Marcador basado en el aprendizaje automático para la enfermedad arterial coronaria: derivación y validación en dos...

Área de la Ciencia:

• Investigación de las enfermedades cardiovasculares
• El aprendizaje automático en el cuidado de la salud
• Desarrollo de biomarcadores

Sus antecedentes:

• El diagnóstico binario de la enfermedad arterial coronaria (CAD) carece de granularidad en la evaluación de la gravedad y el riesgo.
• Se necesita un marcador cuantitativo para comprender mejor la complejidad de la EAC y los resultados para los pacientes.
• El aprendizaje automático (ML) ofrece potencial para el desarrollo de nuevos marcadores cuantitativos de CAD.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático que prediga la enfermedad arterial coronaria (CAD).
• Para evaluar las probabilidades del modelo como una puntuación in silico para CAD (ISCAD).
• Evaluar la asociación de ISCAD con los resultados clínicos, incluida la estenosis y la mortalidad.

Principales métodos:

• Desarrolló y validó un modelo de aprendizaje automático predictivo basado en CAD utilizando 95.935 registros electrónicos de salud.
• Probabilidades del modelo evaluadas como puntuaciones de ISCAD en dos cohortes de biobancos longitudinales.
• Se midió la asociación de ISCAD con estenosis de la arteria coronaria, CAD obstructivo, muerte y secuelas.

Principales resultados:

• El modelo ML logró un alto rendimiento predictivo (AUC 0,91-0,95) en los conjuntos de validación y ensayo.
• Las puntuaciones de ISCAD se correlacionaron positivamente con la gravedad y extensión de la estenosis de la arteria coronaria.
• Los deciles ISCAD más altos mostraron un aumento gradual en la muerte por todas las causas y el riesgo de infarto de miocardio.
• Individuos subdiagnosticados identificados con puntuaciones altas de ISCAD y evidencia clínica de CAD.

Conclusiones:

• Un modelo ML basado en registros electrónicos de salud puede generar un marcador in silico no invasivo para CAD (ISCAD).
• ISCAD cuantifica la aterosclerosis y el riesgo de muerte en un espectro continuo.
• Este enfoque ayuda a identificar los casos de CAD subdiagnosticados.