Nuevas perspectivas sobre proteínas para predecir el riesgo de enfermedades del corazón

La enfermedad Cardiovascular (ECV) es la principal causa de muerte en todo el mundo. Muchos casos se pueden prevenir si nos enfocamos en las personas que están en mayor riesgo. Ahora mismo, los doctores identifican a los que están en riesgo mirando sus posibilidades de tener un problema cardíaco serio en los próximos diez años. Hacen esto usando Factores de Riesgo comunes, que se combinan en diferentes sistemas de puntuación. Sin embargo, estas puntuaciones no siempre son precisas para cada persona y no dan una buena idea de cuándo podría ocurrir el problema. Por eso, hay un gran esfuerzo por encontrar nuevos indicadores, o biomarcadores, que puedan mejorar estas puntuaciones de riesgo. Nuevos métodos en pruebas de Proteínas han abierto posibilidades emocionantes para encontrar estos biomarcadores en la sangre.

#La Importancia de los Conjuntos de Proteínas

Estudios recientes han mostrado que ciertos grupos de proteínas pueden ofrecer mejores predicciones para evitar problemas cardíacos cuando se añaden a las puntuaciones de riesgo tradicionales. Esto es especialmente cierto para las personas que ya han tenido problemas cardíacos. Sin embargo, los resultados para aquellos que no han tenido problemas aún son menos claros. En algunos estudios que usaron pruebas de sangre especiales, predecir eventos cardíacos futuros fue más o menos igual o un poco mejor que usar evaluaciones de riesgo estándar. Sin embargo, en otro estudio que utilizó un método diferente, los resultados mostraron una gran mejora con las nuevas pruebas de proteínas en comparación con los factores de riesgo tradicionales.

#Resumen del Estudio Actual

Este estudio tuvo como objetivo ver si conjuntos específicos de proteínas medidos en sangre podían predecir eventos cardíacos serios en un gran grupo de personas que nunca habían tenido problemas cardíacos antes. El estudio incluyó a 38,000 participantes del Biobanco del Reino Unido, un importante proyecto de investigación en salud. Los investigadores seleccionaron estas proteínas de un grupo más grande de casi 3,000 basándose tanto en tendencias de datos como en conocimientos existentes.

#Población del Estudio

Los participantes fueron elegidos al azar del Biobanco del Reino Unido para un análisis de proteínas en sangre durante su primera visita. Se eliminaron del estudio a quienes tenían un historial de eventos cardíacos serios y a aquellos con más del 20% de mediciones de proteínas faltantes. Se utilizaron diferentes sistemas de codificación para rastrear cualquier problema de salud que tuvieran estos participantes antes de unirse al estudio. Todos los procesos fueron aprobados por los comités de ética en investigación necesarios.

#Entendiendo los Resultados

En este estudio, los eventos cardiovasculares serios incluían incidentes cardíacos fatales y no fatales como ataques al corazón y accidentes cerebrovasculares que ocurrieron dentro de los diez años después de que comenzó el estudio. Se utilizaron los mismos métodos de codificación para rastrear estos resultados.

#Factores de Riesgo Tradicionales

Durante su visita inicial, se registraron las características de salud de los participantes. Los diez principales factores de riesgo tradicionales considerados fueron la edad, el sexo, la presión arterial, los hábitos de fumar, el estado de diabetes y los niveles de colesterol.

#Análisis Proteómico

Se han compartido detalles sobre cómo se midieron y analizaron las proteínas en estudios anteriores. En resumen, se utilizó una tecnología llamada sistema Olink Explore para medir más de 2,900 proteínas en muestras de sangre. Se excluyeron las proteínas que tenían más del 20% de datos faltantes, y cualquier información faltante para otras variables se rellenó utilizando un algoritmo específico.

#Enfoque de Análisis de Datos

Se utilizaron métodos avanzados de aprendizaje automático para entrenar modelos que pudieran predecir el riesgo de eventos cardíacos mayores durante diez años. Los datos se dividieron en un conjunto de entrenamiento y un conjunto de prueba. Se eligieron dos modelos de riesgo existentes para comparación. Se crearon varios modelos de proteínas, incluido uno que incluía todas las proteínas, uno basado en hallazgos anteriores, uno derivado del análisis de datos y un modelo aleatorio con proteínas elegidas al azar.

#Evaluación del Rendimiento del Modelo

El rendimiento de cada modelo se evaluó mediante medidas estadísticas específicas. Se realizaron comparaciones entre las puntuaciones de riesgo tradicionales y los diversos modelos de proteínas para ver cuál hacía un mejor trabajo al predecir los resultados.

#Resultados de la Población del Estudio

De la selección aleatoria, aproximadamente 46,799 individuos tuvieron sus datos analizados para proteínas, y alrededor de 45,666 de estos no tenían historial previo de eventos cardíacos serios. Después de excluir a los individuos con demasiados datos faltantes, el grupo final incluyó aproximadamente 38,380 participantes. Aquellos que experimentaron eventos cardíacos durante el seguimiento tenían un perfil de factores de riesgo más serio en comparación con los demás.

#Selección de Proteínas para Predicción

El estudio encontró que un pequeño porcentaje de mediciones de proteínas estaban faltando. Usando el método apropiado, los investigadores seleccionaron 114 proteínas relevantes del grupo más grande que podrían ayudar a predecir eventos cardíacos. También identificaron un conjunto separado de 113 proteínas basadas en estudios anteriores. Se incluyeron proteínas aleatorias para comparación, pero solo aquellas elegidas con un método específico mostraron una verdadera conexión con la predicción de riesgos cardíacos.

#Evaluación del Rendimiento del Modelo

La capacidad predictiva de todos los modelos se probó en un grupo de prueba separado. Los sistemas de riesgo existentes proporcionaron un nivel básico de predicción, mientras que los modelos de proteínas completos y seleccionados ofrecieron un poco más de precisión. Combinar proteínas seleccionadas con factores de riesgo tradicionales mejoró significativamente las predicciones.

#Análisis del Rendimiento del Modelo

En diferentes umbrales de riesgo, los modelos mostraron una efectividad variable. Los conjuntos de proteínas completos y seleccionados mejoraron la predicción cuando se combinaron con factores de riesgo existentes, lo que resalta la importancia de usar selecciones basadas en datos. Por otro lado, el modelo de proteínas aleatorias no mejoró las predicciones, lo que enfatiza el valor específico de las proteínas seleccionadas.

#Beneficios de las Proteínas Añadidas

Los cambios en la precisión de la predicción fueron pequeños, pero algunas personas que estaban en riesgo de eventos cardíacos pudieron identificarse mejor al fusionar datos de proteínas con factores de riesgo tradicionales. Parece que esta mejora es más notable en niveles de riesgo más altos. Por lo tanto, usar pruebas de proteínas podría ser más beneficioso para individuos con mayor probabilidad de problemas cardíacos en lugar de la población general.

#Limitaciones del Estudio

Hay limitaciones en este estudio. Primero, no hubo un grupo adicional para probar los hallazgos, lo que hace difícil aplicar los resultados de manera amplia. Segundo, los métodos utilizados para la medición de proteínas pueden no ser reproducibles en diferentes plataformas de prueba. Tercero, aunque el estudio se centró en crear un panel confiable de proteínas, no investigó los roles individuales de las proteínas en el desarrollo de problemas cardíacos. Por último, entender los beneficios económicos de usar estas nuevas medidas de proteínas requiere más investigación, que no fue incluida en este estudio.

#Conclusión

Usando aprendizaje automático avanzado y un gran conjunto de datos proteicos, este estudio hizo avances en la predicción de eventos cardíacos mayores a través de un panel seleccionado de 114 proteínas. Resultados similares, aunque menos convincentes, se encontraron con el grupo de 113 proteínas elegidas basadas en estudios anteriores. Aunque las mejoras observadas fueron modestos, la utilidad clínica potencial de estos biomarcadores en la prevención de problemas cardíacos necesita más exploración.