Estudio BREVOC: Compuestos Orgánicos Volátiles Exhalados para el Dolor Torácico de Alto Riesgo en el Servicio de Urgencias (BREVOC)

1. Antecedentes de la investigación Desde que se introdujo el concepto de medicina de precisión, la innovación y optimización de las tecnologías de diagnóstico clínico se han convertido en una cuestión central en la investigación médica. Los métodos de diagnóstico tradicionales, incluyendo imágenes, hematología e histología, a menudo dependen de procedimientos invasivos. Aunque estas técnicas pueden proporcionar información diagnóstica de alta precisión, están asociadas con altos costes, complejidad operativa y posibles riesgos de daño para los pacientes, lo que las hace menos adecuadas para el cribado rápido y la monitorización dinámica. Por lo tanto, el desarrollo de tecnologías de diagnóstico no invasivas, rápidas y rentables se ha convertido en una necesidad urgente en la medicina moderna.

Como uno de los órganos metabólicamente más activos, los pulmones intercambian metabolitos producidos por los tejidos corporales en el torrente sanguíneo, que posteriormente se exhalan. Por lo tanto, el aliento exhalado puede reflejar los estados fisiológicos y patológicos del cuerpo. Históricamente, los médicos identificaban ciertas enfermedades a través de cambios en el olor corporal, por ejemplo, un olor afrutado a "manzana podrida" en la cetoacidosis diabética o un olor a pescado en pacientes con enfermedad hepática. En ese momento, se desconocía la composición química específica subyacente a estos olores. En 1971, Pauling et al. aplicaron por primera vez la cromatografía de gases al análisis del aliento exhalado humano, identificando cientos de compuestos orgánicos volátiles (COV), sentando así las bases de la tecnología de análisis del aliento.

El dolor torácico agudo es uno de los síntomas de presentación más comunes en los servicios de urgencias, con diversas etiologías y pronósticos variables. Varias emergencias cardiovasculares potencialmente mortales, como el síndrome coronario agudo (SCA), la embolia pulmonar aguda (EPA) y el síndrome aórtico agudo (SAA), suelen presentarse con dolor torácico agudo y requieren un diagnóstico y tratamiento rápidos en el entorno de urgencias. Sin embargo, no todos los casos de dolor torácico son de alto riesgo. Una proporción considerable de pacientes (por ejemplo, aquellos con neuralgia intercostal) tienen resultados favorables y no requieren pruebas diagnósticas extensas ni monitorización. Por lo tanto, la estratificación precisa del riesgo es fundamental: el reconocimiento y manejo rápidos del dolor torácico de alto riesgo, evitando al mismo tiempo el sobretratamiento en casos de bajo riesgo, son esenciales para proteger la salud pública y reducir la carga sanitaria.

El análisis del aliento de COV exhalados ha atraído una atención creciente en los últimos años como una herramienta única basada en biomarcadores para el diagnóstico temprano y el cribado de enfermedades. Los COV son moléculas orgánicas altamente volátiles presentes no solo en el medio ambiente, sino también generadas a través de los procesos metabólicos humanos. Como metabolitos endógenos, los COV reflejan el estado de salud y la progresión de la enfermedad. Debido a su detección no invasiva y alta sensibilidad, los COV muestran un gran potencial en el diagnóstico temprano, el tratamiento personalizado y la monitorización de enfermedades. En comparación con los ensayos tradicionales de biomarcadores, el análisis del aliento ofrece ventajas únicas. En lugar de detectar una sola molécula, el análisis de COV puede identificar patrones moleculares, proporcionando información diagnóstica más completa y precisa. La evidencia actual ha demostrado fuertes asociaciones entre los COV y diversas enfermedades, incluyendo cáncer, trastornos respiratorios y diabetes, destacando su valor en la medicina de precisión.

La medicina de precisión enfatiza estrategias de tratamiento individualizadas adaptadas a las características biológicas específicas del paciente. Dentro de este marco, los COV, como biomarcadores de estados fisiológicos y patológicos, pueden tener un valor clínico significativo en el diagnóstico temprano, el cribado y la monitorización del dolor torácico agudo. Sin embargo, la investigación sobre el análisis del aliento para el dolor torácico agudo sigue siendo limitada. Marzoog et al. demostraron que los COV podían distinguir a pacientes con enfermedad cardíaca isquémica de controles utilizando modelos de aprendizaje automático, sugiriendo la aplicación potencial del análisis del aliento en el dolor torácico agudo cardiogénico. En 2024, el Consenso Chino sobre Dolor Torácico propuso incorporar nuevos marcadores metabólicos, como aldehídos grasos, en los sistemas de evaluación del dolor torácico. No obstante, los estudios estandarizados sobre COV exhalados siguen siendo escasos.

Por lo tanto, este estudio tiene como objetivo aplicar la detección de COV exhalados para la identificación de pacientes con dolor torácico agudo de alto riesgo, establecer una base de datos de perfiles de COV y evaluar el valor pronóstico de los cambios dinámicos de COV. Esta investigación caracterizará, por primera vez, sistemáticamente el perfil de COV del dolor torácico agudo de alto riesgo, analizará los cambios dinámicos y construirá un modelo predictivo de puntuación basado en COV para el pronóstico del paciente. Se espera que estos esfuerzos proporcionen nuevas estrategias para el tratamiento individualizado, la monitorización y el manejo de la enfermedad en el dolor torácico agudo de alto riesgo.

2. Objetivos de la investigación

1. Identificación de biomarcadores: Establecer un perfil de COV para pacientes con dolor torácico agudo de alto riesgo y diferenciarlos de otras etiologías de dolor torácico.

   Detección de aldehídos: Explorar el papel de la detección de aldehídos exhalados en el dolor torácico de alto riesgo; establecer y validar un modelo de diagnóstico temprano utilizando COV para optimizar el triaje de urgencias.

2. Evaluación pronóstica: Evaluar el valor predictivo de los cambios en la concentración de COV para la mortalidad intrahospitalaria y los eventos adversos cardiovasculares mayores (MACE) en pacientes con dolor torácico de alto riesgo.
3. Nuevos indicadores: Explorar nuevas combinaciones de marcadores diagnósticos superiores a los biomarcadores convencionales.

3. Métodos de la investigación Diseño del estudio Este estudio está diseñado como un estudio de cohorte prospectivo. 3.1 Sitios de estudio y participantes El estudio se llevará a cabo en el Servicio de Urgencias (SU), la Unidad de Cuidados Intensivos de Urgencias (UCIU) y la Unidad de Cuidados Intensivos (UCI) del Hospital Qilu, Universidad de Shandong. Los participantes elegibles incluirán a todos los pacientes que se presenten con dolor torácico agudo en el SU.

3.2 Resultados del estudio

1. Resultado primario: Discriminación entre dolor torácico de alto riesgo y bajo/riesgo intermedio, evaluada por el área bajo la curva característica de operación del receptor (AUC-ROC), sensibilidad y especificidad.

2. Resultados secundarios:

   1. Tasa de diagnóstico perdido (proporción de pacientes de alto riesgo mal clasificados como de bajo/riesgo intermedio por el modelo).
   2. Duración de la estancia en el SU y costes sanitarios bajo el triaje guiado por el modelo.

   3. Mortalidad intrahospitalaria e incidencia de MACE. 3.3 Análisis estadístico Para garantizar la precisión de los datos, se establecerá una base de datos en Excel con verificación de doble entrada. Los datos se analizarán utilizando el software R (versión 4.3.2), con un nivel de significación de dos colas de α = 0.05 (P < 0.05 considerado estadísticamente significativo).

      1. Análisis descriptivo: Se resumirán las características basales y las concentraciones de COV. Las variables categóricas se expresarán como frecuencias o porcentajes. Las variables continuas con distribución normal o aproximadamente normal se presentarán como media ± desviación estándar (DE). Los datos sesgados se reportarán como mediana (P25, P75). Las comparaciones entre grupos utilizarán pruebas t de muestras independientes, análisis de varianza unidireccional (ANOVA), prueba U de Mann-Whitney o prueba de Kruskal-Wallis, según corresponda. Las variables categóricas se analizarán utilizando la prueba de chi-cuadrado (χ²) o la prueba exacta de Fisher.
      2. Selección de características: Se cribarán COV característicos y se desarrollará un modelo de puntuación de COV utilizando métodos de aprendizaje automático.
      3. Análisis pronóstico: Los factores pronósticos se evaluarán utilizando la regresión de riesgos proporcionales de Cox.
      4. Análisis de trayectoria: Se modelará la dinámica de concentración de COV para explorar patrones temporales.