Las calculadoras de riesgo se utilizan para estimar el riesgo de enfermedad de millones de pacientes, lo que hace que su precisión sea fundamental. Pero cuando los modelos nacionales se adaptan a las poblaciones locales, a menudo se distorsionan y pierden precisión e interpretabilidad. Los investigadores del Brigham and Women’s Hospital, miembro fundador del Mass General Brigham Health Care System, utilizaron el aprendizaje automático avanzado para aumentar la precisión de la Calculadora Nacional de Riesgo Cardiovascular y al mismo tiempo preservar su interpretación y sus asociaciones de riesgo originales. Sus hallazgos mostraron una alta precisión general en los registros médicos electrónicos del Mass General Brigham y reclasificaron a casi uno de cada diez pacientes en una categoría de riesgo diferente para facilitar decisiones de tratamiento más precisas. Los resultados se publican en JAMA Cardiología.
“Las calculadoras de riesgos son increíblemente importantes porque son una parte integral de la conversación entre proveedores y pacientes sobre la prevención de riesgos”, dijo la primera autora Aniket Zanzavadia, MD, de medicina interna del Brigham and Women’s Hospital. “Pero a veces, cuando se aplican estas calculadoras globales a las poblaciones locales, hay variación en la naturaleza de un área, ya sea diferente demografía, diferentes patrones de práctica médica o diferentes factores de riesgo, por lo que queríamos encontrar una manera segura de Desarrollar un modelo básico de riesgo de enfermedad cardiovascular que se base en lo que ya se está haciendo”.
La Asociación Estadounidense del Corazón publicó una calculadora que predice la incidencia de enfermedades cardiovasculares en 2023 para adultos de 30 a 79 años. Esta herramienta nueva y mejorada ayuda a predecir las posibilidades de que una persona sufra un ataque cardíaco, un derrame cerebral o insuficiencia cardíaca dentro de 10 y 30 años. Si bien la ecuación PREVENT ha funcionado bien en la estimación del riesgo a nivel nacional, los investigadores querían probar si su técnica podría calibrar mejor las evaluaciones de riesgo para poblaciones más localizadas.
En el estudio, los investigadores utilizaron datos de registros médicos electrónicos de 95,326 pacientes de Mass General Brigham que tenían 55 años o más en 2007 y tenían al menos una medición de lípidos o presión arterial entre 1997-2006 y entre 2007 y 2007, hubo al menos un conflicto. con el sistema hospitalario. 2016. El equipo utilizó XGBoost, una biblioteca de aprendizaje automático de código abierto, para rediseñar la ecuación de PREVENT, preservando al mismo tiempo las asociaciones de factores de riesgo conocidos con los resultados observados en el modelo original. Los resultados demostraron una alta precisión y reclasificación de uno de cada diez pacientes en esta población.
“En teoría, esto podría representar un grupo de pacientes a los que, por ejemplo, no se les habrían recetado tratamientos con estatinas en la aplicación original del modelo, pero que se habrían beneficiado de ellos”, dijo Zanzovadia.
Aunque se necesitan más pasos antes de que la técnica pueda aplicarse a la atención del paciente, al equipo le gustaría ver cómo funciona en poblaciones locales en otros sistemas de atención médica y, en última instancia, que los médicos e investigadores utilicen esta herramienta para desarrollar modelos de riesgo global.
“Un desafío importante en la aplicación de la IA a la investigación clínica es garantizar que los modelos de aprendizaje automático no solo sean flexibles, sino también transparentes, confiables y se basen en el conocimiento del dominio”, dijo la coautora principal Olga Daimler, Ph.D., bioestadística asociada. División de Medicina Preventiva, Hospital de la Mujer. “Nuestro enfoque demuestra que es posible escapar de la naturaleza de ‘caja negra’ de las aplicaciones de IA y puede ofrecer un camino a seguir donde los algoritmos sofisticados puedan conservar su flexibilidad y al mismo tiempo garantizar su rendimiento”.
Autor: Los autores adicionales incluyen a Olga Meneva, Chuneng Li, Zarin Faruqi, Franco Giuliani, Brian Cade, Lin Chen, Elizabeth Carlson, Nina Painter y Samia Mora.
Divulgaciones: Samia Mora se ha desempeñado como consultora de Pfizer para trabajos fuera del presente estudio. Olga Demler y Nina Paynter recibieron financiación del Instituto de Investigación Cova para trabajos no relacionados con el presente estudio. Aniket Zinzuwadia ha trabajado como empleada de Heartbeat Health fuera del estudio actual.
Fondos: Los investigadores cuentan con el apoyo de subvenciones del Instituto Nacional del Corazón, los Pulmones y la Sangre (K24 HL136852, R21 HL156174, R21HL167173, K01HL135342 y R21125962), la Asociación Estadounidense del Corazón (17IGMV338600), el Instituto Suizo de Medicina (Suiza) y Fetzer. Se apoyó HET (9). Dataspectrum4CVD del Centro Suizo de Ciencia de Datos/Salud Personalizada y Tecnologías Relacionadas, Zurich, Suiza y el Instituto Nacional de Investigación del Genoma Humano (U01HG008685).
