Investigadores de Mount Sinai desarrollaron un modelo de IA capaz de predecir si un paciente con apnea del sueño se beneficiará, no experimentará cambios o incluso podría verse perjudicado por el uso del CPAP, el dispositivo de presión de aire positiva que se considera el tratamiento estándar de la condición.
La apnea obstructiva del sueño afecta a millones de personas en todo el mundo y está estrechamente vinculada a un mayor riesgo de enfermedades cardiovasculares. Durante décadas, el tratamiento de referencia ha sido el CPAP, un dispositivo que mantiene las vías respiratorias abiertas durante el sueño mediante presión de aire continua. Sin embargo, los grandes ensayos clínicos aleatorizados nunca han logrado demostrar que el CPAP reduzca de manera consistente el riesgo cardiovascular en todos los pacientes. Un estudio publicado en Communications Medicine, por investigadores de Icahn School of Medicine de Mount Sinai, propone que esa inconsistencia no es una paradoja, sino una señal de que la apnea del sueño es una enfermedad mucho más heterogénea de lo que los enfoques clínicos tradicionales han reconocido.
El estudio, aplicó una técnica de aprendizaje automático o machine learning denominada bosque de supervivencia causal o causal survival forest a los datos del ensayo clínico SAVE, el mayor estudio aleatorizado realizado hasta la fecha para evaluar el efecto del CPAP en la prevención de eventos cardiovasculares. El ensayo incluyó a 2,687 participantes con apnea del sueño e historial previo de enfermedad coronaria o cerebrovascular, sin somnolencia diurna excesiva, reclutados en 89 centros de siete países. A diferencia de los métodos estadísticos convencionales, que calculan un efecto promedio del tratamiento para toda la población estudiada, el modelo desarrollado por los investigadores de Mount Sinai asignó a cada participante una puntuación de efecto de tratamiento individualizado, estimando si el CPAP reduciría, no modificaría o incrementaría su riesgo de sufrir un evento cardiovascular mayor.
Los resultados revelan una heterogeneidad marcada y estadísticamente significativa en la respuesta al tratamiento. Los participantes clasificados en el tercio superior de la puntuación, es decir, aquellos con mayor probabilidad de beneficiarse del CPAP, experimentaron una reducción de cien veces en su riesgo de sufrir un evento cardiovascular recurrente cuando fueron asignados al tratamiento. En contraste, los del tercio inferior, quienes el modelo predijo que serían perjudicados, tuvieron un aumento de más de cien veces en ese mismo riesgo. El tercio intermedio no mostró efectos significativos en ninguna dirección, lo que replica el resultado nulo que el ensayo SAVE había reportado para la cohorte en su conjunto.
El modelo superó en desempeño predictivo a las métricas clínicas convencionales de riesgo cardiovascular y severidad de la apnea, como el índice apnea-hipopnea y el Framingham Risk Score, ninguno de los cuales logró identificar subgrupos con respuestas diferenciadas al CPAP. Las 23 variables que el modelo identificó como más predictivas provienen de dominios clínicos distintos, entre ellos el historial previo de revascularización coronaria, el estado de tabaquismo, el uso de agentes reductores de lípidos, el tiempo pasado con saturación de oxígeno por debajo del 90% durante el sueño y medidas de calidad de vida reportadas por los propios pacientes.
“Nuestros hallazgos representan un avance significativo en la medicina personalizada, alejándose de una estrategia de talla única en el tratamiento de la apnea obstructiva del sueño”, señaló la Dra. Neomi A. Shah, profesora de Medicina en la División de Medicina Pulmonar, Cuidados Críticos y del Sueño de Icahn y coautora correspondiente del estudio. “Esto subraya el valor de los nuevos enfoques basados en datos, como nuestro modelo, para ayudar a los médicos a tomar decisiones informadas sobre las recomendaciones de tratamiento con CPAP, mejorando la atención personalizada para satisfacer las necesidades individuales de cada paciente”.
Asimismo, un hallazgo que los autores califican de contraintuitivo, aunque consistente con trabajos previos del mismo grupo, es que los pacientes que más se beneficiaron del CPAP no eran necesariamente los más graves en términos de severidad de la apnea ni los más hipoxémicos durante el sueño. En cambio, quienes mostraron mayor riesgo de daño con el tratamiento tenían antecedentes más frecuentes de infarto de miocardio y revascularización coronaria. Los investigadores proponen que este patrón podría explicarse por un mecanismo de precondicionamiento isquémico, en el que la hipoxia intermitente producida por la apnea ejercería un efecto cardioprotector en ciertos pacientes con enfermedad cardiovascular establecida, efecto que el CPAP podría suprimir al eliminar esos episodios de desoxigenación.
“Estos resultados demuestran el poder del aprendizaje automático para la predicción de efectos de tratamiento en una era de medicina de precisión; sin embargo, estos modelos requieren una validación cuidadosa para demostrar su utilidad en la práctica clínica”, reconoció el Dr. Oren Cohen, profesor asistente de Medicina en el Icahn y coprimer autor del estudio.
Los autores reconocen que el modelo tiene limitaciones importantes. Al haberse desarrollado y evaluado sobre la misma cohorte del ensayo SAVE, sin una validación en una cohorte externa e independiente, su aplicabilidad a la práctica clínica real aún no puede garantizarse. Los investigadores señalan que esta es una limitación propia de los métodos de aprendizaje causal, que requieren muestras de gran tamaño y no admiten la partición estándar de datos en conjuntos de entrenamiento y prueba que se usa en otros modelos predictivos. El artículo plantea que una ruta de validación posible sería la armonización de datos de múltiples ensayos clínicos o el uso de métodos de aprendizaje federado.
“La inteligencia artificial en medicina debe ir más allá del reconocimiento de patrones hacia el razonamiento causal”, afirmó la Dra. Mayte Suárez-Fariñas, codirectora de la División de Bioestadística y Ciencia de Datos y profesora de Política de Ciencias de la Salud Poblacional e Inteligencia Artificial y Salud Humana en Icahn, también coautora correspondiente del estudio. “Al estimar efectos de tratamiento individualizados a lo largo del tiempo utilizando datos de ensayos clínicos aleatorizados, avanzamos la IA predictiva hacia herramientas de apoyo a la decisión fundamentadas en la causalidad y capaces de informar decisiones de tratamiento en el mundo real y mejorar los resultados”.
