales en los que la formación del coágulo se observaba en un tubo de ensayo, inclinando el tubo o extrayendo las hebras de fibrina por medio de un lazo de alambre. El objetivo era determinar si una muestra de sangre de un paciente podría coagular después de añadir ciertos materiales. Posteriormente se determinó que el tiempo desde el inicio de la reacción hasta el punto de formación in vitro del coágulo está relacionado con enfermedades congénitas, enfermedades adquiridas y control terapéutico. Para eliminar la variabilidad inherente asociada con las determinaciones a punto final subjetivas de las técnicas manuales, se ha creado instrumental para medir el tiempo de coagulación a partir de (1) propiedades electromecánicas, (2) elasticidad del coágulo, (3) dispersión de la luz, (4) adhesión de fibrina e (5) impedancia. Para los procedimientos de dispersión de la luz, los datos que se reúnen son los que representan la transmisión de la luz a través de la muestra en función del tiempo (un perfil de medición óptica en función del tiempo).

Se usan frecuentemente dos pruebas, la de TP y la de TPTA, para detectar anomalías en el sistema de coagulación, si bien se pueden usar otras pruebas de detección selectiva, por ejemplo, de proteína C, de fibrinógeno, de proteína S y/o de tiempo de trombina. Si las pruebas de detección selectiva muestran un resultado anómalo, es necesario realizar una o varias pruebas adicionales para aislar la fuente exacta de la anomalía. Las pruebas de TP y de TPTA se basan principalmente en la medición del tiempo necesario para el tiempo de coagulación, aunque algunas variaciones de TP también usan la amplitud del cambio en la señal óptica al calcular la concentración de fibrinógeno.

Además de la amplia selección de factores internos y proteínas que normalmente influyen en la formación del coágulo, la administración de medicamentos también afecta a la coagulación de la sangre. Por ejemplo, la heparina es un medicamento terapéutico de uso corriente que se usa para evitar una trombosis después de una intervención quirúrgica, o bajo otros estados, o que se usa para combatir una trombosis existente. La administración de heparina normalmente se controla usando una prueba de TPTA, que da un tiempo de coagulación prolongado si hay presencia de heparina. Los tiempos de coagulación por pruebas de TP se ven afectados en un grado mucho menor. Puesto que una serie de otras anomalías de plasma también pueden provocar resultados de TPTA prolongados, la capacidad de distinguir entre estos efectores de los resultados de la prueba de detección selectiva puede ser clínicamente importante.

Usando una curva sigmoidal adaptada a un perfil, Baumann y col. [4] demostraron que una proporción de dos coeficientes era única, para un grupo selectivo de deficiencias de factor sanguíneo, cuando el fibrinógeno se mantenía artificialmente añadiendo fibrinógeno exógeno a una concentración fija y esa misma proporción también correlaciona la heparina con la deficiencia de FII y con las deficiencias de FXa. No obstante, el requisito del fibrinógeno fijado artificialmente hace este enfoque inapropiado para el análisis de especímenes clínicos. La presente invención hace posible predecir una disfunción hemostática para muestras clínicas a partir de un perfil de medición en función del tiempo sin una manipulación artificial de las muestras.

La presente invención se concibió y desarrolló para predecir la disfunción hemostática en una muestra desconocida a partir de uno o más perfiles de medición en función del tiempo, tales como perfiles de medición óptica en función del tiempo, en los que se proporcionan una o más variables predictoras que definen las características del perfil, y en los que, a su vez, se establece un modelo que representa la relación entre la disfunción hemostática y la una o más variables predictoras (a fin de, a su vez, hacer uso de este modelo para predecir la disfunción hemostática en la muestra desconocida). Además, la presente invención está dirigida a predecir la presencia de Coagulación Intravascular Diseminada en un paciente, a partir de un perfil en función del tiempo, tal como un perfil de transmisión óptica, a partir de una prueba de coagulación llevada a cabo en una muestra de sangre o en plasma del paciente.

Resumen de la invención

La presente invención está dirigida a un procedimiento y a un aparato para predecir la disfunción hemostática a partir de al menos un perfil de medición en función del tiempo. Asimismo, la presente invención está dirigida a un procedimiento y a un aparato de ese tipo para predecir la Coagulación Intravascular Diseminada (CID). El procedimiento y el aparato incluyen a) realizar al menos una prueba en una muestra desconocida y medir una propiedad respectiva a lo largo del tiempo a fin de establecer un perfil de medición en función del tiempo, b) definir una o más variables predictoras (una de las cuales está inclinada antes de la formación del coágulo) que definan suficientemente los datos del perfil en función del tiempo, c) establecer un modelo que represente la relación entre un resultado de diagnóstico y el conjunto de variables predictoras y d) hacer uso del modelo para predecir la existencia de un estado hemostático (por ejemplo, CID o septicemia) en la muestra desconocida, en relación con el resultado de diagnóstico. En una forma de realización, se proporcionan datos de entrenamiento realizando una pluralidad de pruebas en muestras conocidas, el modelo es un perceptrón multicapa, la relación entre el resultado de diagnóstico y la una o más variables predictoras está determinada por al menos un algoritmo, y el al menos un algoritmo es un algoritmo de aprendizaje de propagación hacia atrás. En una segunda forma de realización de la presente invención, un conjunto de ecuaciones estadísticas establecen la relación entre el resultado de diagnóstico y la al menos una variable predictora. Asimismo, en la presente invención, se establece una pluralidad de perfiles de medición en función del tiempo, perfiles de medición en función del tiempo que pueden ser perfiles ópticos de medición en función del tiempo, tales como los que proporciona un analizador automatizado de trombosis y hemostasis, en los que se toman una pluralidad de mediciones ópticas (por ejemplo, transmisión óptica) y en los que se normaliza la pluralidad de mediciones ópticas. Los perfiles ópticos pueden incluir una o más pruebas de un perfil de TP, de un perfil de fibrinógeno, de un perfil de TPTA, de un perfil de TT, de un perfil de proteína C, de un perfil de proteína S, así como una pluralidad de otras pruebas asociadas con la disfunción hemostática.

Breve descripción de los dibujos

La Figura 1 es un diagrama neuronal general relativo a la forma de realización de la presente invención que hace uso de una red neural;

la Figura 2 es un diagrama de un perceptrón multicapa para predecir desequilibrios o estados terapéuticos congénitos o adquiridos, relativo a la forma de realización de la red neural de la presente invención;

la Figura 3 es un perfil óptico con una primera y una segunda derivada de una muestra de coagulación normal;

la Figura 4 es un ejemplo de dos curvas de aprendizaje;

la Figura 5 es un ejemplo de una curva de aprendizaje inestable;

la Figura 6 es un gráfico que muestra una comparación de las curvas de entrenamiento y las curvas de aprendizaje de validación cruzada;

la Figura 7 es un gráfico que muestra una comparación del error de entrenamiento para tolerancias de entrenamiento de 0,0 y 0,1;

la Figura 8 es una ROC que muestra el efecto de la frontera de decisión en la clasificación;

la Figura 9 es una tabla que compara el tamaño de la capa oculta con el error de predicción;

la Figura 10 es un diagrama de la característica operativa del receptor relativa a la predicción de una anomalía en relación con el Factor VIII;

la Figura 11 es un gráfico que demuestra la capacidad de predecir la actividad real del Factor VIII;

la Figura 12 es un diagrama de la característica operativa del receptor relativa a la predicción de una anomalía en relación con el Factor X;

la Figura 13 es una tabla que incluye ejemplos de variables predictoras para uso en la presente invención;

las Figuras 14 a 21 muestran curvas ROC relativas a redes neurales entrenadas para predecir deficiencias de FII, FV, FVII, FVIII, FIX, FX, FXI y FXII sólo a partir de parámetros de TP, sólo a partir de parámetros de TPTA o a partir de parámetros de TPTA y de TP combinados;

la Figura 22 muestra lo que constituye los conjuntos de entrenamiento y validación cruzada respecto a cada deficiencia de factor;

la Figura 23 muestra los resultados de la clasificación de las deficiencias del factor de coagulación según define el área bajo las curvas ROC;

la Figura 24 muestra áreas bajo las curvas ROC para tres redes entrenadas para clasificar las deficiencias de factor a partir de tres cortes diagnósticos diferentes;

la Figura 25 muestra resultados de regresiones lineales que comparan concentraciones de factor, calculadas usando una red neural, con concentraciones de factor medidas;

la Figura 26 muestra la correlación entre la salida de la red neural y la concentración de fibrinógeno medido, relativa a un conjunto de datos de validación cruzada de redes neurales entrenadas para calcular la concentración de fibrinógeno;

la Figura 27 muestra la correlación entre la salida de la red neural y la concentración de FX medida, relativa a un conjunto de datos de validación cruzada de redes neurales entrenadas para calcular la concentración de FX;

la Figura 28 muestra diagramas de contorno de SOM obtenidos a partir de los datos ópticos de TPTA relativos a las seis categorías de espécimen;

la Figura 29 muestra diagramas de contorno relativos a mapas de característica auto-organizados entrenados con datos de TP; y

la Figura 30 muestra la sensibilidad, la especificidad, la eficiencia y el valor de predicción de la prueba positiva (VPP) y el valor de predicción de la prueba negativa (VPN), a partir de parámetros de TPTA o de TP;

la Figura 31 es un diagrama que muestra las etapas de una forma de realización de la invención;

las Figuras 32(A) y (B) muestran formas de onda de transmitancia de la prueba de TPTA con (A) mostrando una apariencia normal y (B) una apariencia bifásica, según se establece en el MDA-180, una analizador automatizado de hemostasis-trombosis. La flecha indica el punto en la forma de onda en el que se registra (en segundos) el tiempo de coagulación en relación con el eje-X. La línea de puntos indica el nivel de transmitancia de la luz en 25 segundos en la reacción;

la Figura 33 muestra los niveles de transmitancia en 25 segundos en relación con el diagnóstico en los 54 pacientes con anomalías de forma de onda bifásica. La línea de puntos horizontal representa el nivel de transmitancia normal. Cuando se dispone de más de un análisis secuencial de un paciente, se representa el valor más bajo del nivel de transmitancia relativo a ese paciente;

la Figura 34 muestra niveles de transmitancia en serie (panel superior) y formas de onda (panel inferior) de un paciente que desarrolló CID después de una sepsis y se recuperó;

la Figura 35 muestra niveles de transmitancia en serie (panel superior) y formas de onda (panel inferior) de un paciente que desarrolló CID después de un traumatismo y murió;

la Figura 36 muestra diagramas ROC relativos a la predicción de CID para transmitancia en 25 segundos (TR25), tiempo de coagulación de TPTA, y pendiente 1 (la pendiente hasta el inicio de la formación del coágulo;

las Figuras 37 y 38 muestran histogramas relativos a CID, poblaciones normales y anómalas/sin-CID para TR25 y pendiente 1, respectivamente;

las Figuras 39 y 41 muestran distribuciones de grupos relativas a pendiente 1 y TR25, respectivamente;

las Figuras 40 y 42 muestran subpoblaciones parciales de los datos que se muestran en las Figuras 39 y 41;

la Figura 43 es un perfil óptico de transmisión relativo a una prueba de TPTA; y

las Figuras 44 y 45 son perfiles ópticos de transmisión relativos a pruebas de TP.

Descripción de las formas de realización preferidas

En la presente invención, se proporciona tanto un procedimiento como un aparato para predecir la presencia de la existencia de una disfunción hemostática en una muestra del paciente. Como se puede observar en la Figura 31 se realizan una o más mediciones en función del tiempo (101) en una muestra conocida (103). En la presente memoria descriptiva se hace referencia a una "medición en función del tiempo" para incluir las mediciones derivadas de las pruebas (por ejemplo, pruebas de TP, de TPTA, de fibrinógeno, de proteína C, de proteína S, de TT, de ATIII, de plasminógeno y de factor). Los términos "muestra desconocida" y "muestra clínica" hacen referencia a una muestra, tal como una de un paciente clínico (100), en la que no se conoce (o, si se sospecha que existe, no se ha confirmado) una disfunción hemostática asociada con una trombosis/hemostasis. En la presente invención, una propiedad de coagulación se mide a lo largo del tiempo, a fin de establecer un perfil de medición en función del tiempo. En una forma de realización preferente, la medición en función del tiempo es una medición óptica para establecer un perfil óptico. Por ejemplo, se puede proporcionar un perfil de TP, un perfil de fibrinógeno, un perfil de TT, un perfil de TPTA y/o variaciones de los mismos, en los que se analiza una muestra desconocida para la formación del coágulo a partir de la transmitancia de la luz a lo largo del tiempo a través de una muestra desconocida. En otra forma de realización preferente, se proporcionan dos (o más) perfiles ópticos, tales como tanto un perfil de TP como un perfil de TPTA.

Después de proporcionar los perfiles de medición en función del tiempo, se define un conjunto de variables predictoras (110) que definen suficientemente los datos del perfil en función del tiempo. El conjunto está compuesto por una o más variables. Y, se descubrió que, en una forma de realización, preferentemente tres o más variables predictoras formaran el conjunto y que, en una forma de realización preferente cuatro o más variables predictoras formaran el conjunto. Se descubrió que las características del perfil de medición en función del tiempo se podrían definir mejor por medio de una o más variables predictoras, que incluyeran el mínimo de la primera derivada del perfil óptico, el índice de tiempo de este mínimo, el mínimo de la segunda derivada del perfil óptico, el índice de tiempo de este mínimo, el máximo de la segunda derivada, el índice de tiempo de este máximo, el cambio total en la transmitancia durante la medición en función del tiempo, el tiempo de coagulación, la pendiente del perfil óptico antes de la formación del coágulo y la pendiente del perfil óptico después de la formación del coágulo.

Después de definir el conjunto de variables predictoras, se establece un modelo (113) que representa la relación entre un desequilibrio o estado terapéutico congénitos o adquiridos y el conjunto de variables predictoras. En una forma de realización de la presente invención, este modelo se puede establecer a partir de una red neural. En otra forma de realización, el modelo se establece a través de un conjunto de ecuaciones estadísticas.

Las redes neurales representan una rama de la inteligencia artificial que se puede usar para aprender y modelar sistemas complejos y desconocidos dando ciertos datos conocidos (115) a partir de los que la red neural puede entrenar. Entre las características de las redes neurales que las hacen una alternativa interesante para modelar sistemas complejos están:

1.: Pueden manejar bien datos intercalados y reconocer patrones incluso cuando alguno de los datos de entrada sea confuso o se haya perdido.

2.: No es necesario determinar qué factores son importantes a priori ya que la red determinará, durante la fase de entrenamiento, qué datos son importantes, suponiendo que haya al menos ciertos parámetros coherentes en el conjunto.

Las redes neurales están formadas por múltiples capas de neuronas interconectadas, como la que se muestra en la Figura 1. Cada neurona tiene una salida y recibe una entrada i_{1}...i_{n} de otras múltiples neuronas sobre enlaces de unión o, sinapsis. Cada sinapsis está asociada con un peso sináptico, w_{j}. Un sumador \Sigma o combinador lineal suma los productos de las señales de entrada y los pesos sinápticos i_{j}*w_{j}. Las salidas del combinador lineal sum_{1} y \theta_{1} (un umbral que reduce la salida o un margen de error que aumenta la misma) son la entrada a la función de activación f(). Los pesos sinápticos se aprenden ajustando sus valores a través de un algoritmo de aprendizaje.

Después de establecer el modelo (113), independientemente de si se basa en redes neurales o en ecuaciones estadísticas, el modelo se usa para predecir (120) la existencia de un desequilibrio o estado terapéutico congénitos o adquiridos en la muestra desconocida en relación con el perfil o perfiles de medición en función del tiempo. Como tal, se puede predecir un desequilibrio o estado terapéutico congénitos o adquiridos. En la presente invención, los estados que se pueden predecir como anómalas pueden incluir, entre otras, a) deficiencias de factor, por ejemplo, fibrinógeno, Factores II, V, VII, VIII, IX, X, XI y XII, así como ATIII, plasminógeno, proteína C, proteína S, etc., b) estados terapéuticos, por ejemplo, heparina, cumadina, etc. y c) estados tales como anticoagulante de lupus. En una forma de realización de la presente invención, el procedimiento se realiza en un analizador automatizado (90). El analizador automatizado puede proporcionar, automáticamente, el perfil de medición en función del tiempo, tal como un perfil óptico de datos, en el que la muestra desconocida se lleva automáticamente, por medio de una sonda automatizada, desde un recipiente de muestras hasta un pozo de ensayo, automáticamente se añaden uno o más reactivos al pozo de ensayo a fin de iniciar la reacción en la muestra. Automáticamente se controla de manera óptica una propiedad a lo largo del tiempo a fin de establecer el perfil óptico. El estado terapéutico o congénito pronosticado (120) se puede almacenar automáticamente en una memoria (122) de un analizador automatizado y/o visualizarla (124) en el analizador automatizado, tal como en una pantalla de ordenador, o imprimirla en papel. Como una característica adicional de la invención, si el desequilibrio o estado terapéutico congénitos o adquiridos (128) pronosticados es un estado anómalo, entonces se realizan una o más pruebas en el analizador automatizado para confirmar la existencia de un estado anómalo. De hecho, en una forma de realización preferente, la una o más pruebas de confirmación se piden automáticamente al analizador y se realizan en éste una vez que se determina el estado anómalo pronosticado, almacenando los resultados de la una o más pruebas de confirmación en una memoria (131) del analizador automatizado y/o visualizándolas (133) en el analizador.

Ejemplo 1 Predicción de heparina en la muestra

Este ejemplo muestra un conjunto de variables predictoras que describen de forma adecuada los perfiles ópticos de la prueba de detección selectiva, desarrollan un diseño de red neural óptimo y determinan la capacidad de predicción de un estado anómalo asociado con trombosis/hematosis (en este caso para la detección de heparina) con un conjunto de datos de la prueba considerable y bien cuantificado.

De Organon Teknika Corporation, Durham, NC, 27712, USA, se obtuvo Simplastin™ L, Platelin™ L, solución de cloruro cálcico (0,025 M), tampón de imidazol. Todos los especímenes de plasma se recogieron en 3,2% o 3,8% de citrato sódico en la proporción de una parte de anticoagulante por nueve partes de sangre completa. Los tubos se centrifugaron a 2000 g durante 30 minutos y posteriormente se trasvasaron a tubos de polipropileno y se almacenaron a -80ºC hasta que se valoraron. Se prepararon 757 especímenes a partir de 200 muestras. Estos especímenes se analizaron con las siguientes pruebas específicas: FII, FV, FVII, FVIII, FIX, FX, FXI, FXII, heparina, fibrinógeno, plasminógeno, proteína C y AT-III. Las muestras representaban pacientes normales, diversas deficiencias y estados terapéuticos. De la población del muestreo 216 fueron positivos en heparina, determinada por una concentración de heparina superior a 0,05 unidades/ml medida con una prueba cromogénica específica para heparina. Los especímenes restantes, clasificados como heparina-negativa, incluían especímenes normales, diversas deficiencias de factor simples o múltiples y pacientes que recibían otros medicamentos terapéuticos. Las muestras de heparina positiva ascendieron a 0,54 unidades/ml.

Las pruebas de detección selectiva de TP y de TPTA se llevaron a cabo en cada espécimen durante cinco días. Cuando un analizador automatizado basado en la óptica, tal como el MDA 180, realiza las pruebas de coagulación basadas en coágulos, los datos se recogen a lo largo del tiempo que representa el nivel normalizado de la transmisión de la luz a través de una muestra cuando se forma un coágulo (el perfil óptico). Cuando se forma el coágulo de fibrina, la transmisión de la luz disminuye. Se almacenó el perfil óptico de cada prueba.

Se eligió la configuración de red, un estado perceptrón multicapas (M). Se utilizó una red similar para variables sólo de TP y variables sólo de TPTA. Este MLP específico está compuesto por tres capas: la capa de entrada, una capa oculta y la capa de salida.

En la figura 3 se muestra un perfil óptico normal. El conjunto de variables predictoras se eligió con el objeto de describir perfiles ópticos lo más completos posible con una cantidad mínima de variables. Se resumen en la Tabla 1, en la que t es el tiempo desde el inicio de la reacción, T es la transmisión de la luz normalizada a través de la mezcla de reacción y pv_{jk} es la variable predictora kth de la prueba j.

Las variables predictoras se graduaron a valores entre 0 y 1, a partir del intervalo de valores observado para cada variable para el tipo de prueba K

i_{j}= f(pv_{jk}, (pv_{j\_n,k})_{min}, (pv_{j\_n,k})_{max})

El conjunto de las variables de entrada incluye i_{1}..._{7} tanto para la prueba de TP como para la prueba de TPTA de cada espécimen. Para valores de variable de salida, las muestras de heparina con resultados superiores a 0,05 unidades/ml se consideraron positivas y se las asignó un valor de 1 mientras que a las muestras negativas se las asignó un valor de 0.

Tanto la proporción de la muestra del conjunto de entrenamiento, para la cantidad de muestras de pesos, como el conjunto de entrenamiento se tomaron de la misma distribución. Por consiguiente, tamaños pequeños de muestras pueden, por lo tanto, llevar a porcentajes de clasificación artificialmente altos. Este fenómeno se conoce como sobreentrenamiento. Para conseguir un porcentaje de exactitud real del 80%, una directriz para la cantidad de muestras en el conjunto de entrenamiento es aproximadamente cinco veces la cantidad de pesos en la red. Para la mayor parte de este trabajo, se usó una red 14-6-1, que llevó a un límite ascendente en el tamaño de la muestra de O(450). Para controlar y valorar el comportamiento de la red y su capacidad para generalizar, se procesa un conjunto de validación cruzada al final de cada época de entrenamiento. Este conjunto de validación cruzada es un subconjunto determinado al azar del conjunto de pruebas conocido que está excluido del conjunto de entrenamiento.

Una vez que se determinaron las variables predictoras de entrada y los valores de salida para todos los perfiles ópticos del espécimen, los 757 conjuntos de datos se distribuyeron al azar en dos grupos: 387 se usaron en el conjunto de entrenamiento y 370 se usaron en el conjunto de validación cruzada. Estos dos mismos conjuntos determinados al azar se usaron en todos los experimentos.

Todos los pesos sinápticos y los valores umbral se inicializaron al comienzo de cada sesión de entrenamiento a pequeñas cantidades aleatorias.

La regla de aprendizaje de corrección del error es un procedimiento iterativo usado para actualizar los pesos sinápticos mediante un procedimiento de descenso de gradiente, en el que la red reduce el error a medida que las asociaciones de patrones (parejas de entrada-salida conocidas), del conjunto de entrenamiento, se presentan a la red. Cada ciclo a través del conjunto de entrenamiento se conoce como una época. El orden o presentación de las asociaciones de patrones fue el mismo para todas las épocas. El algoritmo de aprendizaje comprende seis etapas que forman la pasada hacia adelante y la pasada hacia atrás. En la pasada hacia adelante, se determinan primero las activaciones de la neurona de capa oculta

h= F(iW1 + \theta _{h})

en las que h es el vector de las neuronas de capa oculta, i el vector de las neuronas de la capa de entrada, W1 la matriz de peso entre la capa de entrada y la capa oculta y F() la función de activación. Se usa una función logística como la función de activación

F(x) = \frac{1}{1+e^{-x}}

Posteriormente se calculan las neuronas de la capa de salida

O = F(hW2 + \theta _{o})

en las que o representa la capa de salida, h la capa oculta y W2 la matriz de sinapsis que conecta la capa oculta y la capa de salida. La pasada hacia atrás comienza con el cálculo del error de la capa de salida

e_{o} = (o-d)

en el que d es la salida deseada. Si cada elemento de e_{o} es inferior a algún vector de tolerancia de error de aprendizaje predefinido TE_{tol}, entonces no se actualizan los pesos durante esa pasada y el proceso continúa con la siguiente asociación de patrón. A menos que se especificara lo contrario, en todos los experimentos se usó una tolerancia de error de entrenamiento de 0,1. De lo contrario, el gradiente local en la capa de salida se calcula entonces:

g_{o}= o(1-o)e_{o}

Después, se calcula el gradiente local de la capa oculta:

g_{h}= h(1-h) W2g_{o}

Una vez que se ha calculado el error de la capa oculta, se ajusta la segunda capa de pesos

W2_{m}= W2_{m-1} + \Delta W2

en la que

\Delta W2= \eta hg_{0} + \gamma \Delta W2_{m-1}

es la tasa de aprendizaje, \gamma es el factor momento y m es la iteración de aprendizaje. La primera capa de los pesos se ajusta de manera similar

W1_{m}= W1_{m-1} + \Delta W1

en la que

\Delta W1= \eta ie + \gamma \Delta W1_{m-1}

La pasada hacia adelante y la pasada hacia atrás se repiten 1000 veces para todas las asociaciones de patrón en el conjunto de entrenamiento, a lo que se hace referencia como una época. Al final de cada época, la red entrenada se aplica al conjunto de validación cruzada.

Se utilizaron diversos procedimientos para medir el comportamiento del entrenamiento de la red. El error, E, para cada conjunto de entrada se definió como

E = \sqrt{\frac{1}{N} \sum\limits ^{N}_{q=1} (d_{q}-o_{q})^{2}}

La curva de aprendizaje se define como la línea de E frente a una época. La clasificación de porcentaje \varphi, describe el porcentaje del conjunto total de la prueba (entrenamiento y validación cruzada) que está correctamente clasificado a partir de una frontera de decisión definida, \beta. También se ha hecho uso de los diagramas de característica operativa del receptor (ROC) para describir la capacidad de las redes entrenadas de discriminar entre los estados alternativos de la posible salida. En estos diagramas, se muestran las medidas de sensibilidad y especificidad relativas a un intervalo completo de fronteras de decisión. La sensibilidad o fracción de verdadero-positivo se define como

sensibilidad = \frac{\text{verdadero positivo}}{\text{verdadero positivo + falso negativo}}

y la fracción de falso-positivo, o (1-especificidad) se define como

(1-especificidad)= \frac{\text{falso positivo}}{\text{falso positivo + verdadero negativo}}

Estos diagramas ROC representan una herramienta común para valorar el comportamiento clínico de la prueba de laboratorio.

Usando el conjunto de pruebas descrito, se llevaron a cabo experimentos para determinar si la presencia de heparina se podía predecir con este procedimiento. Primero, se llevaron a cabo experimentos para determinar parámetros de aprendizaje de propagación hacia atrás de corrección del error óptima: (1) tamaño de la capa oculta, (2) tasa de aprendizaje y (3) momento. Asimismo, se llevaron a cabo experimentos adicionales para comparar el comportamiento de las redes sólo a partir de pruebas de TP y de TPTA con el comportamiento de una red que combina los resultados de ambas, el efecto de la tolerancia del error de entrenamiento y la selección de la frontera de decisión.

La Figura 9 muestra el efecto del tamaño de la capa oculta en el error de entrenamiento y de validación cruzada y la correcta clasificación del porcentaje para la frontera de decisión óptima, definida como la frontera de decisión que produjo la cantidad total más baja de falsos-positivos y falsos-negativos del conjunto total de la prueba. Cuando aumenta el tamaño de la capa oculta, disminuye el error. No obstante, la capacidad de generalizar no aumenta después de un tamaño de capa oculta de 6. La ventaja más importante en términos tanto de error como de clasificación correcta de porcentaje está entre 4 y 6. Un tamaño de capa oculta de 6 se usó para el resto de los experimentos.

Se llevaron a cabo una serie de experimentos con \eta = {0,01, 0,1, 0,5, 0,9} y \gamma = {0,0, 0,1, 0,5, 0,9}. La figura 4 muestra las curvas de aprendizaje para dos de las mejores combinaciones de parámetros. La Figura 5 muestra un ejemplo de curva de aprendizaje cuando la tasa de aprendizaje es tan alta que lleva a oscilaciones y convergencia hacia una E mayor. En general, cuando \eta \rightarrow 0 la red convergió a una E menor y cuando \gamma \rightarrow 1 la tasa de convergencia mejoró. Cuando \eta \rightarrow 1, el valor de E convergió muy aumentado y las oscilaciones aumentaron. Además, cuando \eta \rightarrow 1, \gamma \rightarrow 1 empeoraron las oscilaciones.

La Figura 6 muestra una comparación de la curva de aprendizaje para el conjunto de entrenamiento y el conjunto de validación cruzada para \eta=0,5 y \gamma=0,1. Es una preocupación principal a la hora de desarrollar redes neurales, y anteriormente se ha demostrado que es importante observar no sólo el error en el conjunto de entrenamiento para cada ciclo, sino también el error de validación cruzada.

La Figura 7 muestra la curva de aprendizaje \eta=0,5 y \gamma=0,1 y una tolerancia de aprendizaje de 0,0 y 0,1. Estos resultados sugieren que un aprendizaje pequeño tiende a suavizar la convergencia del proceso de aprendizaje.

La Figura 8 muestra el diagrama ROC para redes entrenadas con las variables predictoras para cada una de las dos pruebas de detección selectiva con las de la combinación de las mismas. En los casos de prueba única, el tamaño de la capa oculta fue 3. Mientras que usando los datos de una prueba lleva a cierto éxito, usando la información de ambas pruebas mejora de manera importante la capacidad de la red para predecir correctamente la presencia de heparina. Este gráfico indica que se puede conseguir un porcentaje de verdaderos positivos del 90% con un porcentaje de falsos positivos del 15%. Usando una prueba única, se puede conseguir un porcentaje de verdaderos positivos del 60-70% con un porcentaje de falsos positivos de, aproximadamente, el 15%.

Ejemplo 2 Factor VIII

Se llevaron a cabo pruebas similares a las del Ejemplo 1. Como se puede observar en las Figuras 10 y 11, se llevaron a cabo dos sesiones de entrenamiento para predecir un estado de Factor VIII en una muestra desconocida. La Figura 10 es un diagrama de característica operativa del receptor relacionado con la predicción de una anomalía en relación con el Factor VIII. En la Figura 10, todo lo que estaba por debajo de una actividad del 30% se indicó como positivo, y todo lo que estaba por encima del 30% se indicó como negativo. También se podrían usar valores de corte distintos del 30%. En este Ejemplo, el porcentaje de actividad tiene una exactitud conocida de aproximadamente + o - 10%. En la Figura 11, el porcentaje real de actividad se usó como la salida.

Ejemplo 3 Factor X

Como se puede observar en la Figura 12, el procedimiento de la presente invención se llevó a cabo de manera similar al del Ejemplo 2, en el que, en este estudio, se predijo una anomalía en la concentración de Factor X de muestras conocidas. Todo lo que estaba por debajo de una actividad del 30% se indicó como positivo, y todo lo que estaba por encima del 30% se indicó como negativo. También se podrían usar valores de corte distintos del 30%.

Los resultados de los conjuntos de muestra de validación cruzada en todos los experimentos indican que el tamaño de la muestra fue suficiente para que la red generalizara. Aunque la distribución aleatoria de los conjuntos de entrenamiento y de validación cruzada se mantuvo constante en todos los experimentos presentados, se han usado otras distribuciones. Aunque todas estas distribuciones produjeron resultados diferentes, aún así conducen a la misma conclusión general.

Se examinaron muchas alternativas para el conjunto de variables predictoras o adiciones a éste. Esto incluyó coeficientes de una curva adaptada al perfil de datos, reconocimiento de patrones y parámetros a partir del tiempo de coagulación. Las funciones de orden bajas tienden a perder información debido a su escasa adaptación y las funciones de orden altas tienden a perder información en sus múltiples soluciones similares. A menudo se dispone de parámetros basados en coágulos, tales como el tiempo de coagulación, la pendiente en la sección antes del inicio de la formación del coágulo y después de este, pero no siempre (porque en algunas muestras no se puede detectar el tiempo de coagulación). Los satisfactorios resultados observados indican que el conjunto de variables predictoras usadas es eficaz para predecir desequilibrios o estados terapéuticos congénitos o adquiridos.

La optimización de los parámetros del algoritmo de aprendizaje de la red supone importantes diferencias en su comportamiento. En general, el comportamiento era mejor con bajas tasas de aprendizaje, altas tasas de momento, alguna pequeña tolerancia de error de entrenamiento y un tamaño de capa oculta de, aproximadamente, la mitad del tamaño de la capa de entrada.

Ejemplos adicionales

Se llevaron a cabo mediciones ópticas para las pruebas de TPTA y de TP en analizadores MDA 180 a una longitud de onda de 580 nm. Los especímenes de plasma (n=200) incluían pacientes normales, pacientes con diversas deficiencias de factor de coagulación y pacientes que recibían tratamiento con heparina u otro anticoagulante. Se llevaron a cabo pruebas de detección selectiva de TPTA y de TP duplicadas en cada espécimen con dos analizadores MDA 180 que usaban lotes sencillos de reactivos de TPTA y de TP. También se analizaron estos especímenes usando pruebas específicas para FII, FV, FVII, FVIII, FIX, FX, FXI, FXII, heparina, fibrinógeno, plasminógeno, proteína C y antitrombina-III.

Procesamiento de datos y redes neurales

Se exportaron ficheros de datos de perfil óptico desde los MDA 180 y se procesaron fuera de línea. Se estableció un conjunto de nueve parámetros para describir los tiempos, la proporción y la magnitud de los acontecimientos de coagulación. Se calcularon estos parámetros en todas las pruebas de TPTA y de TP. Se modifica ligeramente el conjunto de parámetros en relación con el del Ejemplo 1. En este enfoque, los datos ópticos para una prueba de TP o de TPTA se dividieron en tres segmentos (un segmento de pre-coagulación, un segmento de coagulación y un segmento de post-coagulación) usando divisiones a partir del valor mínimo y máximo de la segunda derivada para cambios en la señal óptica en relación con el tiempo. Los parámetros que se analizaron incluían: (1) los tiempos en que se producía el inicio, el punto medio y el final de la fase de coagulación (tmin2, tmin1 y tmax2, respectivamente); (2) pendientes medias para la fase de pre-coagulación y post-coagulación (pendiente1 y pendiente3, respectivamente) y la pendiente en el punto medio de coagulación (min1, la "velocidad" de coagulación en el punto medio de reacción, que es análoga a la pendiente2), (3) períodos de "aceleración" y "desaceleración" de coagulación (min2 y max2, respectivamente) y (4) la magnitud del cambio de señal durante la coagulación (delta).

Se usaron tres conjuntos diferentes de parámetros de datos como entrada a la red neural: (1) los nueve parámetros de la pruebas de TP, (2) los nueve parámetros de las pruebas de TPTA y (3) los parámetros combinados de las pruebas de TPTA y de TP. Cada espécimen se realizó por duplicado en dos analizadores, para dar un total de, aproximadamente, 800 conjuntos de parámetros de los 200 especímenes. La cantidad total varió ligeramente por los datos perdidos debido a muestra insuficiente, fallo mecánico o fallos indeterminados. Los conjuntos de parámetros de datos se dividieron al azar en conjuntos de entrenamiento y de validación cruzada por espécimen, en los que todas las duplicaciones de un espécimen determinado se agruparon bien en el conjunto de validación cruzada o bien en el conjunto de entrenamiento. En todo este estudio se usaron los mismos conjuntos de entrenamiento y de validación cruzada. El procedimiento de entrenamiento y de validación cruzada de las redes neurales de propagación hacia atrás se ha descrito en relación con el Ejemplo 1. Cada red neural fue entrenada durante 1000 épocas. Los parámetros de entrenamiento fueron tasa de aprendizaje, 0,01, momento, 0,5, tolerancia de aprendizaje, 0,10, decadencia, 0,05, tamaño de la capa de entrada, 18 (o 9 para pruebas únicas), tamaño de la capa oculta, 9 (o 5 para pruebas únicas) y tamaño de la capa de salida, 1. Fueron entrenadas tres tipos de redes. Estas incluían redes que clasificaron los especímenes como deficientes o no deficientes a partir de un único corte diagnóstico, conjuntos de redes que usaron cortes diagnósticos a diferentes niveles del mismo factor y redes entrenadas para calcular la concentración real de un factor específico.

Clasificación de deficiencias de factor a partir de un único nivel de corte diagnóstico

En el primer conjunto de pruebas, las redes neurales fueron entrenadas para clasificar muestras de plasma en dos grupos, positivo (factor-deficiente) y negativo (no-deficiente), y los resultados se compararon con la clasificación a partir de la concentración de factor medida de los especímenes. En la mayoría de las pruebas, el corte diagnóstico para definir las deficiencias de factor se estableció en el 30%, es decir, especímenes con una concentración medida inferior al 30% de lo normal para un factor específico se definieron como deficientes y los que tenían una actividad superior al 30% se definieron como no-deficientes. Estos niveles de corte diagnóstico se definieron arbitrariamente, pero se basan en requisitos clínicos y sensibilidad del reactivo. Las salidas deseadas de las muestras positivas y las muestras negativas se definieron como "1" y "0", respectivamente. La salida real para cada espécimen fue un valor de punto flotante, a, en el que 0 \leq a \leq 1. La Figura 22 muestra lo que constituye los conjuntos de entrenamiento y validación cruzada en relación con cada deficiencia de factor. La clasificación de los especímenes se valoró en "fronteras de decisión" variables que dividían las salidas de la red neural en grupos positivos y negativos. Esta clasificación positiva o negativa se comparó entonces con la salida deseada (la clasificación conocida) para cada conjunto de datos de entrada. Los resultados se trazaron como curvas de característica operativa del receptor (ROC) no paramétricas y las áreas bajo las curvas se calcularon junto con sus errores estándar asociados. También se establecieron curvas ROC para comparar valores de tiempo de coagulación de TPTA y de TP. Los puntos de datos en las curvas ROC representan el porcentaje de las clasificaciones de verdadero-positivo y de falso-positivo en distintas fronteras de decisión. Los resultados óptimos se obtienen cuando el porcentaje de verdadero-positivo se aproxima a 1,0 y el porcentaje de falso-positivo se aproxima a 0,0 (esquina superior izquierda del gráfico). La medida global óptima de la curva ROC es un área de 1,0.

Clasificación de deficiencias de factor en múltiples niveles de corte diagnóstico

Un segundo conjunto de redes fue entrenado para una clasificación de FX de un modo similar a la del primer conjunto, salvo que se modificó el nivel de corte diagnóstico (10%, 30% y 50%). Se seleccionó el FX para este experimento porque el conjunto de datos contenía una cantidad de muestras positivas en todos los niveles de corte superior a la de otros factores.

Cálculo de concentración de factor usando redes neurales

Un tercer conjunto de redes fueron entrenadas para aproximarse a actividades de factor específicas reales (FII, FV, FVII, FVIII, FIX, FX, FXI y FXII) y a niveles de fibrinógeno a partir de parámetros de TP y de TPTA combinados de muestras desconocidas. En estos casos, la salida deseada de los conjuntos de entrenamiento y de validación cruzada era la actividad medida para un factor específico de cada espécimen y la salida real de la red neural era una concentración pronosticada para esta actividad de factor específica. Los coeficientes de la regresión lineal que usaban las salidas deseadas frente a las salidas reales de la red neural para el conjunto de validación cruzada se usaron para describir el comportamiento de estas redes. El coeficiente de correlación producto-momento de Pearson, r, se usó para calcular la correlación entre los dos conjuntos de datos.

Las redes neurales fueron entrenadas para clasificar muestras como deficientes (resultado positivo) o no-deficientes (resultado negativo) para factores de plasma individuales, usando un valor de actividad del 30% como el corte diagnóstico para definir las deficiencias. Los resultados se examinaron gráficamente usando curvas de operativa del receptor (ROC). Estos gráficos trazan el porcentaje de verdaderos-positivos (cantidad de positivos detectados dividida por la cantidad total de positivos) frente al porcentaje de falsos-positivos (cantidad de especímenes negativos diagnosticados incorrectamente como positivos dividida por la cantidad total de negativos). Se genera una curva ROC determinando los porcentajes de verdaderos-positivos y de falsos-positivos en diferentes "fronteras de decisión" de la prueba diagnóstica. Por ejemplo, se generó un diagrama ROC para diagnósticos de deficiencias de FII que usaba el tiempo de coagulación de TP modificando la frontera de decisión (valor de tiempo de coagulación de TP) usada para diferenciar entre especímenes deficientes y no deficientes. Cuando se usa un tiempo de coagulación corto como la frontera de decisión, se pueden identificar la mayoría de los especímenes deficientes, pero también se puede señalar un porcentaje importante de especímenes no deficientes (falsos-positivos). Cuando se usa un tiempo de coagulación largo como la frontera de decisión, disminuye el porcentaje de falsos-positivos, pero la cantidad de especímenes verdadero-positivo que no se diagnostican también puede aumentar. En condiciones ideales, se puede identificar una frontera de decisión a partir de una curva ROC que produce un porcentaje muy alto de verdaderos-positivos y un porcentaje muy bajo de falsos-positivos. Este estado corresponde a la zona izquierda superior del diagrama ROC. Dos términos relacionados, que a menudo se aplican a las pruebas de diagnóstico clínico, son "sensibilidad" y "especificidad". La sensibilidad hace referencia a la capacidad de detectar especímenes positivos y corresponde al eje-y de los diagramas ROC. La especificidad hace referencia al porcentaje de especímenes diagnosticados como negativo que están correctamente identificados. El eje-x de los ROC es igual a (1-especificidad). La valoración visual de las curvas ROC es un procedimiento usado para valorar el comportamiento de las redes neurales y compararlas con el poder de diagnóstico de los tiempos de coagulación de TP Y de TPTA. Otro procedimiento es medir el comportamiento diagnóstico usando el área bajo las curvas ROC. El área bajo la curva ROC es equivalente a un cálculo de la probabilidad de que un espécimen positivo seleccionado al azar tuviera un resultado más positivo que un espécimen negativo seleccionado al azar. En el caso de que las curvas ROC se superpongan, la forma de las curvas, así como las áreas por debajo de las mismas serían importantes. Una curva ROC que abarcara un área menor puede ser preferible a una curva superpuesta con un área mayor, dependiendo del comportamiento deseado para un sistema de diagnóstico determinado.

Las Figuras 14 a 21 muestran curvas ROC para redes neurales entrenadas para predecir deficiencias de FII, FV, FVII, FVIII, FIX, FX, FXI y FXII sólo a partir de parámetros de TP, sólo a partir de parámetros de TPTA o a partir de parámetros combinados de TPTA y de TP. Se incluyen, a efectos de comparación, diagramas ROC a partir de una clasificación que usa tiempos de coagulación de TPTA y de TP. La Figura 23 muestra el área bajo estas curvas y sus errores estándar asociados.

En la Figura 14 se muestran los resultados de la clasificación de deficiencias de FII. Se observaron mejores resultados en redes neurales que usaban sólo parámetros de TPTA o combinados con parámetros de TP, con el área bajo las curvas ROC superior a 0,99, en ambos casos (Figura 23). La clasificación a partir de tiempos de coagulación de TP o de TPTA o a partir de redes neurales que sólo usaban datos de TP tuvo como resultado una clasificación menos satisfactoria y un área reducido bajo las curvas.

Los resultados de la clasificación de las deficiencias de FV mostraron características un tanto diferentes (Figuras 15 y 23). Se observaron mejores resultados en la clasificación de una red neural que usaba parámetros de datos de TPTA, a partir de una inspección visual y del área bajo la curva ROC. Se obtuvieron clasificaciones menos satisfactorias de las redes neurales que usaban sólo parámetros de datos de TP o combinados con datos de TPTA, así como de las que usaban tiempos de coagulación de TP, a juzgar por las áreas bajo las curvas ROC. No obstante, la clasificación a partir de tiempo de coagulación de TP fue cualitativamente diferente a la de las redes neurales que usaban datos de TP y tendían hacia una mayor sensibilidad más que hacia una especificidad. Este tipo de patrón se observó en la clasificación de varios factores de coagulación, especialmente factores VIII, X y XI. En situaciones en las que se obtuvieron curvas ROC superpuestas, resulta importante tener en cuenta el valor relativo de la especificidad y la sensibilidad, así como el área bajo las curvas ROC, a la hora de comparar los resultados de diagnóstico.

Para algunos de estos factores de plasma, incluidos FV, FVIII, FIX, FX, FXI y FXII (Figuras 15, 17, 18, 19, 20 y 21), parecía que sería posible conseguir un porcentaje de verdaderos-positivos medianamente alto (>0,6) manteniendo un bajo porcentaje de falsos-positivos (< 0,1) a partir de redes neurales que usaban parámetros de TP, de TPTA o combinados. Esto corresponde a una situación en la que no se detecta un porcentaje importante de especímenes deficientes (sensibilidad moderada), pero los que se detectan se clasifican correctamente como deficientes para ese factor específico (especificidad alta). En contraposición, usando tiempos de coagulación de TP o de TPTA fue posible en la mayoría de los factores ajustar los niveles de decisión para identificar la mayoría de deficiencias (porcentaje de verdaderos-positivos que se aproxima a 1,0, alta sensibilidad), pero con una proporción relativamente alta de falsos-positivos (baja especificidad). Esto corresponde a una situación en la que se detecta la mayoría de los especímenes deficientes o todos, pero en la que, a menudo, no se identifica correctamente la deficiencia de un factor específico. Este primer marco hipotético que supone proporciones moderadas o altas de verdaderos-positivos con proporciones muy bajas de falsos-positivos puede ser preferible en el esquema de diagnóstico que se muestra en la Figura 13.

Para los factores II, V, IX y XII, parecía que una elección apropiada de la red neural daba un comportamiento diagnóstico mejor, a juzgar por el área bajo las curvas. Para los factores VIII, X y XI, las redes neurales no fueron visiblemente superiores al diagnóstico a partir de tiempos de coagulación cuando sólo se tenían en cuenta las áreas bajo las curvas ROC, no obstante, las redes neurales para estos factores proporcionaron una mejor especificidad. Para un factor (FVII, Figura 16), la clasificación de las redes neurales fue menos eficaz que para otros factores, al menos en este sistema de pruebas.

El comportamiento de las redes neurales que usaban parámetros de datos sólo a partir de pruebas de TP o de TPTA o en combinación varió para diferentes factores. Para los factores VIII y XII, se observó un mejor comportamiento (área considerablemente mayor sin superposiciones) cuando se usaron los conjuntos combinados de parámetros de datos de TPTA-TP. Para otros diversos factores, el uso de un conjunto de parámetros único proporcionó resultados que eran equiparables a los parámetros combinados de TPTA y de TP o mejor que estos. Una red que usaba sólo parámetros de datos de TPTA (TPTA RN) era equivalente (área similar) a una red que usaba datos combinados de TPTA-TP (TPTA-TP RN) para FII y FX y superior para FV (área mayor y ninguna superposición). Las redes que usaban sólo parámetros de TP proporcionaron resultados que eran equiparables (área similar) a los parámetros combinados para la clasificación de FV y mejores (área mayor y superposición insignificante) para la clasificación de FIX.

Los datos de los especímenes positivos clasificados erróneamente se examinaron más detalladamente. Los especímenes positivos clasificados erróneamente se agruparon en varias categorías: 1) especímenes con resultados de "ningún coágulo" de TPTA o de TP (especímenes con una reacción de coagulación muy prolongada o muy débil en los que no se puede calcular de manera fiable ningún tiempo de coagulación), 2) especímenes con múltiples deficiencias o anomalías, 3) especímenes con deficiencias dudosas (actividad del factor ligeramente inferior al corte diagnóstico del 30%) y 4) especímenes con una pendiente atípicamente pronunciada durante la fase de pre-coagulación para pruebas de TPTA que no eran características de otros especímenes en la misma clasificación (no se detectaron deficiencias de FX en dos especímenes que mostraban estas características con actividades de FX del 26,8% y del 16,8%, respectivamente).

La capacidad de las redes neurales de clasificar especímenes deficientes de FX se examinó en varios cortes diagnósticos. En la Figura 24 se muestran las áreas bajo las curvas ROC para niveles de corte de una actividad de FX del 10%, 30% y 50%. Los resultados indican que se observó una clasificación cada vez peor (según se expresa en las pequeñas áreas bajo las curvas ROC) cuando se usaron niveles de corte más altos. Esto fue cierto en clasificaciones a partir de redes neurales o tiempos de coagulación de TP.

Cálculo de la red neural de concentración de factor

Las redes neurales también fueron entrenadas para calcular las concentraciones reales de proteína (en contraposición a la clasificación de positivo/negativo en un corte definido) para FII, FV, FVII, FVIII, FIX, FX, FXI, FXII y fibrinógeno. En la Figura 25 se muestran los coeficientes de correlación lineal de las concentraciones calculadas y medidas para todos los experimentos, y en la Figura 26 se muestran diagramas de los datos de correlación para fibrinógeno y en la Figura 27 para FX. Los datos de correlación entre el tiempo de coagulación de TP y de TPTA y las concentraciones medidas también se muestran en la Figura 25 a efectos de comparación.

Ejemplo Mapas de característica auto-organizados

Se usaron redes neurales que usaban mapas de característica auto-organizados y cuantificación del vector de aprendizaje para analizar datos ópticos a partir de pruebas clínicas de coagulación. Los mapas de característica auto-organizados que usaban un algoritmo de aprendizaje no supervisado fueron entrenados con datos de donantes normales, de pacientes con niveles anómalos de proteínas de coagulación y de pacientes que recibían tratamiento con anticoagulantes. Las categorías de especímenes se distinguían en estos mapas con niveles variables de determinación. Se usó un procedimiento de red neural supervisada, cuantificación del vector de aprendizaje, para entrenar mapas para la clasificación de datos de coagulación. Estas redes mostraron una sensibilidad superior a 0,6 y una especificidad superior a 0,85 para la detección de varias deficiencias de factor y de heparina.

Un enfoque alternativo para analizar datos de TP y de TPTA con redes neurales artificiales (como se establece en el Ejemplo 1) es usando mapas de característica auto-organizados. Los mapas de característica auto-organizados sólo contienen capas de neuronas de entrada y de salida y no contienen capas ocultas. El entrenamiento se basa en un aprendizaje competitivo en el que las neuronas de salida compiten entre sí para que se activen y sólo se activa una neurona de salida para cualquier conjunto determinado de entradas. Las neuronas de salida se ajustan selectivamente a ciertos patrones de entrada y los datos con características similares tienden a agruparse en el espacio. Este tipo de red neural puede usar un algoritmo de aprendizaje no supervisado o supervisado. Cuando se usa un procedimiento no supervisado, tal como el algoritmo de mapas auto-organizados (SOM), los patrones de entrada no identificados se presentan a la red durante el entrenamiento y la salida para cada patrón de entrada es la coordenada de la neurona ganadora en la capa de salida, o mapa. Cuando se usa un procedimiento supervisado, tal como cuantificación del vector de aprendizaje (LVQ), los patrones de entrada se presentan junto con una clasificación de muestra conocida a la red durante el entrenamiento y la salida es una única clasificación pronosticada. El procedimiento de LVQ es similar al de SOM, excepto en que el mapa está dividido en clases y el algoritmo intenta apartar las salidas de las fronteras entre estas clases.

MDA Simplastin L (reactivo de TP), MDA Platelin L (reactivo de TPTA) y otros reactivos se obtuvieron de Organon Teknika Corporation, Durham, NC 27712, USA, salvo que se indique lo contrario. Los plasmas de factor-deficiente para pruebas de factor se obtuvieron de Organon Teknika y George King Bio-Medical Corporation, Overland Park, Kansas 66210, USA. Otros plasmas de factor-deficiente se obtuvieron de HRF, Raleigh, NC 27612, USA. Las muestras aleatorias, los especímenes de pacientes que recibían tratamiento con heparina o anticoagulantes orales y otros especímenes se obtuvieron del Duke University Medical Center Coagulation Laboratory (Laboratorio de Coagulación del Centro Médico de la Universidad de Duke).

Todas las pruebas se llevaron a cabo en analizadores de coagulación MDA 180 (Organon Teknika). Las mediciones ópticas para las pruebas de TP y de TPTA se llevaron a cabo a una longitud de onda de 580 nm. Los especímenes de plasma (n=200) incluían pacientes normales, pacientes con diversas deficiencias y pacientes que recibían tratamiento con heparina u otro anticoagulante. Se llevaron a cabo pruebas de TP y de TPTA duplicadas en cada espécimen usando dos analizadores MDA 180 para dar un total de, aproximadamente, 800 conjuntos de parámetros de los 200 especímenes. La cantidad total varió ligeramente por los datos perdidos debido a muestra insuficiente, fallo mecánico o fallos indeterminados. También se examinó a estos especímenes para determinar la concentración de factores de coagulación (FII, FV, FVII, FVIII, FIX, FX, FXI, FXII), de heparina y de fibrinógeno. El corte diagnóstico para definir deficiencias de factor se estableció en el 30%, es decir, especímenes con una concentración medida inferior al 30% de lo normal, para un factor específico, se definieron como deficientes y los que tenían una actividad superior al 30% se definieron como no-deficientes. Las muestras se definieron como positivas para heparina si la concentración de heparina medida fue superior a 0,05 IU/ml.

Procesamiento de datos ópticos

Se exportaron ficheros de datos de perfil óptico desde los MDA 180 y se procesaron fuera de línea. Se estableció un conjunto de nueve parámetros para describir los tiempos, la proporción y la magnitud de los acontecimientos de coagulación para pruebas de TP y de TPTA, como descrito anteriormente. En este enfoque, los datos ópticos para una prueba de TP o de TPTA se dividieron en tres segmentos (un segmento de pre-coagulación, un segmento de coagulación y un segmento de post-coagulación) usando divisiones a partir del valor mínimo y máximo de la segunda derivada para cambios en la señal óptica en relación con el tiempo. Los parámetros incluían: 1) los tiempos en que se producía el inicio, el punto medio y el final de la fase de coagulación, 2) inclinaciones medias para la fase de pre-coagulación y post-coagulación y la pendiente en el punto medio de coagulación, 3) períodos de "aceleración" y "desaceleración" de coagulación y (4) la magnitud del cambio de señal durante la coagulación.

Algoritmo de mapas auto-organizados

Una red neural de mapa de característica auto-organizado comprende capas de entrada y de salida de neuronas. El algoritmo de mapa auto-organizado (SOM) transforma un vector de entrada (un conjunto de parámetros de datos ópticos de TP o de TPTA para una única prueba) en una neurona individual de salida, cuya ubicación en la capa de salida, o mapa, corresponde a características de los datos de entrada. Estas características tienden a estar correlacionados en el espacio en el mapa. Hay cinco etapas en el proceso de aprendizaje del SOM:

1. Se escogen al azar vectores de tiempo únicos w_{j}(0).

2. Se selecciona una muestra del conjunto de entrenamiento.

3. Se identifica la neurona ganadora que mejor se ajusta i(x) en el tiempo n usando el criterio de mínima-distancia de Euclides.

i(x)= arg min {||x(n)-w, (n)||}

4. Se actualizan los vectores de peso de todas las neuronas con la fórmula

1

en la que \alpha(n) es el parámetro de tasa de aprendizaje y N_{c}(n) es la función de vecindad centrada alrededor de la neurona ganadora i(x); tanto \alpha(n) como N_{c}(n) varían dinámicamente durante el entrenamiento.

5. Las etapas de la 2 a la 4 se repiten hasta que el mapa alcanza un equilibrio.

Las pruebas de SOM se llevaron a cabo usando el paquete de programas de mapa auto-organizado (SOM_PAK) comercializado por la Helsinki University of Technolgy, Laboratory of Computer Sciences (Universidad de Tecnología de Helsinki, Laboratorio de Ciencias Informáticas). Se usaron dos conjuntos de parámetros diferentes como entrada a los SOM: (1) los nueve parámetros de la prueba de TP y (2) los nueve parámetros de una prueba de TPTA. Todos los conjuntos de datos (786) se usaron para entrenar a los SOM. Un mapa de 10x10 fue entrenado usando una vecindad hexagonal en dos fases. En la primera fase, el mapa fue entrenado durante 1000 épocas (una época es un ciclo a través de todos los conjuntos de datos) con un parámetro de tasa de aprendizaje inicial de 0,5 (disminuyendo linealmente hasta cero durante el entrenamiento) y un radio de vecindad de 10 (diminuyendo linealmente hasta 1 durante el entrenamiento). En la segunda fase, el mapa fue entrenado durante 10000 épocas usando un parámetro de tasa de aprendizaje de 0,1 y un radio de 3.

Cuantificación del vector de aprendizaje

La cuantificación del vector de aprendizaje (LVQ) es un algoritmo de aprendizaje supervisado usado, a menudo, para ajustar exactamente los mapas de característica auto-organizados para usarlos como un clasificador de patrones. La exactitud de clasificación del mapa mejora separando los vectores de peso de las superficies de decisión que demarcan los límites de clase en el mapa topológico. Existen varias variaciones del algoritmo de LVQ. Se hace referencia, a la que se usa en este estudio, como LVQ1. El proceso de aprendizaje es similar al algoritmo de SOM descrito anteriormente, excepto en que se incluyen las clasificaciones de muestra conocida cuando se actualizan los vectores de peso (etapa 4).

1. Se escogen al azar vectores de tiempo iniciales w_{j}(0).

2. Se selecciona una muestra del conjunto de entrenamiento con una clasificación conocida.

i(x) = arg min{||x(n)-w_{j}(n)||}

4. Se actualizan los vectores de peso de todas las neuronas con la fórmula

2

en la que C_{w} es la clase asociada con el vector W_{i} y C_{x} es la clase asociada con el vector de entrada x.

Las pruebas de LVQ se llevaron a cabo usando el paquete de programas de cuantificación del vector de aprendizaje (LVQ_PAK), también comercializado por la Helsinki University of Technolgy, Laboratory of Computer Sciences. Se usaron los conjuntos de parámetros de las pruebas de TPTA o de TP para las redes de LVQ. Los conjuntos de parámetros de datos se dividieron equitativamente en conjuntos de entrenamiento y de validación cruzada al azar por espécimen, en los que todos los duplicados de un espécimen determinado se agruparon en el conjunto de validación cruzada o en el conjunto de entrenamiento. En todo este estudio se usaron los mismos conjuntos de entrenamiento y de validación cruzada. Las redes de LVQ fueron entrenadas para clasificar muestras de plasma en dos categorías, positiva (especímenes factor-deficientes o especímenes de pacientes que recibían tratamiento con anticoagulantes) y negativa (no deficiente o ningún tratamiento con anticoagulante) y los resultados se compararon con la clasificación a partir de la concentración de factor medida o estado terapéutico de los especímenes. El entrenamiento de LVQ se llevó a cabo usando 200 vectores de peso, 10000 épocas, un parámetro inicial de tasa de aprendizaje de 0,5 (disminuyendo linealmente hasta 0) y 7 vecindades usadas en la clasificación knn.

Las redes de LVQ se valoraron usando la sensibilidad (el porcentaje de especímenes positivos conocidos que fueron clasificados correctamente por la red como positivos), la especificidad (el porcentaje de especímenes negativos conocidos que fueron correctamente clasificados por la red como negativos), el valor de predicción positivo (VPP), el valor de predicción negativo (VPN) y la eficiencia. Estos términos se definen a continuación, en los que VP, VN, FP y FN corresponden a clasificaciones de verdadero positivo, verdadero negativo, falso positivo y falso negativo, respectivamente.

sensibilidad = \frac{TP}{TP + FN}

especifidad = \frac{TN}{FP+TN}

PPV = \frac{TP}{TP + FP}

NPV = \frac{TN}{TN + FN}

eficiencia = \frac{TN + TP}{TP + FP + FN + TN}

Algoritmo de mapa auto-organizado

Los mapas de característica auto-organizados fueron entrenados usando, como entrada, parámetros de datos ópticos de los datos de TP o de los de TPTA, de 200 especímenes. La salida de la red comprendía coordenadas de mapa para cada espécimen. Se elaboraron diagramas de contorno para seis categorías de clasificaciones de espécimen conocido: donantes normales, especímenes con heparina >0,05 IU/ml, fibrinógeno >600 mg/dl, fibrinógeno <200 mg/dl, pacientes que recibían anticoagulantes orales y especímenes factor-deficiente (especímenes con <30% de la actividad normal para FII, FV, FVII, FVIII, FIX, FX, FXI o FXII). Estos diagramas de contorno representan la distribución de especímenes dentro de una categoría de acuerdo con sus coordenadas del mapa.

Figura 28: Diagramas de contorno para poblaciones de muestras usadas en el entrenamiento de un mapa de característica auto-organizado que usaban el SOM de datos de pruebas de TPTA. Se usaron parámetros de datos ópticos de 765 pruebas de TPTA para entrenar ese mapa de característica auto-organizado. Las zonas sombreadas representan la distribución de las neuronas de salida para poblaciones de especímenes específicos dentro del mapa de característica. Cada línea de contorno representa una etapa del aumento de un resultado de la prueba situado en un conjunto determinado de coordenadas del mapa.

La Figura 28 muestra diagramas de contorno de SOM establecidos a partir de datos ópticos de TPTA para las seis categorías de especímenes. Los especímenes que contenían fibrinógeno bajo y fibrinógeno alto fueron clasificados en ángulos opuestos del SOM con ninguna superposición. Las poblaciones normales mostraron alguna superposición con las categorías de fibrinógeno bajo, factor deficiente y anticoagulantes orales. Se espera una superposición entre los especímenes normales y los bordes de las poblaciones con fibrinógeno alto y bajo, ya que un porcentaje de donantes sanos tiene niveles de fibrinógeno que son inferiores o superiores a lo normal. Tampoco sorprende la superposición entre el trazado de especímenes normales y de plasmas factor-deficientes, ya que las pruebas de TPTA son sensibles a ciertas deficiencias de factor (pero no a otras), mientras que las pruebas de TP son sensibles a un subconjunto separado de deficiencias de factor. La categoría de fibrinógeno bajo tendió a superponerse a la categoría factor-deficiente, de acuerdo con nuestra observación de que muchos especímenes de factor-deficiente también tenían niveles de fibrinógeno reducidos. La categoría de heparina tendió a superponerse a la categoría de fibrinógeno alto, nuevamente de acuerdo con los niveles medidos de fibrinógeno para estos especímenes. Se observó una pequeña o ninguna superposición entre especímenes normales y especímenes que contenían heparina. Los especímenes de pacientes que recibían tratamiento con anticoagulantes orales muestran una superposición importante tanto con poblaciones normales como con poblaciones con heparina. Esto coincide con las propiedades conocidas de las pruebas de TPTA, que son sensibles a tratamientos con heparina, pero relativamente insensibles a tratamientos con anticoagulantes orales.

Figura 29: Diagramas de contorno para poblaciones de muestras usadas en el entrenamiento de un mapa de característica auto-organizado que usaba el SOM de procedimiento de entrenamiento no supervisado a partir de datos ópticos de 765 pruebas de TP. Los datos experimentales son según se describe en el apartado de Materiales y Procedimientos y en la Figura 28.

En la figura 29 se muestran diagramas de contorno para mapas de característica auto-organizados entrenados con datos de TP. Los resultados son similares a los de los mapas a partir de datos de TPTA en varios aspectos: (1) los fibrinógenos altos y bajos se determinaron bien en los lados opuestos del mapa, (2) los especímenes normales se localizaron en una zona que se superponía ligeramente a los especímenes con fibrinógeno bajo, (3) los especímenes factor-deficiente fueron distribuidos entre zonas que no se superponían y zonas que se superponían a las poblaciones con fibrinógeno bajo y normales. La superposición coincidía con el fibrinógeno medido de algunos especímenes y en otros con la poca sensibilidad de los reactivos de TP a algunas deficiencias de factor. (4) Los especímenes con anticoagulantes orales mostraban cierta superposición tanto con poblaciones normales como con poblaciones con heparina y (5) la población con heparina se distribuyó sobre una gran parte del mapa. La superposición entre especímenes con heparina y poblaciones con fibrinógeno alto coincidían con niveles de fibrinógeno medidos. La determinación de la población con heparina es un tanto sorprendente, teniendo en cuenta que los reactivos de TP son relativamente insensibles a la heparina.

Estos resultados indican que los mapas de característica auto-organizados son capaces de distinguir diferencias en parámetros de datos ópticos a partir de pruebas de TPTA y de TP incluso cuando no se presenta ninguna información a la red neural en relación con el diagnóstico del espécimen. La determinación de poblaciones de especímenes fue variable, dependiendo de las propiedades del reactivo y las sensibilidades, y de si los especímenes pertenecían a una categoría determinada únicamente o a múltiples categorías superpuestas.

Cuantificación del vector de aprendizaje

Dieciocho redes de LVQ fueron entrenadas para predecir la presencia o ausencia de una deficiencia de factor o estado terapéutico específicos a partir de datos ópticos de TPTA o de TP. En la Figura 30 se resumen los resultados de los datos de validación cruzada. En estudios anteriores se llegó a la conclusión de que las redes neurales de propagación hacia atrás eran capaces de una sensibilidad >0,6 mientras que mantenían una especificidad >0,9 para todos los factores, salvo FVII, usando una elección adecuada de los datos de TP y de TPTA por separado o en combinación. En este estudio las redes de LVQ que usaban datos de TPTA dieron una sensibilidad >0,6 con una especificidad >0,85 para los factores II, X, XI y XII y heparina. Las redes de LVQ que usaban datos de TP fueron capaces de alcanzar una sensibilidad >0,6 mientras mantenían una especificidad >0,85 para los Factores II, X, y XI y heparina (Figura 30). Los resultados de las redes de LVQ mostraron menos sensibilidad para predecir deficiencias de FVII, de acuerdo con los resultados de las redes de propagación hacia atrás. Para FV, FVIII y FIX, la sensibilidad para predecir deficiencias de grupos de validación cruzada de LVQ fue, por lo general, inferior (<0,35) a la de los factores II, X, XI y XII.

Ejemplo Disfunción hemostática (por ejemplo, coagulación intravascular diseminada (CID))

En una forma de realización adicional de la invención, no sólo se puede detectar una anomalía concreta (disfunción hemostática), sino que además se puede controlar la evolución de la enfermedad en un único paciente. La disfunción hemostática, según se usa en la presente memoria descriptiva, es la activación de la coagulación antes del inicio de la formación del coágulo, lo que tiene como consecuencia una forma de onda bifásica.

La falta de un indicador de diagnóstico anticipado, útil y del que se pueda disponer rápidamente ha dificultado el pronóstico de la coagulación intravascular diseminada (CID - un tipo de disfunción hemostática). Se ha descubierto que la invención no sólo es útil como un indicador de diagnóstico anticipado y de control único de CID, sino que además los cambios cuantificables y estandarizables permiten una aplicabilidad de predicción en la gestión clínica.

La coagulación intravascular diseminada (CID) es una respuesta secundaria a la patología preexistente en la que la respuesta hemostática está perturbada y diseminada en contraposición a los acontecimientos convergentes de la hemostasis normal. A pesar de las mejoras tanto en la gestión del cuidado intensivo de los pacientes como en nuestro conocimiento básico de los mecanismos hemostáticos en CID, la supervivencia en este grupo de pacientes todavía resulta muy desalentadora. Fundamental para la gestión de esta complicación es la implementación de un tratamiento agresivo dirigido a prevenir o erradicar la patología principal como la fuente del estímulo de inicio. No obstante, desde el punto de vista práctico, el problema sigue siendo el de una identificación anticipada de CID para facilitar una intervención inmediata y adecuada. Aunque el arsenal tecnológico del que dispone el investigador clínico ha aumentado enormemente, el porcentaje de CID agudo descarta la mayoría de las pruebas más específicas y se sigue confiando en las pruebas tradicionales de detección selectiva, tales como la de protrombina (TP), de tiempo parcial de tromboplastina activada (TPTA) y de recuento de trombocitos. Individualmente, estas pruebas carecen de especificidad y sólo son útiles en el diagnóstico de CID si llevan a otras determinaciones de fibrinógeno y de productos de disgregación de fibrina/D-dimers (determinadores del dímero D). No obstante, puede que los cambios en estos parámetros no se produzcan todos a la vez y, como tal, a menudo son necesarias pruebas en serie que, inevitablemente, llevan a una demora en el diagnóstico y en una intervención clínicamente útil.

La apariencia sigmoidal normal de una forma de onda de transmitancia (TW) de TPTA cambia a una apariencia "bifásica" en los pacientes con CID. Esto representa una pérdida en la parte horizontal del diagrama de un TPTA-TW normal, con desarrollo de una pendiente inicial de gradiente baja seguida de una pendiente mucho más empinada (Figuras 32a y b). Además, se puede observar este patrón bifásico incluso cuando el resultado del tiempo de coagulación de TPTA es normal.

Muestras de sangre recién recogidas que requerían un TP o un TPTA se analizaron, de manera prospectiva, durante dos semanas de trabajo. Se analizaron en 0,105M de citrato trisódico en la proporción de 1 parte de anticoagulante por 9 partes de sangre completa y el plasma pobre en trombocitos se analizó en el MDA (analizador discreto multicanal) 180, un analizador automatizado para llevar a cabo pruebas clínicas de laboratorio de coagulación que usa un sistema de detección óptica (Organon, Teknika Corporation, Durham, NC, USA). Además para establecer los tiempos de coagulación tanto de TP (normal 11,2-15s) usando MDA Simplastin LS y de TPTA (normal 23-35s) usando MDA Platelin LS con 0,025M de cloruro cálcico (Organon Teknika Corporation), en cada ocasión se llevó a cabo un análisis de la TW para el TPTA a una longitud de onda de 580nm. Para cuantificar el perfil visual se registró la cantidad de transmitancia de la luz en 25 segundos. Una forma de onda normal tiene una transmitancia de la luz del 100% que se representa en el analizador y en la Figura 32a sin el punto decimal, como 10000. Como tal, un cambio bifásico tendrá una transmitancia de la luz reducida, inferior a 10000. Por lo tanto, los niveles decrecientes de la transmitancia de la luz se correlacionan directamente con la inclinación creciente de la pendiente bifásica. El registro de la transmitancia de la luz en 25 segundos también permite la estandarización entre pacientes y, dentro del mismo paciente con el tiempo. Si por el contrario se usara el nivel mínimo de transmitancia de la luz para cada muestra, este se vería afectado por las variaciones a lo largo del tiempo de coagulación del TPTA y, por lo tanto, no sería lo ideal a efectos de comparaciones.

Para asegurarse de que no se pasaba por alto ningún caso de CID, se siguió el siguiente criterio. Si (a) se encontraba una TW bifásica anómala o (b) se solicitaba una selección de CID específica, o (c) si había una prolongación en el TP o en el TPTA en ausencia de un tratamiento con anticoagulantes obvio, se llevaba a cabo una selección de CID completa. Esto incluiría además el tiempo de trombina (TT) (normal 10,5-15,5 segundos), el fibrinógeno (Fgn) (normal 1,5-3,8 g/l) y el cálculo de los niveles de D-dimer (normal < 0,5 mg/l) en el Nyocard D-Dimer (Nycomede Pharma AS, Oslo, Noruega). Se registraron los recuentos de trombocitos (Plt) (normal 150-400 10^{9}/1) llevados a cabo en una muestra de EDTA a la vez. Además, se aclararon completamente los datos clínicos de los pacientes con una TW bifásica o anomalías de coagulación que coincidían con CID.

El diagnóstico de CID se definió rigurosamente en el contexto tanto de hallazgos de laboratorio como de hallazgos clínicos de al menos 2 anomalías en las pruebas de detección selectiva (TP aumentado, TPTA aumentado, Fgn reducido, TT aumentado o Plt reducido) más el hallazgo de un nivel de D-dimer elevado (> 0,5 mg/l) en asociación con un estado primario reconocido en la patogénesis de CID. También se disponía de pruebas de detección selectiva en serie de esos pacientes para trazar la evolución y confirmación del diagnóstico de CID, como eran, gestión y valoración clínica directas. Para los análisis estadísticos, se calcularon los valores de la sensibilidad, la especificidad, la predicción positiva y negativa de la TPTA-TW para el diagnóstico de CID utilizando una tabla de dos a dos. Los intervalos de confianza (IC) del 95% se calcularon por el procedimiento del binomio exacto.

Se analizaron un total de 1.470 muestras. Las mismas eran de 747 pacientes. 174 muestras (11,9%) de 54 pacientes tenían el cambio de forma de onda bifásica. 22 de estos 54 pacientes tenían más de 3 muestras sucesivas disponibles para análisis. Se diagnosticó CID en 41 pacientes, de los que 30 necesitaron un apoyo con transfusión de plasma recién congelado, crioprecipitado o trombocitos. Los trastornos clínicos subyacentes como se muestra en la Tabla 1

TABLA 1 Trastornos clínicos que predisponen a pacientes a CID

Trastorno	Nº
Infecciones	17
Traumatismo o reciente intervención quirúrgica importante	16
Tumor maligno	2
Enfermedad hepática	1
Causa obstétrica	1
Otras causas adicionales*	4
*Incluye hipoxia, acidosis, sobredosis de litio y rechazo a un injerto

40 de los 41 pacientes con CID tuvieron TW bifásica. El único resultado de falso negativo (CID sin una TW bifásica) se produjo en un paciente con pre-eclampsia (PET) en el que la única muestra disponible para el análisis mostró un TP prolongado de 21,0s, un TPTA de 44,0s y D-dimers elevados de 1,5 mg/l. En este estudio, a otros 5 pacientes se les identificó PET y ninguno tenía ni CID ni una TW bifásica. De los 14 pacientes que tenían una TW bifásica que no cumplía con los criterios de CID, todos tenían algún indicio de una coagulopatía con anomalías en una o dos de las pruebas de detección selectiva. Estos resultados anómalos no alcanzaron el criterio para CID, según se define anteriormente. 4 de estos 14 pacientes tenían enfermedades hepáticas crónicas con un TP prolongado y una trombocitopenia leve. Otros 2 pacientes tenían fibrilación atrial con aumento aislado sólo de niveles D-dimer. Los 8 pacientes restantes estaban en la UCI con múltiples disfunciones de órganos desencadenadas por traumatismos o por supuesta infección, pero sin los clásicos cambios de laboratorio de la CID. Los perfiles de estos pacientes se describieron en la UCI como que coincidían con el "síndrome de respuesta inflamatoria sistémica" (SRIS). A partir de estas cifras, la TW bifásica tiene una sensibilidad del 97,6% para el diagnóstico de CID con una especificidad del 98%. Se descubrió que el uso de una forma de onda de transmitancia óptica era útil para detectar la forma de onda bifásica.

TABLA 2 Comportamiento del análisis de la forma de onda de la transmitancia (TW) en pacientes con y sin CID

	TW Bifásica	TW Normal	Total
CID positiva	40	1	41
CID negativa	14	692	706
Total	54	693	747
Sensibilidad 97,6% (IC 85,6-99,9%), Especificidad 98,0% (IC 96,6-98,9%), Valor de predicción positivo
74,0% (IC 60,1-84,6%), Valor de predicción negativo 99,9% (IC 99,1-99,9%)

El valor de predicción positivo de la prueba fue 74%, que aumentó con una inclinación creciente de la pendiente bifásica y con unos niveles decrecientes de la transmitancia de la luz (Tabla 2 y Figura 33). En los dos primeros días del estudio, había 12 pacientes que tenían una anomalía en las pruebas de coagulación, más aumento de los niveles de D-dimer. Eran pacientes que se estaban recuperando clínicamente de una CID que se produjo la semana anterior al estudio. Esto hace pensar que los cambios de TW podrían correlacionarse más estrechamente con acontecimientos clínicos que los indicadores estándar de CID.

TABLA 3 Resultados en serie en un paciente con sepsis

3

La disponibilidad de más de 3 muestras sucesivas en 22 pacientes permitió otra valoración. La Tabla 3 muestra dicho ejemplo con resultados de una prueba en serie de un paciente con septicemia por E. coli.

La aparición de una TW bifásica precedía a cambios en las pruebas estándar para el diagnóstico de CID. Sólo al final del día los niveles de TP, de TPTA, de Plt y de D-dimer fueron anómalos y cumplían con el criterio de diagnóstico de CID. El tratamiento con antibióticos intravenosos llevó a una mejoría clínica hacia el Día 2 con normalización de su TW antes de los parámetros estándar de CID. Los D-dimers y el Plt seguían siendo anómalos 24 y 48 horas después, respectivamente.

Esta correlación entre los acontecimientos clínicos y los cambios de TW se observó en todos los pacientes con CID de los que se disponía de muestras para trazar el desarrollo de los acontecimientos clínicos. Como los cambios de TW eran cuantificables y estandarizables mediante el registro del nivel de transmitancia en 25 segundos, este análisis proporcionaba una ayuda para valorar la aplicabilidad del pronóstico. La Figura 34 muestra los resultados de un paciente que inicialmente presentaba peritonitis después de una perforación de intestino. Esto se complicó aún más, desde el punto de vista post-operativo, por septicemia Gram-negativa con un empeoramiento inicial de CID seguida de una recuperación gradual tras el tratamiento adecuado. Según progresaba la CID inicialmente, hubo una inclinación creciente en la pendiente bifásica de la TW y una caída en el nivel de transmitancia de la luz. Una inversión de esto anunciaba una recuperación clínica. La Figura 35 muestra los resultados de un paciente que sufrió graves heridas internas y externas después de un accidente de moto de agua. Aunque inicialmente se estabilizó con apoyo de un producto sanguíneo, su estado empeoró con continua pérdida de sangre y desarrollo de CID fulminante. La pendiente bifásica fue cada vez más empinada con caídas en el nivel de transmitancia a medida que las consecuencias de sus heridas resultaron mortales.

Dado que puede desencadenarse CID a partir de diversos trastornos primarios, las manifestaciones clínicas y de laboratorio pueden ser muy variables no sólo de paciente a paciente, sino también en el mismo paciente con el tiempo. Por lo tanto, son necesarios sistemas que no sólo sean sólidos en su diagnóstico sino sencillos y rápidos de llevar a cabo. Aunque se ha demostrado que la TW bifásica parecía ser sensible para la disfunción hemostática (por ejemplo, CID) y no se observó en otros grupos de pacientes seleccionados con anomalías de coagulación o influenciados por (i) variables pre-analíticas, (ii) diferentes reactivos de TPTA con base de sílice, (iii) el uso de trombina como el iniciador de la reacción de coagulación o (iv) tratamiento en forma de heparina o expansores del plasma, la solidez de esta prueba para CID sólo se podría tratar a través de un estudio futuro. Este estudio ha demostrado que la TW bifásica proporciona una exactitud de diagnóstico en CID con una sensibilidad total del 97,6% y una especificidad del 98%. Por el contrario, ninguno de los parámetros estándar individualmente (es decir, TP, TPTA, TT, Fgn, Plt, D-dimers) o incluso en combinación, ha alcanzado nunca el grado de sensibilidad o especificidad. La fácil disponibilidad de datos de TW del analizador MDA-180 también cumpliría con el criterio de simplicidad y rapidez a diferencia de las mediciones de trombina-antitrombina complejas u otros indicadores que dependen de la tecnología ELISA. Además, las ventajas del análisis de TW son que: (a) el cambio de TW bifásica parece ser la única correlación más útil dentro de una muestra aislada para CID y como tal, ya no es necesario confiar en cálculos en serie de una serie de pruebas y (b) la aparición o determinación de la TW bifásica puede preceder a cambios en los parámetros estándar y tradicionales controlados en CID con una correlación sólida y clara con los acontecimientos clínicos y las consecuencias.

Si bien la TW bifásica también se observó en pacientes que no tenían CID per se como definido por el criterio anterior, los estados clínicos se asociaron con disfunción hemostática, concretamente, coagulación activada antes del inicio de la formación del coágulo que tuvo como resultado una forma de onda bifásica (por ejemplo, en una enfermedad hepática crónica o en pacientes muy enfermos en la Unidad de Cuidados Intensivos que tenían múltiples disfunciones de órganos). Parece que la TW bifásica es sensible a CID no-evidente o compensada y que un nivel de transmitancia inferior al 90% (Figura 33) o sucesivas caídas en ese nivel (Figura 35), refleja descompensación hacia una forma de manifestación más evidente y potencialmente fulminante de CID. Esta línea de explicación está respaldada por la observación de sólo una TW bifásica leve (nivel de transmitancia de, aproximadamente, el 95%) en 2 pacientes con fibrilación atrial, un estado que está asociado con una activación de la coagulación leve y con niveles de D-dimer elevados. Dado que no se disponía de muestras de seguimiento de estos 2 pacientes, cuyos datos clínicos eran, por lo demás, poco interesante, su TW bifásica bien podría haber sido pasajera. No obstante, estos casos muestran que cuanto menor es el nivel de transmitancia de la luz, más probable es que la TW bifásica pueda predecir una disfunción hemostática, en particular, CID.

La observación de una TW normal en un paciente con PET y CID debe examinarse más a fondo, ya que no era un objetivo del estudio examinar grupos de pacientes concretos y sólo tenía un total de 6 pacientes con PET, de los cuales los 5 pacientes restantes no tenían CID. Otra explicación que podría estar respaldada por otros hallazgos en este estudio es que el paciente se podría haber recuperado de PET y de CID en el momento de la muestra. La TW bifásica se pudo haber normalizado antes que los otros parámetros que todavía eran anómalos e indicativos de CID. Otra explicación es que el proceso hemostático trastornado en PET está más localizado y es diferente de la CID que se desencadena debido a otros estados. Este tipo de pacientes responde de manera espectacular al alumbramiento del feto, lo que sugiere una localización anatómica del proceso patológico en la placenta a pesar de las pruebas estándar de laboratorio de coagulación que suponen indicios sistémicos del estado.

Ejemplo

Si bien el análisis de la transmitancia en un tiempo de 25 segundos es útil para predecir CID, en una segunda forma de realización se ha descubierto que mejora enormemente la sensibilidad y la especificidad. Se ha descubierto que observar la transmitancia en un tiempo concreto puede tener como resultado la detección de un artefacto u otra disminución en la transmitancia en ese punto, aun cuando la forma de onda no sea una forma de onda bifásica. Por ejemplo, un descenso temporal en la transmitancia en 25 segundos provocaría que dicha muestra del paciente se marcara como bifásica, aun cuando la forma de onda era normal o al menos no era bifásica. Asimismo, si una muestra del paciente tenía un tiempo de coagulación especialmente corto, por lo tanto, si la formación del coágulo comienza, por ejemplo, antes de 25 segundos (o el tiempo que se preseleccione), entonces la forma de onda se podría marcar como bifásica, aun cuando la razón real de la disminución de la transmitancia en 25 segundos sea porque la formación del coágulo ya ha comenzado/se ha producido.

Por este motivo, se ha descubierto que más que un análisis de la transmitancia en un tiempo concreto es preferible calcular la pendiente de la forma de onda antes del inicio de la formación del coágulo. Este cálculo puede suponer una determinación de la pendiente de la forma de onda antes del tiempo de coagulación. En una forma de realización adicional, la pendiente (no la transmitancia) se determina antes del tiempo de coagulación o antes de un período de tiempo preseleccionado, el que sea inferior. Como se puede observar en la Figura 42, cuando la transmitancia se usa para determinar, por ejemplo, CID, hay poca especificidad y sensibilidad. No obstante, como se puede observar en la Figura 40, cuando se usa la pendiente antes del inicio de la formación del coágulo, la especificidad y la sensibilidad mejoran enormemente, y son mejores que las pruebas estándar usadas en el diagnóstico de una disfunción hemostática, tal como CID.

Se llevaron a cabo pruebas adicionales en tres conjuntos de pacientes. El primer conjunto estaba compuesto por 91 pruebas de TPTA realizadas en muestras de 51 pacientes diferentes con CID confirmada. El segundo conjunto de datos estaba compuesto por 110 pruebas de TPTA realizadas en muestras de 81 pacientes diferentes confirmados como normales. El tercer conjunto de datos incluía 37 pruebas de TPTA realizadas en 22 muestras anómalas y sin-CID. La Fig. 36 muestra los diagramas ROC relativos a la predicción de CID para los tres parámetros diferentes establecidos a partir de una prueba de TPTA que usaba el conjunto de datos combinados descrito: (1) transmitancia en 25 segundos (TR25), (2) tiempo de coagulación de TPTA y (3) pendiente 1 (la pendiente hasta el inicio de la formación del coágulo). La pendiente 1 mostró el mejor poder de predicción, seguida de TR25. También se ha demostrado que la transmitancia en 18 segundos tiene un valor de predicción, en particular cuando el tiempo de coagulación de TPTA es inferior a 25 segundos. En la Tabla 4 se relacionan los "cortes" asociados con la eficacia más alta para los tres parámetros:

TABLA 4

Parámetro	Corte
TR25	< 9700
Tiempo de coagulación	> 35
Pendiente 1	< -0,0003

Se debería tener en cuenta que estos cortes han cambiado con la adición del tercer conjunto y posiblemente volverán a cambiar, dependiendo de las poblaciones de la muestra. Las Figuras 37 y 38 muestran los histogramas relativos a la CID, a poblaciones normales y a anómalas/sin-CID, para una TR25 y una pendiente 1, respectivamente. Las Tablas 5 y 6 muestran los datos de los histogramas que aparecen en las Figuras 37 y 38, respectivamente:

TABLA 5

4

TABLA 6

6

Las Figuras 39 y 41 muestran las distribuciones de grupos relativas a la Pendiente 1 y a la TR25, respectivamente, y las Figuras 40 y 42 muestran las distribuciones de grupos relativas a la Pendiente 1 y a la TR25, respectivamente. Las Figuras 40 y 42 muestran subpoblaciones parciales de los datos que se muestran en las Figuras 39 y 41.

Cuando la predicción de una disfunción hemostática se lleva a cabo en un analizador automatizado o semi-automatizado, se puede marcar la forma de onda bifásica detectada. De este modo, se puede poner sobre aviso al operador de la máquina o a una persona que interprete los resultados de las pruebas (por ejemplo, un médico u otro profesional médico) de la existencia de una forma de onda bifásica y de la posibilidad/probabilidad de una disfunción hemostática, tal como CID. La marca se puede visualizar en una pantalla o se puede imprimir. El corte preferente para indicar una forma de onda bifásica es una pendiente inferior, aproximadamente, a -0,0003 o inferior a, aproximadamente, -0,0005. Una inclinación creciente en la pendiente antes de la formación del coágulo se correlaciona con la evolución de la enfermedad.

Los ejemplos anteriores muestran que el análisis de la forma de onda en la prueba de ATPP puede identificar patrones bifásicos característicos en pacientes con una disfunción hemostática. En la mayoría de los casos, esta disfunción se podría calificar como CID. Este perfil de forma de onda de diagnóstico se observó en todos los reactivos de TPTA examinados, que fueron sílice o base de ácido elágico. Sorprendentemente, también se ha descubierto que una forma de onda bifásica también se puede observar en las pruebas de TP con reactivos concretos, y que la forma de onda bifásica es, asimismo, indicativa de una disfunción hemostática, principalmente CID.

Usando muestras que dan formas de onda de TPTA bifásicas, se estableció el perfil de forma de onda de TP usando reactivos de TP (tromboplastina), concretamente, Recombiplast™ (Ortho), Thromborel™ (Dade-Behring) e Innovin™ (Dade-Behring). Tanto Recombiplast como Thromborel eran especialmente buenos en mostrar respuestas bifásicas. Innovin era intermedio en su sensibilidad. Usando el nivel de transmitancia en 10 segundos en la reacción de TP como el índice cuantitativo, objetivamente Recombiplast y Thromborel mostraron niveles de transmitancia de la luz inferiores a los del Innovin. Thromborel puede mostrar un ligero aumento en la transmitancia de la luz inicial antes de la subsiguiente caída. En parte, esto puede estar relacionado con la opacidad relativa del Thromborel.

Se llevaron a cabo otros estudios comparando los perfiles de TPTA que usaban Platelin™ y los perfiles de forma de onda de TP que usaban Recombiplast™. Durante un período de cuatro semanas se valoraron muestras consecutivas de la unidad de cuidados intensivos. Desde el punto de vista visual y sobre puntuaciones objetivas (comparando TL18 para TPTA y TL10 para TP), el perfil de TPTA fue más sensible que el perfil de TP a los cambios de disfunción hemostática y a la evolución clínica. Esta sensibilidad relativa se puede observar en el perfil de TPTA de la Figura 43 (Platelin) comparado con los perfiles de TP de la Figura 44 (Recombiplast) y de la Figura 45 (Thromborel S). Invariablemente, a pequeños cambios en la transmitancia de la luz, la forma de onda de TPTA detectó anomalías más fácilmente que la forma de onda de TP. No obstante, en grados graves de disfunción hemostática, ambos perfiles bifásicos coincidieron.

Claims

1. Un procedimiento para predecir la presencia de una disfunción hemostática en un paciente a partir de al menos un perfil de medición en función del tiempo, que comprende:

a) llevar a cabo al menos una medición en función del tiempo en una muestra desconocida y medir una propiedad respectiva a lo largo del tiempo a fin de establecer un perfil de medición en función del tiempo;

b) definir una variable predictora que defina, al menos en parte, los datos del perfil de medición en función del tiempo, estando compuesta dicha una variable predictora por la pendiente del perfil de medición en función del tiempo antes de la formación del coágulo;

c) establecer un modelo que represente la relación entre la disfunción hemostática y una variable predictora; y

d) hacer uso del modelo de la etapa c) para predecir la existencia de disfunción hemostática en el paciente.

2. Un procedimiento según la reivindicación 1, en el que dicho al menos un perfil de medición en función del tiempo es al menos un perfil óptico.

3. Un procedimiento según la reivindicación 2, en el que dicho al menos un perfil óptico se proporciona por medio de un analizador automatizado de pruebas de trombosis y hemostasis.

4. Un procedimiento según la reivindicación 2 o la reivindicación 3, en el que se toman a lo largo del tiempo una pluralidad de mediciones ópticas en una o más formas de onda, a fin de establecer dicho al menos un perfil óptico, correspondiendo dichas mediciones ópticas a cambios en la transmisión de la luz a través de la muestra del paciente.

5. Un procedimiento según cualquiera de las reivindicaciones 2 a 4, en el que se toman a lo largo del tiempo una pluralidad de mediciones ópticas, a fin de establecer dicho al menos un perfil óptico y en el que dicha pluralidad de mediciones ópticas cada una se normaliza a una primera medición óptica.

6. Un procedimiento según la reivindicación 3, en el que en la etapa a) dicho analizador proporciona automáticamente dicho al menos un perfil óptico, en el que dicha muestra conocida se lleva automáticamente, por medio de una sonda automatizada, desde un recipiente de muestras hasta un pozo de ensayo, uno o más reactivos se añaden automáticamente a dicho pozo de ensayo a fin de iniciar dichos cambios de propiedad dentro de dicha muestra y el desarrollo de dicha propiedad a lo largo del tiempo se controla automáticamente de manera óptica a fin de establecer dicho perfil óptico de datos.

7. Un procedimiento según la reivindicación 6, en el que tras la etapa d), se almacena automáticamente un desequilibrio o estado terapéutico congénitos o adquiridos pronosticados en una memoria de dicho analizador automatizado y/o se visualiza en dicho analizador automatizado.

8. Un procedimiento según la reivindicación 6 o la reivindicación 7, en el que en la etapa d) se llevan a cabo automáticamente una o más pruebas para confirmar la existencia de dicho desequilibrio o estado terapéutico congénitos o adquiridos.

9. Un procedimiento según la reivindicación 8, en el que dichas una o más pruebas de confirmación se ordenan automáticamente en dicho analizador y se llevan a cabo en éste, almacenándose los resultados de dichas una o más pruebas en una memoria de dicho analizador automatizado y/o visualizándose en dicho analizador.

10. Un procedimiento según cualquiera de las reivindicaciones precedentes, que comprende además: antes de la etapa a) proporcionar un conjunto de datos de muestras conocidas, datos que se usan en la etapa c) para establecer dicho modelo.

11. Un procedimiento según la reivindicación 10, en el que dichos datos de muestras conocidas se proporcionan llevando a cabo una pluralidad de pruebas en dichas muestras conocidas.

12. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que en la etapa a) se establecen una pluralidad de perfiles de medición en función del tiempo para su uso en la etapa b).

13. Un procedimiento según la reivindicación 12, en el que dicha pluralidad de perfiles de medición en función del tiempo incluyen al menos dos perfiles de pruebas iniciadas con reactivos de TP, reactivos de TPTA, reactivos de fibrinógeno y reactivos de TT.

14. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha muestra desconocida es una muestra de un paciente clínico y en el que en la etapa d) se hace uso tanto de dicho modelo como de los datos clínicos adicionales del paciente para predecir la existencia de dicho desequilibrio o estado terapéutico congénitos o adquiridos.

15. Un procedimiento según la reivindicación 14, en el que dichos datos clínicos adicionales del paciente incluyen una o más información de Fibrinógeno, D-dimer o recuento de trombocitos.

16. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que en la etapa (d) se lleva a cabo una pluralidad de veces la predicción de una disfunción hemostática a fin de controlar la evolución o la regresión de la enfermedad en el paciente.

17. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que la predicción de disfunción hemostática es una predicción de Coagulación Intravascular Diseminada.

18. Un procedimiento según la reivindicación 17, en el que dicha predicción de Coagulación Intravascular Diseminada es correcta en al menos el 75% de los casos pronosticados.

19. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicho perfil de medición en función del tiempo es una transmisión óptica a través de una muestra durante una prueba de TPTA o una prueba de TP.

20. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que en la etapa (b), la pendiente del perfil de medición en función del tiempo se toma desde el final del tiempo en blanco hasta inmediatamente antes del inicio de la formación del coágulo o de un período de tiempo predeterminado.

21. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicho perfil de medición óptica es un perfil de transmisión óptica y dicho uno o más parámetros incluyen la transmitancia mínima y/o el tiempo de coagulación.

22. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha disfunción hemostática pronosticada se debe a uno o más estados asociados con coagulación intravascular diseminada, que incluyen traumatismo, tumor maligno, intervención quirúrgica, ruptura del aneurisma aórtico y síndrome de respuesta inflamatoria sistémica.

23. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha predicción de la existencia de disfunción hemostática incluye el marcado de la existencia o la probabilidad de la disfunción hemostática.

24. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que la única variable predictora es dicha pendiente del perfil de medición en función del tiempo antes de la formación del coágulo.

25. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que la variable predictora de la pendiente del perfil de medición en función del tiempo antes de la formación del coágulo es una pendiente inferior a, aproximadamente, -0,0005.

26. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que la variable predictora de la pendiente del perfil de medición en función del tiempo antes de la formación del coágulo es una pendiente que es inferior a, aproximadamente, -0,0003.

27. Un procedimiento según la reivindicación 26, en el que dicha pendiente inferior a -0,0003 corresponde a la activación de la coagulación antes del inicio de la formación del coágulo.

28. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que la disfunción hemostática pronosticada se debe a una o más entre infección, traumatismo, intervención quirúrgica importante, tumor maligno, enfermedad hepática, embarazo y/o parto, hipoxia, acidosis, sobredosis de litio y rechazo a un injerto.

29. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que las etapas del procedimiento de la (a) a la (d) se llevan a cabo en un analizador automatizado o semi-automatizado, y dicho marcado es una alerta, a una persona que maneja dicho analizador o a una persona que lee o valora los resultados de una prueba realizada en dicho analizador, de que hay una posibilidad o probabilidad de disfunción hemostática en un paciente cuya muestra para prueba se ha realizado en el analizador y se ha marcado.

30. Un procedimiento según la reivindicación 29, en el que dicha alerta es una alerta en una impresión en papel o en una pantalla.

31. Un procedimiento según la reivindicación 27, en el que una pendiente inferior a -0,0003 provoca el marcado de la muestra del paciente, y en el que un aumento en la inclinación de la pendiente de prueba a prueba corresponde a la evolución de la enfermedad.

32. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha muestra del paciente es una sangre completa o una parte de la misma.

33. Un procedimiento según la reivindicación 32, en el que dicha muestra del paciente es una muestra de plasma.

34. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha predicción de la existencia de disfunción hemostática en el paciente tiene una especificidad y una sensibilidad superior a otras pruebas usadas en el diagnóstico de disfunción hemostática.

35. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha disfunción hemostática es una coagulación intravascular diseminada y en el que dicha predicción de coagulación intravascular diseminada en el paciente tiene una especificidad y una sensibilidad superior a otras pruebas llevadas a cabo para el diagnóstico de coagulación intravascular diseminada.

36. Un procedimiento según la reivindicación 35, en el que dichas otras pruebas son una o más entre recuentos de trombocitos, determinación del nivel de D-dimer y determinación del nivel de fibrinógeno.

37. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha disfunción hemostática pronosticada es una coagulación intravascular diseminada y en el que dicho procedimiento comprende además realizar pruebas de recuento de trombocitos, de nivel de D-dimer y/o de nivel de fibrinógeno.

38. Un procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha pendiente se determina desde el tiempo en blanco hasta el inicio de la formación del coágulo o desde el tiempo en blanco hasta un período de tiempo predeterminado inferior al tiempo de inicio de la formación del coágulo, el que sea inferior.

39. Un procedimiento para predecir la presencia de coagulación intravascular diseminada en un paciente a partir de un perfil de medición en función del tiempo, que comprende:

a) llevar a cabo una medición en función del tiempo en una muestra desconocida y medir una propiedad respectiva a lo largo del tiempo a fin de establecer un perfil de medición en función del tiempo;

b) calcular la pendiente del perfil de medición en función del tiempo hasta el inicio de la formación del coágulo o hasta un período de tiempo predeterminado inferior al tiempo del inicio de la formación del coágulo, el que sea inferior;

c) definir una variable predictora calculando un umbral para el parámetro en b) a partir de muestras positivas conocidas y de muestras negativas conocidas que separe suficientemente muestras positivas y negativas; y

d) hacer uso del umbral de la etapa c) para predecir la existencia de coagulación intravascular diseminada en el paciente.