Una nueva puntuación de riesgo basada en aprendizaje automático en pacientes con insuficiencia cardíaca aguda: la...

Área de la Ciencia:

• Cardiología
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• Las puntuaciones pronósticas tradicionales a menudo predicen de manera inadecuada la mortalidad en pacientes con insuficiencia cardíaca aguda (ICA).
• Existe la necesidad de herramientas más precisas para evaluar el riesgo de mortalidad de los pacientes con ICA.

Objetivo del estudio:

• Desarrollar y validar una puntuación pronóstica basada en aprendizaje automático (ML) para la muerte intrahospitalaria en pacientes con ICA.
• Comparar el rendimiento de la nueva puntuación ML con las puntuaciones tradicionales establecidas (ADHERE, GWTG-HF).

Principales métodos:

• Se utilizaron datos de 1157 pacientes con ICA ingresados en hospitales brasileños (2016-2022).
• Se recopilaron datos clínicos, resultados de laboratorio y puntuaciones de Calidad de Vida de la OMS (WHOQOL-Bref).
• Se entrenó un modelo de ML con el 70% de los datos y se validó con el 30%, comparando el Área Bajo la Curva ROC (AUC) con las puntuaciones tradicionales.

Principales resultados:

• La puntuación ML-HF identificó el Dominio de Salud Física de la Calidad de Vida (WHOQOL-BREF), el sodio sérico, la urea, la creatinina y la presión arterial sistólica como predictores clave.
• La puntuación ML-HF demostró una discriminación superior en el conjunto de prueba (AUC=0.722) en comparación con GWTG-HF (AUC=0.616) y ADHERE (AUC=0.601).
• La calibración del modelo fue adecuada (p de Hosmer-Lemeshow=0.056).

Conclusiones:

• Se desarrolló y validó con éxito una nueva puntuación basada en aprendizaje automático (ML-HF) para predecir la mortalidad intrahospitalaria en la ICA.
• La puntuación ML-HF superó significativamente a las puntuaciones pronósticas convencionales, ofreciendo una mayor precisión predictiva para pacientes con ICA.