Predecir resultados adversos en cardiomiopatía dilatada utilizando ecocardiografía 3D: regresión de Cox penalizada...

Área de la Ciencia:

• Cardiología Cardiología.
• La informática médica es la informática médica.
• La bioestadística es la bioestadística.

Sus antecedentes:

• La predicción del riesgo en la cardiomiopatía dilatada (DCM) es subóptima.
• Los métodos de aprendizaje automático (ML) se están explorando para el modelado pronóstico.
• Las medidas avanzadas de ecocardiografía 3D pueden mejorar la estratificación del riesgo.

Objetivo del estudio:

• Compare la regresión de Cox convencional, la regresión de Cox penalizada y los modelos de ML para la predicción del riesgo DCM.
• Identificar modelos con una discriminación, calibración e interpretabilidad óptimas.
• Evaluar la utilidad de los parámetros ecocardiográficos 3D en modelos de pronóstico.

Principales métodos:

• Estudio de cohorte retrospectivo de 196 pacientes con DCM.
• Seguimiento para el resultado compuesto: mortalidad, re-hospitalización por insuficiencia cardíaca o implantación de LVAD.
• Desarrollo y evaluación de 12 modelos de pronóstico (Cox, Lasso-Cox, ML) utilizando 41 predictores, incluidos los parámetros ecocardiográficos 3D.

Principales resultados:

• Los modelos ML (Random Forest, Gradient Boosting) mostraron la mayor discriminación (AUC 0.990) a los 12 meses, pero la calibración fue pobre.
• El modelo de Lasso-Cox mantuvo una discriminación aceptable (AUC 0.729) a los 24 meses con una mejor calibración.
• Los predictores clave incluyeron la fracción de eyección ventricular derecha 4D (4D-RVEF), el índice de volumen auricular izquierdo (LAVI), la presión sistólica de la arteria pulmonar (PASP) y la excursión sistólica del plano anular tricúspide (TAPSE).

Conclusiones:

• Los modelos ML sobresalen en la discriminación, pero luchan con la calibración en DCM.
• La regresión de Cox penalizada (Lasso-Cox) ofrece el mejor equilibrio entre rendimiento e interpretabilidad.
• Lasso-Cox se recomienda para estratificación de riesgos clínicos y estudios de implementación en DCM.