Predicción mejorada del riesgo de enfermedad cardiovascular mediante modelos integrados de aprendizaje automático: un...

Área de la Ciencia:

• Medicina cardiovascular; Bioestadística; Biología computacional

Sus antecedentes:

• Las enfermedades cardiovasculares (ECV) son una de las principales causas de muerte a nivel mundial.; Los modelos de riesgo tradicionales tienen limitaciones en el alcance y los métodos estadísticos.; La identificación temprana del riesgo de ECV es crucial para una prevención y un manejo eficaces.

Objetivo del estudio:

• Desarrollar y validar un modelo integral de predicción de riesgo de ECV utilizando aprendizaje automático (ML).; Integrar puntuaciones genéticas, parámetros clínicos y factores de estilo de vida para una mejor predicción.; Comparar el rendimiento de los modelos de ML con las puntuaciones de riesgo tradicionales.

Principales métodos:

• Se utilizaron datos del UK Biobank de más de 240.000 participantes.; Se emplearon diversos algoritmos de ML (Ridge, Regresión Logística, SVM, Random Forest, XGBoost, MLP, Stacking).; Se desarrollaron modelos separados para la ECV general y subtipos específicos, incorporando datos genéticos, clínicos y de estilo de vida.

Principales resultados:

• El modelo ML integrado logró un alto rendimiento predictivo (AUC de 0.85).; Los modelos de datos combinados superaron a los que utilizan tipos de datos únicos (clínicos, de estilo de vida o genéticos solos).; Los predictores clave identificados incluyen la edad, la presión arterial sistólica, la cistatina C y la circunferencia de la cintura.

Conclusiones:

• La integración de datos clínicos, de estilo de vida y genéticos mejora sustancialmente la precisión del modelo de ML para la predicción del riesgo de ECV.; El modelo de ML desarrollado muestra una mejora significativa con respecto a la Puntuación de Riesgo Cardiovascular de Framingham (AUC +0.12).; Este modelo tiene potencial para la aplicación clínica en la identificación temprana del riesgo de ECV y las intervenciones personalizadas.