Previsión basada en el aprendizaje automático de eventos adversos después de un síndrome coronario agudo (PRAISE): un...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• La informática médica

Sus antecedentes:

• Las herramientas de predicción actuales para eventos isquémicos y sangrantes después del síndrome coronario agudo (SAA) carecen de suficiente precisión para el manejo personalizado del paciente.
• Es necesario mejorar los modelos de estratificación del riesgo para orientar las decisiones clínicas en pacientes con SCA.

Objetivo del estudio:

• Desarrollar y validar un modelo de estratificación de riesgos basado en el aprendizaje automático para predecir eventos adversos después del ACS.
• Para evaluar el rendimiento del modelo en la predicción de todas las causas de muerte, infarto de miocardio recurrente y hemorragia mayor.

Principales métodos:

• Modelos de aprendizaje automático entrenados en una gran cohorte (19.826 pacientes) de los registros BleeMACS y RENAMI.
• Se utilizaron 25 características clínicas evaluadas rutinariamente en el momento del alta para informar a los modelos.
• Se validó el modelo de mejor rendimiento, la puntuación PRAISE, en una cohorte externa (3444 pacientes).

Principales resultados:

• La puntuación PRAISE demostró fuertes capacidades discriminatorias en las cohortes de validación.
• Alcanzó un área bajo la curva (AUC) de 0.82 (interno) y 0.92 (externo) para predecir la muerte por cualquier causa en un año.
• En la validación interna y externa se mostraron valores de AUC de 0,74/ 0,81 para el infarto de miocardio y de 0,70/ 0,86 para la hemorragia mayor, respectivamente.

Conclusiones:

• El aprendizaje automático ofrece un enfoque factible y efectivo para predecir eventos posteriores al ACS.
• La puntuación PRAISE exhibe una capacidad de discriminación precisa para los principales resultados adversos.
• La puntuación PRAISE puede servir como una herramienta valiosa para guiar la toma de decisiones clínicas en el manejo del SCA.