La inteligencia artificial a través de la disciplina Machine Learning, es capaz de generar un score de predicción de mortalidad en pacientes con insuficiencia cardiaca. La insuficiencia cardiaca es una patología asociada a una elevada mortalidad, por tanto, poder estratificar y predecir el riesgo de muerte, puede resultar de gran utilidad en la práctica clínica. Una de las disciplinas científicas de la inteligencia artificial es el llamado “Machine Learning” que trata de crear sistemas que aprenden automáticamente y que son capaces de identificar patrones de comportamiento. Así pues, la hipótesis de estudio es poder general un modelo de predicción a través de Machine Learning que permita predecir el riesgo de muerte en pacientes con insuficiencia cardiaca con más exactitud que los scores previos. Este modelo se denominó MARKER-HF. Para ello, se seleccionaron un total de 5.822 pacientes con debut de insuficiencia cardiaca, pero cabe destacar que se excluyeron mayores de 80 años y/o portadores de dispositivos cardiacos, incluyendo desfibrilador automático implantable y marcapasos. Los pacientes se clasificaron en dos grupos: riesgo alto definido como aquellos que fallecieron durante los 3 primeros meses (407 pacientes) y riesgo bajo, como los que permanecían vivos tras más de 800 días (966). De esta forma, MARKER-HF fue diseñado para generar un modelo que permita dividir a los pacientes en alto y bajo riesgo, y se identificó 8 variables con excelente poder de discriminación, que fueron las siguientes: presión arterial diastólica, creatinina, urea, hemoglobina, leucocitos, plaquetas, albúmina y ancho de distribución eritrocitario. Al analizar los resultados, se comprobó como el score MARKER-HF fue altamente efectivo en separar ambos grupos de riesgo. El área bajo la curva fue de 0,88 (0,85-0,90 con un intervalo de confianza del 95%) aunque ninguna de las covariables por separado presentó un gran poder de discriminación (área bajo la curva entre 0,54 y 0,78). MARKER-HF también demostró una adecuada correlación entre la mortalidad en el primer año, que además fue consistente en las otras dos poblaciones estudiadas. En cuanto al NT_proBNP, conocido biomarcador pronóstico en insuficiencia cardiaca, no fue incluido en el score por no estar disponible en todos los pacientes. No obstante, en los pacientes en los que sí se había llevado a cabo una determinación, el NT_proBNP mostró una menor capacidad de separar en alto y bajo riesgo con un área bajo la curva de 0,69, y al estudiar su valor añadido a las 8 variables, no se evidenció una mejor predicción que con MARKER-HF. El score MARKER fue consistente en los subgrupos estudiados y presentó mejor poder predictivo que otros score de riesgo. Como crítica al estudio, hay que remarcar que se excluyó a dos grupos de pacientes que representan un importante porcentaje en nuestra práctica clínica habitual, como son los mayores de 80 años (los autores aluden a que la edad es el factor más estrechamente relacionado con la muerte) y los pacientes portadores de dispositivos incluyendo desfibrilador automático implantable, marcapasos (dado que el estudio pretendía incluir a los pacientes en el debut) La relevancia de este artículo radica en que la inteligencia artificial, en concreto Machine Learning, nos puede ayudar a predecir la probabilidad de muerte en nuestros pacientes con insuficiencia cardiaca, lo que podría ser una nueva herramienta para ayudarnos en la toma de decisiones en nuestra práctica clínica habitual.
Referencias:
- Eur J Heart Fail. - Improving risk prediction in heart failure using machine learning.
Comentario de la Dra. Julia Seller Moya
