Análisis de aprendizaje no supervisado de los triglicéridos, la inflamación, el colesterol y los riesgos de...

Área de la Ciencia:

• Investigación en enfermedades cardiovasculares
• Análisis de los biomarcadores
• Aprendizaje automático en la salud

Sus antecedentes:

• La evaluación tradicional del riesgo cardiovascular se basa en niveles de exposición predefinidos y en marcadores de riesgo individuales.
• Los métodos existentes pueden no capturar completamente las interacciones complejas que influyen en el riesgo vascular.
• Se necesitan nuevos enfoques analíticos para una estratificación del riesgo más matizada.

Objetivo del estudio:

• Explorar la utilidad del aprendizaje sin supervisión (agrupación de medios k) para identificar nuevos perfiles de riesgo cardiovascular.
• Evaluar el valor predictivo de estos grupos para eventos cardiovasculares incidentes y diabetes tipo 2.
• Comparar los conocimientos obtenidos a partir de la agrupación con los métodos tradicionales de evaluación del riesgo.

Principales métodos:

• Se realizó un análisis de agrupación de medias k sin supervisión sobre los datos de los biomarcadores iniciales (triglicéridos, hs-CRP, LDL-C) del Estudio de Salud de la Mujer (N=26 443).
• Se identificaron cuatro grupos distintos: 'saludables', 'hipercolesterolemicos', 'inflamatorios' y 'ricos en triglicéridos'.
• Los modelos de riesgos proporcionales de Kaplan-Meier y Cox se utilizaron para evaluar los riesgos basados en grupos de eventos cardiovasculares y diabetes tipo 2.

Principales resultados:

• El grupo " rico en triglicéridos " exhibió el mayor riesgo de eventos cardiovasculares incidentes (aHR, 2.24) y diabetes tipo 2 (aHR, 3.78) en comparación con el grupo " saludable ".
• Se observaron riesgos intermedios en los grupos " hipercolesterolemicos " (aHR, 1,44) y " inflamatorios " (aHR, 1,54) para los eventos cardiovasculares.
• La agrupación proporcionó asociaciones más fuertes para el riesgo total de enfermedad cardiovascular que las definiciones tradicionales de dislipidemia mixta, con estadísticas de reclasificación mejoradas.

Conclusiones:

• El aprendizaje no supervisado identifica efectivamente grupos distintos de pacientes con diferentes riesgos cardiovasculares y de diabetes tipo 2.
• Este enfoque basado en datos ofrece un método potencialmente más refinado para la evaluación del riesgo cardiovascular y la comprensión del desarrollo de la aterosclerosis.
• Los resultados sugieren que los perfiles de riesgo basados en clústeres pueden complementar o mejorar las estrategias tradicionales de estratificación del riesgo.