Nueva herramienta de aprendizaje automático para evaluar el riesgo cardiovascular

La Enfermedad Cardiovascular (ECV) es un gran problema de salud y sigue siendo la principal causa de muerte en el mundo. En 2016, alrededor de 17.6 millones de personas perdieron la vida por ECV. Entre estas, condiciones como la enfermedad cardíaca isquémica y el accidente cerebrovascular fueron responsables de la gran mayoría de estas muertes. Las investigaciones indican que una buena parte de los casos de ECV podrían prevenirse con un mejor monitoreo de estilos de vida poco saludables y la gestión de factores de riesgo.

Con el paso de los años, se han creado muchas herramientas para evaluar el riesgo de desarrollar ECV. Existen más de 100 puntuaciones de riesgo diferentes, y las guías de Estados Unidos y Europa sugieren que la elección del tratamiento para prevenir ECV depende de la evaluación del riesgo de cada persona. Para aquellos con menor riesgo, las guías europeas recomiendan usar un sistema llamado SCORE. Otros sistemas, como el Framingham Risk Score (FRS) y el PROCAM Risk Score, ayudan a evaluar el riesgo para individuos en diferentes escenarios de salud. Para quienes son considerados de alto riesgo, a menudo se utiliza el puntaje de Marschner.

Sin embargo, la investigación que compara estas calculadoras de riesgo revela que uno de cada tres pacientes puede ser clasificado incorrectamente. Además, no todas estas calculadoras han sido probadas a fondo, lo que genera dudas sobre su fiabilidad.

Las limitaciones de las herramientas de Evaluación de Riesgo existentes han llevado al desarrollo de una nueva herramienta que utiliza Aprendizaje automático. Esta herramienta busca calcular rápida y precisamente el riesgo de ECV de cada persona usando sus datos médicos y de laboratorio. Analizando un gran grupo de pacientes que se sometieron a una angiografía coronaria, los investigadores creen que este nuevo método podría mejorar la capacidad de predecir riesgos cardiovasculares en comparación con los métodos tradicionales y podría ser más sencillo de implementar en entornos clínicos.

#Resumen del Estudio

El estudio analizó a participantes de un proyecto de investigación específico llamado estudio de Riesgo y Salud Cardiovascular de Ludwigshafen. Desde julio de 1997 hasta enero de 2000, más de 3,300 pacientes alemanes fueron incluidos en esta investigación, enfocándose en aquellos que se habían sometido a angiografías coronarias. Su salud cardíaca se evaluó según cuánto estaban bloqueados sus vasos sanguíneos. Los participantes fueron monitoreados durante casi diez años. Cada persona dio su consentimiento por escrito para participar en el estudio, que siguió pautas éticas.

#Pruebas de Laboratorio

Se tomaron muestras de sangre por la mañana en un centro médico en Ludwigshafen, Alemania. La sangre fue procesada para obtener plasma y guardada para análisis posteriores. Los investigadores examinaron 184 marcadores diferentes en la sangre. También calcularon la función renal usando una fórmula específica.

#Mediciones Clínicas

Se usaron diversos marcadores clínicos para recopilar información sobre los participantes. Estos incluían índice de masa corporal (IMC), relación cintura-cadera, hábitos de tabaquismo, historial familiar de enfermedades del corazón y estado de diabetes. Otras mediciones incluyeron presión arterial, frecuencia cardíaca y detalles sobre medicamentos como fármacos para la presión arterial y medicamentos para reducir el colesterol.

#Criterios de Exclusión

Para enfocarse en predecir eventos cardiovasculares, se excluyó a los pacientes que fallecieron por problemas no relacionados con el corazón, excepto aquellos que sobrevivieron más de diez años. Esto llevó a un grupo final de alrededor de 2,950 pacientes para el análisis.

#Objetivos del Estudio

El objetivo principal fue identificar el riesgo de morir por causas relacionadas con el corazón, que incluía infartos, muerte cardíaca súbita y derrames cerebrales. Los pacientes se dividieron en grupos según si tenían enfermedad arterial coronaria significativa o no. Esto ayudó a los investigadores a comparar el nuevo método de predicción de riesgo con herramientas establecidas utilizadas para pacientes sin enfermedad arterial coronaria.

#Enfoque de Aprendizaje Automático

El nuevo método de predicción utilizó aprendizaje automático, que implica usar algoritmos para analizar datos y hacer predicciones. El conjunto de datos se dividió en grupos de entrenamiento y validación, permitiendo a los investigadores probar la precisión del modelo. Los investigadores realizaron su análisis varias veces para garantizar la exactitud y fiabilidad.

#Resultados de los Análisis Iniciales

El análisis inicial mostró diferencias claras en los marcadores de salud entre los pacientes que sobrevivieron y aquellos que no. Los pacientes más jóvenes, especialmente los menores de 50 años, mostraron una separación más marcada en los resultados de salud. Esto animó a los investigadores a evaluar diferentes técnicas de aprendizaje automático para crear mejores modelos predictivos.

#Hallazgos de Evaluación de Riesgo

En la población total del estudio, los individuos de alto riesgo eran mayormente hombres mayores con mayor presión arterial, diabetes y enfermedad arterial coronaria severa. En total, alrededor de 600 pacientes fallecieron por causas cardiovasculares dentro de diez años, mientras que alrededor de 2,350 sobrevivieron.

Usando varios métodos para analizar los datos, los investigadores encontraron que ciertos marcadores en sangre, como NT-proBNP (un marcador de insuficiencia cardíaca), Troponina T (un marcador para lesiones cardíacas), función renal y edad, estaban altamente asociados con la mortalidad cardiovascular.

Para aquellos sin enfermedad arterial coronaria significativa, los modelos predictivos mantuvieron resultados similares, confirmando la importancia de estos marcadores en sangre. Los métodos de aprendizaje automático asignaron a los pacientes de manera más precisa a las categorías de bajo, medio o alto riesgo en comparación con las herramientas tradicionales de evaluación de riesgo.

#Comparación de Nuevos y Existentes Modelos

Cuando el nuevo método fue comparado con calculadoras de riesgo establecidas como el Framingham Risk Score y el PROCAM, mostró una mejor capacidad para clasificar correctamente a los pacientes de alto riesgo. Los pacientes considerados de alto riesgo por el nuevo modelo tenían más probabilidades de recibir un tratamiento adicional.

A pesar de que los modelos de riesgo tradicionales a menudo asignaban a los pacientes a categorías de riesgo medio, el enfoque de aprendizaje automático proporcionó una distinción más clara, resaltando a más individuos en riesgo bajo y alto.

En pacientes con enfermedad arterial coronaria significativa, el nuevo método también se comparó con el puntaje de Marschner. Ambos métodos se desempeñaron de manera similar, identificando con precisión a los pacientes de alto riesgo. Sin embargo, el enfoque automatizado mostró una división más clara en los perfiles de riesgo, con menos pacientes en categorías de riesgo medio.

#Importancia de la Evaluación de Riesgo Dinámico

En el pasado, las evaluaciones de riesgo de ECV se basaban en gráficos estáticos y cálculos que utilizaban varios marcadores. Sin embargo, no todas las calculadoras están de acuerdo en sus categorías de riesgo, lo que lleva a confusión. Las variaciones en las tasas de mortalidad por ECV entre países indican que diferentes factores contribuyen a la salud del corazón.

Este nuevo modelo dinámico ofrece adaptabilidad a diferentes poblaciones y resultados. Evalúa la mortalidad cardiovascular basándose en datos específicos de cada estudio y proporciona el modelo de predicción más adecuado para la población estudiada.

Manejar datos faltantes también ha sido un desafío en métodos de análisis anteriores. Este nuevo enfoque aborda eso reemplazando los valores faltantes con la mediana de los datos disponibles, asegurando un manejo consistente de la información.

#Conclusión

El modelo de predicción cardiovascular desarrollado muestra una gran promesa al usar técnicas de aprendizaje automático para evaluar riesgos relacionados con el corazón. Al enfocarse en un pequeño conjunto de marcadores clave, este método potencialmente ofrece predicciones más fiables sobre los resultados a largo plazo en los pacientes.

En resumen, este enfoque innovador tiene el potencial de agilizar la evaluación del riesgo en diversas poblaciones mientras aumenta la precisión de las predicciones, guiando en última instancia mejores decisiones de tratamiento para los pacientes en riesgo de enfermedad cardiovascular.