Predicción de riesgo de insuficiencia cardíaca en pacientes con hiperuricemia mediante aprendizaje automático y...

Área de la Ciencia:

• Cardiología
• Nefrología
• Salud Pública

Sus antecedentes:

• Los trastornos cardiovasculares, especialmente la insuficiencia cardíaca (IC), representan una carga significativa para la salud mundial.
• La hiperuricemia es un factor de riesgo reconocido que aumenta la susceptibilidad a la IC.
• Los modelos actuales de predicción de riesgos de IC son complejos, lo que dificulta su aplicación clínica.

Objetivo del estudio:

• Desarrollar un modelo de evaluación de riesgos simple e interpretable para la IC en pacientes con hiperuricemia.
• Identificar indicadores clínicos accesibles para uso rutinario en la estratificación de riesgos.
• Abordar la necesidad de herramientas prácticas en el manejo del riesgo cardiovascular.

Principales métodos:

• Se utilizaron datos de NHANES (2005-marzo de 2020) que incluyen 1603 adultos con hiperuricemia.
• Se aplicaron varios modelos de aprendizaje automático (SVM, Random Forest, Regresión Logística, XGBoost) para la predicción.
• Se evaluó el rendimiento del modelo utilizando precisión, sensibilidad, puntuación F1 y ROC AUC; se empleó SHAP para la importancia de las características.

Principales resultados:

• El modelo de Máquina de Soporte Vectorial (SVM) demostró un rendimiento superior.
• Predictores clave identificados: enfermedad renal crónica, enfermedad de las arterias coronarias, hipertensión, potasio sérico, osmolalidad sérica y tiempo sedentario.
• Estos seis indicadores mostraron un poder predictivo significativo para la IC en la cohorte de hiperuricemia.

Conclusiones:

• Se propone una herramienta sencilla e interpretable para la estratificación del riesgo de IC en pacientes con hiperuricemia.
• El modelo integra seis indicadores fáciles de obtener para la utilidad clínica.
• Se recomienda una mayor validación, pero el modelo muestra potencial para la detección e intervención tempranas de la IC.