Un estudio con datos de casi 220 mil pacientes de 29 hospitales de China desarrolló una herramienta que clasifica el riesgo de muerte en grupos bajo, moderado y alto, y la puso a disposición en una calculadora web.
Un equipo de investigadores de China desarrolló y validó modelos de aprendizaje automático para predecir la mortalidad por cualquier causa a 3 años en pacientes hospitalizados con síndrome cardiovascular-renal-metabólico (CKM, en inglés) en etapas 2 a 4. El trabajo, encabezado por Qi Gao, del Hospital Wuhan Cuarto, y con participación del Hospital Nanfang de la Universidad Médica del Sur, fue publicado en npj Digital Medicine. El modelo con mejor desempeño usa solo 8 variables clínicas de rutina y, según los autores, permite estratificar el riesgo de los pacientes y apoyar un manejo personalizado.
El síndrome CKM fue definido formalmente por la Asociación Estadounidense del Corazón (AHA) en octubre de 2023 para describir la coexistencia de trastornos metabólicos, enfermedad renal crónica y enfermedad cardiovascular. Se clasifica en cinco etapas: de la 0, sin factores de riesgo, a la 4, con enfermedad cardiovascular clínica. Los autores recuerdan que un análisis basado en la encuesta nacional NHANES estimó que cerca de 90% de los adultos de Estados Unidos cumple criterios de CKM y que más de 60% se ubica en la etapa 2 o superior. Estudios previos han mostrado que el riesgo de muerte aumenta a medida que avanza la etapa, pero no precisan qué combinación de características clínicas implica mayor riesgo entre pacientes de una misma etapa, que es el vacío que busca atender esta investigación.
Para ello, el equipo utilizó la base de datos China Renal Data System (CRDS), un registro de expedientes electrónicos de 29 hospitales universitarios urbanos, vinculado con el registro de defunciones del Centro para el Control y la Prevención de Enfermedades de China. Tras aplicar criterios de exclusión, como la falta de mediciones de laboratorio, el embarazo, un tumor maligno concomitante o un seguimiento menor a 30 días, la muestra final fue de 219 561 pacientes hospitalizados con CKM en etapas 2 a 4. La edad promedio fue de 62.9 años y 59.5% eran hombres. Por etapa, 66.6% estaba en la etapa 4, 22.1% en la 2 y 11.2% en la 3. Las condiciones más frecuentes fueron la hipertensión (85.2%), el colesterol HDL bajo (62.1%), la diabetes mellitus (50.2%), la prediabetes (48.1%) y la enfermedad coronaria (45.8%).
Los pacientes de 24 hospitales se dividieron en una cohorte de derivación, con 132,404 personas, y una cohorte de validación interna, con 56,744. Los de otros 5 hospitales, seleccionados al azar, formaron una cohorte de validación por centros, con 30,413. Con 101 variables candidatas, los investigadores desarrollaron dos modelos, uno basado en Extreme Gradient Boosting (XGBoost) y otro en el operador de contracción y selección mínima absoluta (LASSO). Ambos se redujeron después a las 8 variables más informativas, ya que el desempeño del XGBoost disminuyó de forma marcada al bajar de 8 a 7. Las variables finales son la edad, el dímero D, el péptido natriurético tipo B N-terminal (NT-proBNP), la albúmina, el urobilinógeno en orina, la bilirrubina indirecta, la bilirrubina directa y el sexo. Las tres con mayor peso en las predicciones fueron la edad, el dímero D y el NT-proBNP.
El modelo XGBoost superó al LASSO en las tres cohortes. Su área bajo la curva ROC-AUC, una medida de discriminación en la que 1 indica un resultado perfecto, fue de 0.831 en la derivación, 0.826 en la validación interna y 0.813 en la validación por centros, frente a 0.807, 0.807 y 0.799 del modelo LASSO, con diferencias estadísticamente significativas. Durante una mediana de seguimiento de 2.43 años se registraron 10,419, 4,490 y 3,062 muertes a 3 años en cada una de las cohortes, respectivamente. Los autores señalan que ambos modelos mostraron una calibración aceptable y beneficio clínico neto en el análisis de curvas de decisión, y que el desempeño del XGBoost fue mejor en pacientes de 60 años o menos, en mujeres y en quienes se encontraban en la etapa 4.
A partir del modelo, los pacientes se clasificaron en riesgo bajo, moderado o alto mediante dos umbrales de probabilidad, 0.223 y 0.855. En el conjunto de la muestra, 45.0% quedó en el grupo de bajo riesgo, 52.4% en el de riesgo moderado y 2.6% en el de alto riesgo. La incidencia de mortalidad a 3 años fue de 5.9, 62.9 y 254.7 por cada 1000 personas-año, respectivamente.
Los autores reconocen varias limitaciones. La población se restringe a pacientes hospitalizados en hospitales de tercer nivel de China, por lo que consideran necesaria una validación externa en bases de datos independientes y en cohortes de otros países. Indican además que exigir mediciones completas de biomarcadores pudo seleccionar a pacientes con enfermedad más avanzada, lo que introduce un posible sesgo de selección, y que la ausencia de datos de cateterismo coronario y de tomografía pudo provocar errores en la clasificación de la etapa. Añaden que la baja tasa de eventos limitó el valor predictivo positivo, y que la estrategia de doble umbral prioriza la precisión sobre la sensibilidad en el grupo de alto riesgo, por lo que parte de los pacientes de mayor riesgo puede haber quedado en categorías inferiores. Por ello subrayan que quienes se clasifican en riesgo moderado no deben pasarse por alto. Como líneas futuras, plantean incorporar variables de imagen y biomarcadores metabolómicos en sangre u orina para mejorar la predicción.
En cuanto a su aplicación, el equipo propone que los pacientes de bajo riesgo podrían manejarse en atención primaria con seguimiento estructurado, mientras que los de alto riesgo se beneficiarían de la derivación a centros de tercer nivel para una evaluación especializada y multidisciplinaria. El modelo se tradujo en una calculadora de riesgo en línea para uso clínico. Esta nota es de carácter informativo y se basa en un estudio observacional retrospectivo cuyos resultados aún no están en su versión definitiva, por lo que la herramienta no sustituye la valoración médica individual.
La calculadora está disponible en https://ckm-mortality-predict.shinyapps.io/CKM-3-year-Mortality-Calculator.
