Enfoque de aprendizaje automático para la predicción de la fibrilación auricular entre individuos sin enfermedades...

Área de la Ciencia:

• Cardiología
• Los biomarcadores
• Aprendizaje automático

Sus antecedentes:

• Falta de modelos de predicción de la fibrilación auricular (FA) para personas sin enfermedades cardiovasculares previas (ECV).
• Necesidad de estrategias de intervención temprana.
• Centrarse en los individuos de mediana edad sin enfermedad cardiovascular evidente.

Objetivo del estudio:

• Desarrollar y validar un modelo de predicción del AF.
• Utilice métodos de aprendizaje automático.
• Emplear biomarcadores de rutina para la predicción en una población libre de ECV.

Principales métodos:

• Análisis de 122.822 individuos de la cohorte sueca AMORIS (de entre 40 y 65 años).
• 20 años de seguimiento para el incidente AF.
• Modelo forestal aleatorio para identificar los predictores de 16 biomarcadores de rutina.

Principales resultados:

• 10.356 incidentes de FA en más de 18,1 años.
• Un modelo de siete predictores (edad, albúmina, ácido úrico, triglicéridos, glucosa, fosfatasa alcalina y sexo) mostró un rendimiento óptimo.
• C-estadísticas: 0,82 (entrenamiento) y 0,71 (validación) para la predicción AF a 20 años.

Conclusiones:

• Se desarrolló un nuevo modelo de predicción de AF utilizando siete biomarcadores accesibles.
• El modelo complementa las herramientas de predicción de AF existentes.
• Demuestra un rendimiento aceptable para predecir el riesgo de FA a corto y largo plazo en una población de prevención primaria.