Primer reporte (The Lancet)

La carga viral de SARS-CoV-2 predice la mortalidad de COVID-19

Demuestran una relación independiente entre la alta carga viral y la mortalidad.

Autor/a: Elisabet Pujadas, Fayzan Chaudhry, Russell McBride, Felix Richter, Shan Zhao, Ania Wajnberg, et al.

Fuente: SARS-CoV-2 viral load predicts COVID-19 mortality

Las plataformas de detección del coronavirus 2 del síndrome respiratorio agudo severo (SARS-CoV-2) actualmente informan resultados cualitativos. Sin embargo, la tecnología basada en RT-PCR permite el cálculo de la carga viral, que está asociada con el riesgo de transmisión y la gravedad de la enfermedad en otras enfermedades virales.

La carga viral en COVID-19 podría correlacionarse con la infectividad, el fenotipo de la enfermedad, la morbilidad y la mortalidad.

Hasta la fecha, ningún estudio ha evaluado la asociación entre la carga viral y la mortalidad en una gran cohorte de pacientes. Según nuestro conocimiento, somos los primeros en informar sobre la carga viral del SARS-CoV-2 en el momento del diagnóstico como un predictor independiente de mortalidad en una gran cohorte hospitalizada (n = 1145).

Evaluamos prospectivamente muestras de torunda nasofaríngea para SARS-CoV-2 mediante RT-PCR en tiempo real (Roche cobas 6800; Roche, Basilea, Suiza). Las muestras positivas se evaluaron mediante una prueba cuantitativa de RT-PCR desarrollada en laboratorio y aprobada para uso clínico y las cargas virales se calcularon con curvas estándar.

Las cargas virales para pacientes sintomáticos hospitalizados que dieron positivo para SARS-CoV-2 se midieron en muestras recolectadas entre el 13 de marzo y el 4 de mayo de 2020, que dieron positivo en ambas plataformas en el momento del diagnóstico.

Solo los pacientes con datos completos de supervivencia (dados de alta o fallecidos en el hospital) se incluyeron en nuestro análisis (n = 1145).

La edad media fue de 64,6 años (DE 17,5), con 651 (56,9%) pacientes masculinos y una distribución racial autoinformada de 357 (31,2%) pacientes afroamericanos, 335 (29,3%) ) pacientes blancos, 42 (3 · 7%) pacientes asiáticos, 375 (32 · 8%) pacientes de otra raza y 36 (3 · 1%) pacientes de raza desconocida.

La carga viral media global log10 fue 5 · 6 copias por ml (SD 3 · 0), y la carga viral media log10 fue 6 · 2 copias por ml (IQR 3 · 0–8 · 0).

La carga viral media log10 difirió significativamente entre los pacientes que estaban vivos (n = 807; carga viral media log10 5 · 2 copias por ml [SD 3]) versus aquellos que habían muerto (n = 338; 6 · 4 copias por ml [2 · 7]) al final del período de estudio.

Un modelo de riesgos proporcionales de Cox que se ajusta por edad, sexo, asma, fibrilación auricular, enfermedad de las arterias coronarias, enfermedad renal crónica, enfermedad pulmonar obstructiva crónica, diabetes, insuficiencia cardíaca, hipertensión, accidente cerebrovascular y raza produjo una asociación independiente significativa entre la carga viral y la mortalidad (razón de riesgo 1 · 07 [IC 95% 1 · 03–1 · 11], con un aumento del 7% en el riesgo para cada copia transformada logarítmica por ml.

Un análisis de supervivencia univariante reveló una diferencia significativa en la probabilidad de supervivencia entre aquellos con alta carga viral (definida como mayor que la carga viral media global log10 de 5,6 copias por ml) y aquellos con baja carga viral (p = 0 · 0003; apéndice p 4), con un seguimiento medio de 13 días (DE 11) y un seguimiento máximo de 67 días.

La estratificación temprana del riesgo en COVID-19 sigue siendo un desafío. Aquí, mostramos una relación independiente entre la alta carga viral y la mortalidad.

La transformación de las pruebas cualitativas en una medición cuantitativa de la carga viral ayudará a los médicos a estratificar a los pacientes y elegir entre las terapias y ensayos disponibles.

La carga viral también puede afectar las medidas de aislamiento en función de la infectividad.

El trabajo futuro abordará la dinámica de carga viral del SARS-CoV-2 y la relación cuantitativa con anticuerpos neutralizantes, citocinas, afecciones preexistentes y tratamientos recibidos, entre otras covariables, a medida que desarrollamos algoritmos integradores para la predicción del riesgo.