Puntuación de Gensini y complicaciones cardíacas después del tratamiento de SCA

El Síndrome Coronario Agudo (SCA) es un problema serio de salud que afecta a mucha gente en todo el mundo. Es un tipo de enfermedad del corazón que puede llevar a Complicaciones graves e incluso a la muerte. A medida que la gente envejece, las probabilidades de experimentar SCA aumentan mucho, siendo una gran preocupación para los adultos mayores.

Los tratamientos para el SCA incluyen procedimientos como la intervención coronaria percutánea (ICP), que ayuda a restaurar el flujo sanguíneo al corazón. Sin embargo, los Pacientes a menudo tienen otros problemas de salud, como presión arterial alta o diabetes, que aumentan su riesgo de tener más problemas cardíacos después del tratamiento.

Para ayudar a los médicos a predecir quién podría tener problemas en el futuro, los investigadores buscan diferentes signos o indicadores. Pueden usar cosas como análisis de sangre o puntuaciones que evalúan la salud del corazón. Estos indicadores pueden ayudar a los médicos a decidir cómo tratar mejor a los pacientes, aunque muchos de ellos no se conectan directamente con el SCA.

Una puntuación que destaca es la puntuación Gensini (PG). Esta puntuación ayuda a medir qué tan bloqueadas están las arterias coronarias de una persona. Aunque estudios han demostrado que puede ayudar a predecir los resultados para pacientes que se someten a ICP, todavía no se han desarrollado modelos específicos basados en la PG para pacientes con SCA.

Con los avances en la tecnología, el Aprendizaje automático (AA) se está convirtiendo en una herramienta prometedora en la salud. Permite a los investigadores analizar grandes cantidades de datos para encontrar patrones que pueden mejorar las predicciones sobre los resultados de salud.

En este estudio, el objetivo es aplicar AA para ver qué tan bien la puntuación Gensini puede predecir las posibilidades de tener más problemas cardíacos en pacientes con SCA después de recibir tratamiento.

#Fuente de Datos

El estudio incluye pacientes que visitaron el Centro de Dolor Torácico en un hospital en China entre enero de 2019 y diciembre de 2020. La investigación obtuvo la aprobación del comité de ética del hospital para asegurar que se alinee con los estándares éticos.

#Población del Estudio

Se identificaron un total de 455 pacientes con dolor en el pecho de los registros del hospital. Se usaron varios criterios para excluir a los pacientes que no cumplían con los requisitos del estudio. Esto incluía a personas que ya se habían sometido a procedimientos cardíacos, tenían dolor en el pecho no relacionado con problemas cardíacos o tenían registros médicos incompletos.

Finalmente, 361 pacientes fueron incluidos en el análisis final. El estudio tenía como objetivo determinar si estos pacientes experimentaron más complicaciones dentro de un periodo de dos años después de su tratamiento inicial.

#Puntuación Gensini

Para los pacientes incluidos en el estudio, se calculó la puntuación Gensini usando sus resultados de angiografía coronaria. Este proceso evaluó la gravedad de los bloqueos en sus arterias. Cada nivel de bloqueo recibió una puntuación específica, y estas puntuaciones se combinaron para obtener una puntuación Gensini total para cada paciente.

Los resultados se categorizaron en cuatro grupos: sin bloqueo, bloqueo leve, bloqueo moderado y bloqueo severo. Esta clasificación ayuda a determinar el riesgo de futuros problemas cardíacos según el nivel de obstrucción en las arterias.

#Análisis Estadístico

Los investigadores usaron software para analizar los datos, observando tanto datos categóricos (como la presencia o ausencia de síntomas) como datos continuos (como la edad y los resultados de las pruebas). Se probaron varios modelos de aprendizaje automático para ver cuál podía predecir mejor la probabilidad de que los pacientes experimentaran más complicaciones dentro de dos años después del tratamiento.

Los modelos utilizados incluyeron XGBoost, Descenso de Gradiente Estocástico (SGD) y K-Vecinos Más Cercanos (KNN). Se evaluó el rendimiento de cada modelo según qué tan acertadamente podía predecir los resultados. Se calcularon métricas importantes como la precisión y el área bajo la curva (AUC) para determinar qué modelo tuvo el mejor rendimiento.

#Correlación Entre Variables

El análisis de los datos reveló fuertes relaciones entre varios indicadores médicos. Por ejemplo, se encontró que ciertos resultados de pruebas de sangre estaban muy correlacionados entre sí. Estas correlaciones brindan información sobre cómo diferentes marcadores de salud podrían relacionarse entre sí y ayudan en el proceso de reducir la información relevante para los modelos.

#Desarrollo y Validación del Modelo

El conjunto de datos se dividió en dos partes: un conjunto de entrenamiento utilizado para construir los modelos y un conjunto de prueba para evaluarlos. El modelo XGBoost demostró la mayor precisión, lo que lo convierte en el más confiable para predecir resultados en este estudio.

Los investigadores examinaron la importancia de diferentes factores en los modelos. Los hallazgos indicaron que la puntuación Gensini era uno de los predictores más significativos para futuras complicaciones. Esto resalta su valor en la evaluación de la salud del corazón.

#Modelo de Árbol de Decisión

Se construyó un modelo de árbol de decisión basado en los factores más importantes identificados en los análisis previos. Este modelo representa visualmente cómo diferentes variables de salud influyen en la probabilidad de experimentar más complicaciones.

Usando este modelo, los investigadores pudieron delinear valores de corte que ayudan a clasificar a los pacientes según su nivel de riesgo. Por ejemplo, podrían mostrar que puntuaciones Gensini más bajas se correlacionan con mejores resultados a largo plazo.

#Implicaciones para el Cuidado del Paciente

Los hallazgos de este estudio enfatizan la importancia de utilizar la puntuación Gensini en combinación con otros indicadores clínicos, como la edad y marcadores de sangre específicos, para ayudar a predecir la salud de los pacientes después de someterse a tratamiento por SCA.

Al identificar con precisión a los pacientes en mayor riesgo de complicaciones, los proveedores de salud pueden tomar decisiones más informadas sobre el tratamiento y el cuidado de seguimiento.

#Limitaciones del Estudio

Hay algunas limitaciones en este estudio. Primero, los datos se recopilaron de un solo hospital, lo que puede afectar si los resultados se aplican a todos los pacientes. Además, el proceso de seguimiento dependió de un conjunto estricto de condiciones, lo que significa que no se consideraron factores del mundo real que podrían impactar los resultados de los pacientes.

La investigación futura debería incluir muestras de pacientes más grandes y diversas y considerar más variables que podrían influir en los resultados.

#Conclusión

Este estudio indica que la puntuación Gensini puede ser una herramienta valiosa para predecir resultados a largo plazo en pacientes con SCA después del tratamiento. Al incorporar técnicas de aprendizaje automático, los investigadores pueden analizar datos de manera más efectiva para identificar factores de riesgo y mejorar la atención al paciente.

El modelo de árbol de decisión creado en este estudio puede ayudar a los profesionales de la salud a entender mejor la probabilidad de complicaciones, mejorando su capacidad para guiar el tratamiento y mejorar los resultados de los pacientes a lo largo del tiempo.