Un modelo de riesgo para predecir la fibrilación auricular en la diabetes mediante aprendizaje automático: el estudio...

Área de la Ciencia:

• Cardiología
• Informática Médica
• Investigación sobre Diabetes

Sus antecedentes:

• La fibrilación auricular (FA) es una complicación común en pacientes con diabetes tipo 2.
• El valor predictivo de los modelos de aprendizaje automático (AM) para la FA en esta población no está bien establecido.
• Es necesaria la comparación con modelos tradicionales de predicción de riesgos como Cohorts for Heart and Aging Research in Genomic Epidemiology (CHARGE-AF).

Objetivo del estudio:

• Comparar el rendimiento predictivo de un modelo de aprendizaje automático (AM) de bosque aleatorio (RF) frente al modelo tradicional CHARGE-AF para el riesgo de fibrilación auricular (FA) en pacientes con diabetes tipo 2.
• Identificar los predictores clave de FA en esta cohorte utilizando AM.

Principales métodos:

• Se utilizaron datos de 9.307 pacientes con diabetes tipo 2 y sin FA previa del estudio Action to Control Cardiovascular Risk in Diabetes (ACCORD).
• Se desarrolló y validó un clasificador de bosque aleatorio (RF) utilizando variables clínicas y metabólicas.
• Se comparó el rendimiento del modelo RF con un modelo Cox CHARGE-AF utilizando el área bajo la curva ROC (AUC) validada por encruce de cinco pliegues.

Principales resultados:

• Durante un seguimiento mediano de 6,26 años, 175 pacientes desarrollaron FA.
• El modelo RF logró un AUC de 0,731, comparable al AUC de 0,756 del modelo CHARGE-AF (p=0,18).
• Los predictores clave identificados por el modelo RF incluyeron la edad, la circunferencia de la cintura, la raza, el colesterol total y la tasa de filtración glomerular estimada.

Conclusiones:

• Los modelos de aprendizaje automático (AM) demuestran un rendimiento comparable a los modelos tradicionales en la predicción de FA en pacientes con diabetes tipo 2.
• El AM identificó predictores distintos, lo que sugiere potencial para la estratificación de riesgos y las estrategias de prevención personalizadas de FA.
• Este estudio apoya la integración del AM en la evaluación del riesgo cardiovascular para pacientes diabéticos.