Predictores de mortalidad a un año en pacientes con insuficiencia cardíaca con fracción de eyección preservada

Área de la Ciencia:

• Cardiología
• Informática Médica
• Bioestadística

Sus antecedentes:

• La insuficiencia cardíaca con fracción de eyección preservada (HFpEF) es un desafío clínico creciente.
• Las puntuaciones pronósticas existentes para HFpEF pueden no capturar patrones de riesgo complejos debido a variables limitadas y suposiciones lineales.
• Existe la necesidad de modelos de predicción de riesgo mejorados para pacientes con HFpEF.

Objetivo del estudio:

• Desarrollar y validar internamente modelos de predicción de mortalidad por todas las causas a 1 año en pacientes hospitalizados por HFpEF descompensada.
• Comparar el rendimiento de modelos avanzados de aprendizaje automático con modelos de supervivencia estándar.
• Identificar predictores clave de mortalidad en esta población de pacientes.

Principales métodos:

• Estudio de cohorte retrospectivo de 7.840 pacientes con HFpEF de 2010 a 2020.
• Se utilizaron clasificadores basados en árboles (Extreme Gradient Boosting, Light Gradient Boosting) y modelos de tiempo hasta el evento (Cox, RSF, GBS).
• Se empleó imputación múltiple para datos faltantes y validación cruzada para la optimización del modelo; se evaluó mediante AUROC, índice de concordancia y calibración.

Principales resultados:

• La tasa de mortalidad a un año fue del 31,5% en la cohorte.
• Los modelos de aprendizaje automático demostraron una buena discriminación (AUROC ~0,75) y calibración.
• Gradient Boosting Survival (GBS) logró el mayor rendimiento predictivo (índice de concordancia 0,718).
• Los predictores consistentes incluyeron albúmina baja, edad avanzada, NT-proBNP alto, disfunción renal y hemoglobina baja.

Conclusiones:

• Diversos enfoques de modelado produjeron una precisión predictiva comparable y factores de riesgo consistentes.
• Es factible una herramienta transparente de predicción de riesgos que utilice datos de admisión fácilmente disponibles para HFpEF.
• La evaluación del riesgo a nivel de paciente puede mejorarse, apoyando las iniciativas de salud de precisión.