Nuevas puntuaciones de riesgo impulsadas por IA superan ampliamente las directrices de la AHA para pacientes con enfermedades cardíacas

Los pacientes que ya han sufrido un infarto de miocardio, un accidente cerebrovascular u otro evento cardiovascular aterosclerótico siguen presentando un riesgo residual elevado, fenómeno conocido como «riesgo residual». Sin embargo, las herramientas personalizadas para cuantificar ese riesgo en prevención secundaria son notablemente escasas en comparación con los numerosos calculadores de riesgo disponibles para personas que nunca han tenido un evento cardiovascular. Las guías de colesterol AHA/ACC de 2018 ofrecen un sistema categórico simple (riesgo promedio, alto y muy alto) basado en 10 marcadores, pero este modelo no es específico por sexo, no genera estimaciones de riesgo absoluto individualizadas y ha mostrado una adopción limitada en la práctica clínica real. Este artículo buscó cerrar esa brecha mediante aprendizaje automático moderno aplicado a dos cohortes grandes y bien caracterizadas.

La cohorte de desarrollo fue el UK Biobank (UKB), un estudio prospectivo de 502.359 participantes reclutados en 22 centros del Reino Unido entre 2006 y 2010, con seguimiento hasta noviembre de 2021. Tras aplicar los criterios de elegibilidad —un evento ASCVD previo que incluyera infarto de miocardio, accidente cerebrovascular, enfermedad arterial coronaria, enfermedad arterial periférica, AIT o revascularización— 32.994 participantes cumplieron los requisitos (edad media 61 años, DE 7; 35,5% mujeres; 8,0% de muertes por ECV a 10 años). La cohorte se dividió en proporción 70/30 en conjuntos de desarrollo (n=23.095) y validación de reserva (n=9.899). La validación externa se realizó en la cohorte de historia clínica electrónica de Mass General Brigham (MGB), compuesta por 54.969 pacientes (edad media 71 años, DE 9; 41,4% mujeres; 12,6% de muertes por ECV; seguimiento mediano de 9,4 años). La cohorte MGB era notablemente más mayor y con mayor carga de enfermedad, con una prevalencia de hipertensión del 65% frente al 48% en UKB, lo que convirtió la validación externa en una prueba significativa de generalización.

Se desarrollaron dos modelos a partir de grupos candidatos de 35 y 79 variables, respectivamente. El RRS16 incorporó 16 factores seleccionados algorítmicamente y disponibles en ambas cohortes —incluyendo edad, sexo, presión arterial sistólica, función renal, lípidos, diabetes, tabaquismo, tipos de eventos ASCVD previos y uso de medicamentos—. El RRS24 incorporó adicionalmente autoevaluaciones del estado de salud y biomarcadores extendidos disponibles en UKB (por ejemplo, lipoproteína(a), PCR, hemoglobina). La selección de variables utilizó regresión de Cox regularizada con elastic-net y eXtreme Gradient Boosting (XGBoost). Los modelos se compararon con la guía AHA de 2018, el índice SMART y varios modelos de referencia entrenados de Cox/XGBoost. La calibración se evaluó mediante la prueba de Greenwood-Nam-D'Agostino, y el beneficio clínico neto se cuantificó mediante análisis de curvas de decisión.

El RRS16 alcanzó un C-estadístico de Harrell de 0,752 (IC del 95%: 0,736–0,768) en el conjunto de validación de reserva de UKB y de 0,750 (0,744–0,756) en MGB, frente a solo 0,658 y 0,580 del modelo de la guía AHA en los mismos conjuntos de datos. Esto representa una mejora absoluta de aproximadamente 0,09–0,17 en la discriminación, una ganancia clínicamente relevante. El RRS24 alcanzó 0,784 (0,768–0,800) en UKB. Ambas puntuaciones novedosas presentaron una buena calibración (todos los valores P de Greenwood-Nam-D'Agostino >0,1), lo que significa que sus probabilidades predichas coincidieron con precisión con las tasas de eventos observadas en los deciles de riesgo. El análisis de curvas de decisión demostró un beneficio clínico neto en un amplio rango de umbrales de tratamiento. Los análisis de subgrupos confirmaron un rendimiento consistente entre grupos de edad, sexo y categorías raciales, aunque el artículo señala que la diversidad poblacional fue limitada en ambas cohortes.

Las implicaciones prácticas son significativas. Un calculador interactivo del RRS16 está disponible de forma gratuita en línea (mora.bwh.harvard.edu/rrs16/), lo que permite a los clínicos generar estimaciones de riesgo absoluto personalizadas a partir de datos clínicos de rutina, algo que el modelo categórico actual de la AHA no puede ofrecer. En prevención secundaria, saber si un paciente post-infarto tiene un riesgo de mortalidad por ECV a 10 años del 5% o del 25% debería influir de manera significativa en la toma de decisiones compartida respecto a la intensificación del tratamiento hipolipemiante, la elección antiagregante y las intervenciones sobre el estilo de vida. Los autores reconocen que ambas cohortes son predominantemente de raza blanca, lo que limita la generalización a poblaciones más diversas, y que la validación externa en grupos de ascendencia no europea es el siguiente paso prioritario. No obstante, la validación en dos cohortes que abarca dos continentes, dos sistemas de salud y casi 88.000 pacientes establece una base sólida para la adopción clínica.