Los modelos de aprendizaje automático predicen con precisión la mortalidad después de un infarto

Cada año, más de dos millones de personas en todo el mundo desarrollan infarto de miocardio con elevación del segmento ST (STEMI) [2], un tipo de infarto causado por la obstrucción completa de una o más arterias coronarias. La intervención coronaria percutánea (ICP) es eficaz para muchos pacientes después de un STEMI, pero para algunos, el riesgo de mortalidad sigue siendo alto después del tratamiento. 

Como explicó en la conferencia la Dra. Andrea Rafanelli, del Centro Médico Universitario de Ámsterdam (UMC), Países Bajos, existe una necesidad insatisfecha de una herramienta de predicción de riesgo que pueda identificar con precisión a los pacientes con alto riesgo de mortalidad después de la ICP: «Las puntuaciones actuales recomendadas por las guías, como GRACE 2.0, estiman la mortalidad intrahospitalaria y a los seis meses en el momento de la presentación, antes de la ICP, en lugar de después del procedimiento. Los modelos de riesgo post-ICP, por otro lado, a menudo se basan en numerosas variables o en variables que no se recopilan de forma rutinaria, lo que limita su uso en la práctica diaria».

El proyecto PERISCOPE (Estratificación del riesgo del paciente para complicaciones post-STEMI) tuvo como objetivo desarrollar modelos de aprendizaje automático para predecir la mortalidad en el hospital y durante los primeros seis meses después de la ICP. «El objetivo principal es poder identificar con precisión a aquellos pacientes que necesitan tratamiento adicional y una monitorización más estrecha después de la intervención», afirmó. 

Mejora en la predicción

Se entrenó un conjunto de modelos de regresión logística con la base de datos US PREMIER PINC AI Healthcare Database (n=38.489), se probó de forma independiente con datos US TriNetX (n=119.035) y se validó externamente con datos de registros médicos electrónicos del Amsterdam UMC (n=6.776). En estas tres bases de datos, las tasas de mortalidad intrahospitalaria oscilaron entre el 6,6 % y el 9,9 %, mientras que las tasas de mortalidad a los seis meses oscilaron entre el 11,4 % y el 23,7 %. 

Los investigadores descubrieron que los modelos PERISCOPE superaron a la puntuación GRACE 2.0 en la predicción de la mortalidad intrahospitalaria y la mortalidad a los seis meses en las tres bases de datos. En cada caso, el límite inferior del intervalo de confianza del 95 % del área bajo la curva ROC observada con los modelos PERISCOPE superó el límite superior observado con la puntuación GRACE 2.0. 

«Los modelos de aprendizaje automático proporcionaron una buena discriminación tanto de la mortalidad intrahospitalaria como de la mortalidad a los seis meses», destacó la doctora Rafanelli. «Uno de los aspectos más alentadores fue que los modelos mostraron un rendimiento consistente en los tres conjuntos de datos, que eran geográficamente y clínicamente diversos, lo que sugiere una buena generalización», señaló.

Cómo hacerlos prácticos

Los modelos PERISCOPE pueden ofrecer un sistema fácil de implementar para ayudar a clasificar a los pacientes con alto riesgo de eventos futuros, pero primero, su impacto en los resultados debe probarse en poblaciones más diversas y en estudios prospectivos. La investigación futura debería evaluar qué tan bien funcionan los modelos cuando se integran en la vía de atención y cómo hacerlos prácticos.

«En otras palabras, qué hacemos realmente con los pacientes de alto riesgo una vez que los hemos identificado. Esto podría significar mantener a los pacientes en el hospital un poco más de tiempo o verlos con más frecuencia después del alta. Y, en última instancia, necesitamos saber si esos cambios mejoran los resultados. Finalmente, valdría la pena ampliar el alcance más allá del STEMI a otras formas de síndrome coronario agudo”, concluyó la doctora Rafanelli