Un modelo retrospectivo de predicción clínica del riesgo de coinfección por Mycoplasma pneumoniae en pacientes con COVID-19 basado en splines cúbicos restringidos

Por qué importan las infecciones pulmonares ocultas

Hoy la mayoría de la gente considera la COVID-19 una enfermedad familiar, pero para algunos pacientes sigue siendo potencialmente mortal, sobre todo cuando otro microbio se añade silenciosamente. Un compañero frecuente es Mycoplasma pneumoniae, una bacteria diminuta que también causa neumonía. Como sus síntomas y las imágenes torácicas pueden parecerse mucho a los de la COVID-19, esta infección adicional es fácil de pasar por alto. El estudio descrito en este artículo se propuso construir una herramienta hospitalaria práctica que pueda señalar qué pacientes con COVID-19 probablemente portan esta coinfección oculta, usando únicamente análisis de sangre rutinarios tomados al ingreso.

Dos infecciones que se parecen pero empeoran al combinarse

Los médicos han observado que cuando la COVID-19 y Mycoplasma pneumoniae afectan a la misma persona, los resultados suelen ser peores. Estos pacientes tienden a permanecer más tiempo en el hospital, requieren ventilación mecánica con más frecuencia y tienen mayor probabilidad de morir que quienes presentan solo COVID-19. Sin embargo, las tomografías computarizadas de tórax y los síntomas habituales no distinguen de forma fiable la infección combinada del virus por sí solo. Tratar a todos “por si acaso” con antibióticos adicionales tampoco es la solución, porque fomenta la resistencia a los fármacos y efectos secundarios innecesarios. Lo que necesitan los clínicos es una forma de identificar, de forma temprana, qué pacientes son más probables de albergar ambos microbios para que las pruebas y el tratamiento se dirijan de manera selectiva en lugar de generalizada.

Convertir pruebas de laboratorio rutinarias en una alerta temprana

Los investigadores revisaron retrospectivamente 242 adultos hospitalizados con COVID-19 en un hospital chino durante la primera gran ola de Omicron a finales de 2022 y principios de 2023. Todos presentaban signos de neumonía y se analizaron en sangre anticuerpos frente a Mycoplasma pneumoniae. Aproximadamente la mitad resultó tener ambas infecciones. A partir de 55 datos recogidos de forma rutinaria al ingreso —como edad, recuentos sanguíneos comunes, bioquímica básica y pruebas de coagulación— emplearon una técnica estadística llamada LASSO para seleccionar los pocos factores más informativos. Siete destacaron: edad; globulinas (un grupo de proteínas sanguíneas que incluye anticuerpos); déficit aniónico (un marcador relacionado con el equilibrio ácido–base); nitrógeno ureico en sangre (un producto de desecho que refleja función renal y hepática, y estado nutricional); ácido úrico (un antioxidante natural); y dos medidas de coagulación, el tiempo de protrombina y el tiempo de trombina.

Patrones en la sangre que señalan problemas añadidos

Al examinar cómo se relacionaban estos siete factores con la probabilidad de coinfección, emergió un cuadro de alteración inmunitaria, de la coagulación y del metabolismo. Valores más altos de globulinas, déficit aniónico, ácido úrico y tiempos de trombina más prolongados se asociaron con mayor riesgo de Mycoplasma además de COVID-19, mientras que un mayor nitrógeno ureico en sangre se asoció de forma inesperada con menor riesgo. Algunas relaciones no fueron líneas rectas simples: por ejemplo, el riesgo aumentó de forma marcada una vez que las globulinas superaron aproximadamente 28 gramos por litro, y los pacientes con tiempos de protrombina particularmente cortos parecían hallarse en un estado propenso a la formación de coágulos. Estos giros y umbrales son precisamente los que los modelos lineales estándar suelen pasar por alto, pero pueden importar en la cama del paciente, donde cruzar cierto valor de laboratorio podría señalar el paso de una enfermedad rutinaria a algo más peligroso.

Una forma más inteligente de seguir riesgos curvos

Para capturar estas relaciones curvas, los autores construyeron un modelo de predicción que permite que la curva de riesgo se doble donde los datos lo exigen, usando un enfoque llamado splines cúbicos restringidos dentro de una regresión logística. En la práctica, esto significa que el modelo puede tratar a las globulinas, el tiempo de protrombina y el tiempo de trombina como si tuvieran efectos distintos en niveles bajos, medios y altos, en lugar de imponer una única regla lineal. En comparación con un modelo lineal convencional usando las mismas siete variables, la versión basada en splines separó a los pacientes coinfectados de los no coinfectados con mayor precisión y con mayor utilidad para la toma de decisiones. Mostró una mayor capacidad discriminativa, mejor concordancia entre riesgos predichos y observados, y un mayor beneficio clínico neto en un rango realista de umbrales en los que un médico podría decidir ordenar pruebas adicionales o iniciar antibióticos.

Del gráfico de investigación a la herramienta junto al paciente

Para que este enfoque sea usable en plantas concurridas, el equipo tradujo las matemáticas a un gráfico visual de puntuación llamado nomograma: un médico puede situar la edad y los valores de laboratorio del paciente en escalas simples, sumar puntos y leer una probabilidad estimada de coinfección por Mycoplasma. Dado que todas las mediciones requeridas provienen de pruebas de ingreso rutinarias, el modelo podría, en principio, aplicarse sin equipo nuevo. El estudio tiene limitaciones: se realizó en un único centro durante un período corto, sin validación externa ni un grupo separado de pacientes con Mycoplasma a secas, pero ofrece una prueba de concepto importante. Para los clínicos en primera línea ante nuevas oleadas de COVID-19 o futuros brotes respiratorios, muestra que los patrones sutiles en análisis sanguíneos ordinarios pueden aprovecharse para descubrir coinfecciones ocultas de forma temprana, ayudando a dirigir las pruebas, ajustar los antibióticos y, potencialmente, mejorar los resultados evitando tratamientos innecesarios.

Cita: Ye, K., Su, Y., Hu, X. et al. A retrospective clinical risk prediction model for co‑infection with Mycoplasma pneumoniae in patients with COVID‑19 based on restricted cubic splines. Sci Rep 16, 14206 (2026). https://doi.org/10.1038/s41598-026-44539-9

Palabras clave: Coinfección por COVID-19, Mycoplasma pneumoniae, predicción clínica de riesgo, neumonía hospitalaria, biomarcadores sanguíneos