Nueva herramienta predice la mortalidad en pacientes con fibrilación auricular

La Fibrilación Auricular (FA) es una condición cardíaca común que provoca un ritmo cardíaco irregular y, a menudo, rápido. Esta condición puede llevar a serios problemas de salud, incluyendo accidentes cerebrovasculares y fallos cardíacos. La FA afecta principalmente a adultos mayores, con más de 2 millones de personas diagnosticadas en Estados Unidos, especialmente aquellos de 65 años o más. Las personas con FA tienen un mayor riesgo de morir por diversas causas en comparación con quienes no tienen la condición.

La FA no es solo un problema de salud; también genera una carga significativa en los sistemas de salud debido a los costos relacionados con su manejo y las complicaciones asociadas. Para ayudar a evaluar el riesgo de complicaciones como los accidentes cerebrovasculares en pacientes con FA, los médicos suelen usar una herramienta de puntuación llamada CHA2DS2-VASc. Esta puntuación considera varios factores de salud como insuficiencia cardíaca, hipertensión, edad, diabetes, accidentes cerebrovasculares previos y otras condiciones.

Aunque existen herramientas para evaluar el riesgo de accidente cerebrovascular, falta métodos específicos para predecir el riesgo de muerte en pacientes con FA. Algunos estudios recientes han intentado crear nuevas puntuaciones de riesgo para la FA, pero estas se basaron principalmente en datos de ensayos clínicos, que pueden no aplicarse bien a la población general con FA.

Para abordar esta brecha, se necesitan más estudios para identificar mejores formas de evaluar el riesgo de muerte en pacientes con FA. Un enfoque podría involucrar el uso de técnicas de aprendizaje automático para encontrar factores importantes que contribuyen a la mortalidad en estos pacientes y desarrollar un sistema de puntuación simple que pueda predecir la probabilidad de muerte dentro de un año.

#Diseño del Estudio y Fuente de Datos

El estudio realizado fue un análisis retrospectivo de cohorte en un solo centro, utilizando datos de la base de datos Medical Information Mart for Intensive Care-IV (MIMIC-IV). Esta base de datos contiene información sobre pacientes críticamente enfermos admitidos en la unidad de cuidados intensivos (UCI) del Beth Israel Deaconess Medical Center entre 2008 y 2019. Los investigadores aseguraron la aprobación para utilizar estos datos y obtuvieron el consentimiento para la recolección de datos inicial.

#Población del Estudio

El estudio se centró en pacientes de 18 años o más que fueron diagnosticados con FA durante su estancia hospitalaria. Los investigadores identificaron a estos pacientes buscando códigos médicos específicos relacionados con la FA. Excluyeron cualquier caso donde no había datos disponibles sobre los resultados de supervivencia del paciente.

#Variables del Estudio

Los investigadores analizaron diversos factores relacionados con la población de pacientes, incluyendo su historial médico, cualquier complicación que surgió, diferentes puntuaciones de salud (como el Índice de Comorbilidad de Charlson), signos vitales y una variedad de pruebas de laboratorio. También observaron el uso de ciertos medicamentos, incluyendo fármacos para el apoyo de la presión arterial y anticoagulantes, que pueden afectar los resultados de los pacientes.

#Medición de Resultados

El principal resultado de interés fue la probabilidad de morir dentro de un año después de ser diagnosticado con FA. Los investigadores utilizaron las fechas de muerte disponibles en la base de datos MIMIC-IV para calcular esto.

#Desarrollo y Validación del Modelo de Aprendizaje Automático

Para construir el modelo predictivo, el conjunto de datos se dividió en muestras de entrenamiento y prueba en una proporción de 3:1. Se utilizaron técnicas para prevenir el sobreajuste, que ocurre cuando un modelo es demasiado complejo para los datos en los que se entrena. El estudio utilizó el modelo XGBoost, que puede manejar datos faltantes de manera efectiva.

Los investigadores evaluaron qué tan bien funcionó el modelo usando una medida estándar llamada área bajo la curva del receptor operativo (AUC-ROC). Se consideraron un total de 164 factores diferentes para el entrenamiento del modelo. También crearon una curva de calibración para comparar las probabilidades predichas de resultados con las ocurrencias reales.

#Desarrollo del Sistema de Puntuación

El modelo XGBoost ayudó a identificar los factores más importantes que contribuyen al riesgo de muerte en pacientes con FA. Estos factores clave se utilizaron para crear un modelo de puntuación más simple, conocido como puntuación CRAMB. Esta puntuación incluye cinco variables principales: el Índice de Comorbilidad de Charlson, el número de readmisiones hospitalarias, la edad del paciente, si tenían tumores sólidos metastásicos y el nivel máximo de nitrógeno ureico en sangre durante su estancia.

Los investigadores probaron cómo la inclusión o exclusión de ciertas variables afectaba el rendimiento del modelo. Buscaban encontrar un equilibrio óptimo entre precisión y complejidad al desarrollar el método de puntuación. Se creó un nomograma, una herramienta visual, para calcular fácilmente las puntuaciones CRAMB.

#Análisis de Datos

Para el análisis, los investigadores utilizaron software Python para construir modelos de aprendizaje automático y software R para análisis de regresión logística y de Cox. Las características básicas de los participantes se presentaron usando promedios, medianas o porcentajes basados en la distribución de los datos. Compararon la precisión de diferentes modelos predictivos para ver cuál funcionaba mejor en la predicción de la mortalidad a 1 año en pacientes con FA.

#Características de la Población del Estudio

El estudio incluyó a 59,595 personas diagnosticadas con FA. Más de la mitad eran hombres, con una edad promedio de alrededor de 77 años. Los pacientes tenían una puntuación CHA2DS2-VASc de 4 en promedio y una puntuación del Índice de Comorbilidad de Charlson de 6. La estancia promedio en el hospital fue de cuatro días.

#Predicción de Mortalidad a 1 Año

El modelo XGBoost arrojó un área significativa bajo la curva ROC (AUC) de 0.833, lo que indica un buen rendimiento predictivo para la mortalidad a 1 año. En contraste, la puntuación CRAMB, desarrollada a partir de este análisis, logró un respetable AUC de 0.756, superando otras puntuaciones de riesgo bien conocidas como la puntuación CHA2DS2-VASc.

#Hallazgos Clave del Estudio

Este estudio es significativo porque muestra cómo el aprendizaje automático puede usarse para crear modelos predictivos de mortalidad en pacientes con FA. Se encontró que la puntuación CRAMB es una herramienta útil para evaluar el riesgo de mortalidad a 1 año en estos pacientes. Al analizar un gran conjunto de datos, el estudio identificó con éxito factores importantes que contribuyen a la mortalidad y demostró que la puntuación CRAMB supera a las puntuaciones de riesgo existentes.

#Factores Asociados con la Mortalidad

Muchos factores clínicos y demográficos se han relacionado con un mayor riesgo de muerte en pacientes con FA. La hipertensión arterial se identifica frecuentemente como un factor de riesgo importante para la insuficiencia cardíaca y la muerte. Además, ciertas mediciones de sangre, como el ancho de distribución de glóbulos rojos, también se han asociado con un mayor riesgo de mortalidad en pacientes con FA.

Otros predictores significativos de mortalidad incluyen la hipertrofia ventricular izquierda y la enfermedad renal crónica, ambos pueden elevar el riesgo de muerte y complicaciones para aquellos con FA. La edad es otro factor crítico, ya que las personas mayores tienden a tener mayores riesgos tanto de accidente cerebrovascular como de mortalidad.

Además, investigaciones en curso sugieren una conexión entre el cáncer y la FA. Los pacientes con tumores sólidos enfrentan una mayor probabilidad de desarrollar FA y experimentar problemas de salud relacionados. Factores como la inflamación causada por el cáncer y los tratamientos para el cáncer pueden jugar un papel en esta asociación.

Por último, el nitrógeno ureico en sangre (BUN) también ha emergido como una medida esencial para predecir la mortalidad en pacientes con enfermedades cardiovasculares, incluyendo FA.

#Comparación con Otros Estudios

La puntuación CRAMB se desarrolló en contraste con otros sistemas de puntuación destinados a predecir la mortalidad en pacientes con FA. Estudios anteriores han creado puntuaciones basadas en menos variables o conjuntos de datos limitados, que pueden no aplicarse a un rango más amplio de pacientes. La puntuación CRAMB utiliza datos de una población grande y diversa, lo que permite una mejor generalización de los hallazgos en comparación con estudios más pequeños.

A pesar de su desarrollo exitoso, el estudio reconoce limitaciones, como depender únicamente de datos de un solo centro y la posible incompletitud de las variables predictivas. Los esfuerzos futuros podrían centrarse en reunir conjuntos de datos más completos y explorar variables adicionales para mejorar la puntuación CRAMB.

En resumen, este estudio resalta la importancia de desarrollar sistemas de puntuación efectivos para evaluar el riesgo de mortalidad en pacientes con FA. La puntuación CRAMB ofrece una herramienta práctica para los clínicos, permitiendo una mejor atención al paciente y mejores estrategias de gestión del riesgo. Más investigaciones podrían ayudar a validar esta herramienta de puntuación en diversos entornos, beneficiando en última instancia a los pacientes con FA.