Las calculadoras de riesgo se utilizan para evaluar el riesgo de enfermedad en millones de pacientes, lo que hace que su precisión sea fundamental. Pero cuando los modelos nacionales se adaptan a las poblaciones locales, a menudo se distorsionan y pierden precisión e interpretabilidad. Los investigadores del Brigham and Women’s Hospital, miembro fundador del Mass General Brigham Health Care System, utilizaron el aprendizaje automático avanzado para aumentar la precisión de una calculadora nacional de riesgo cardiovascular y preservar su interpretabilidad y factores de riesgo clave. Sus resultados mostraron una mayor precisión general en una cohorte de registros médicos electrónicos en Mass General Brigham y reclasificaron a uno de cada diez pacientes en una categoría de riesgo diferente para facilitar decisiones de tratamiento más precisas. Se publican los resultados Jama Cardiología.
“Las calculadoras de riesgos son increíblemente importantes porque son una parte integral de la conversación entre proveedores y pacientes sobre la prevención de riesgos”, dijo la primera autora Aniket Jinjuwadia, MD, médica residente en medicina interna del Brigham and Women’s Hospital. “Pero a veces, cuando se aplican estas calculadoras globales a las poblaciones locales, hay una variabilidad inherente en la naturaleza de un área, ya sean diferentes características de la población, diferentes patrones de práctica médica o diferentes factores de riesgo, por lo que queríamos encontrar una manera de hacer las estimaciones iniciales para las poblaciones locales. Crear un modelo de riesgo de enfermedad cardiovascular de forma segura que se base en lo que ya se está haciendo”.
La Asociación Estadounidense del Corazón lanzó la calculadora de riesgo (prevención) para predecir eventos de enfermedades cardiovasculares en 2023 para adultos de entre 30 y 79 años. Esta herramienta nueva y mejorada ayuda a predecir las posibilidades de que una persona sufra un ataque cardíaco, un derrame cerebral o insuficiencia cardíaca entre 10 y 30 años. Aunque las ecuaciones de prevención funcionaron bien para evaluar el riesgo a nivel nacional, los investigadores querían probar si su técnica podría calibrar mejor la evaluación del riesgo para más poblaciones locales.
En el estudio, los investigadores utilizaron datos de registros médicos electrónicos de 95,326 pacientes generales de Brigham que tenían 55 años de edad o más en 2007 y tenían al menos una medición de lípidos o presión arterial entre 1997 y 2006 y al menos un encuentro con el sistema hospitalario entre 2007. y 2007. . 2016. El equipo utilizó XGBoost, una biblioteca de aprendizaje automático de código abierto, para recuperar las ecuaciones de PREVENT, preservando al mismo tiempo las asociaciones de factores de riesgo conocidos con los resultados observados en el modelo original. Los resultados demostraron una mayor precisión y reclasificación de uno de cada diez pacientes en esta población.
“En teoría, esto podría representar un grupo de pacientes a los que no se les recomendó el tratamiento con estatinas en la aplicación original del modelo, por ejemplo, pero que podrían beneficiarse de ellas”, dijo Jinjuwadia.
Aunque se necesitan más pasos antes de que esta técnica pueda aplicarse a la atención al paciente, el equipo quiere ver cómo funciona en poblaciones locales en otros sistemas de atención médica y, eventualmente, utilizar la herramienta para crear modelos de riesgo global para médicos e investigadores.
“Un desafío importante en la aplicación de la IA a la investigación médica es garantizar que los modelos de aprendizaje automático no sólo sean flexibles, sino también transparentes, confiables y basados en el conocimiento del dominio”, dijo la coautora principal Olga Daimler, PhD, bioestadística asociada en Brigham and Preventive. en el Hospital de la Mujer. “Nuestro enfoque muestra que es posible evitar la naturaleza de ‘caja negra’ de las aplicaciones de IA y ofrecer un camino donde los algoritmos sofisticados puedan mantener su flexibilidad garantizando al mismo tiempo su rendimiento”.
Paternidad literaria: Los autores adicionales incluyen a Olga Minieva, Chunying Li, Zarin Faroukhi, Franco Giulianini, Brian Cade, Lin Chen, Elizabeth Carlson, Nina Painter y Samia Mora.
Divulgación: Samia Mora se ha desempeñado como consultora de Pfizer para trabajos fuera de la investigación actual. Olga Daimler y Nina Painter recibieron financiación del Instituto de Investigación Kowa para trabajos no relacionados con el presente estudio. Aniket Jinjuwadia ha trabajado como empleada de Heartbeat Health fuera de la investigación actual.
Financiación: Los investigadores contaron con el apoyo del Instituto Nacional del Corazón, los Pulmones y la Sangre (K24 HL136852, R21 HL156174, R21HL167173, K01HL135342 y R21125962), la Asociación Estadounidense del Corazón (17IGMV338600), el Instituto Swedrich, Suecia (HL), Suecia HL) Suiza Centro de ciencia de datos/Salud personalizada y tecnologías relacionadas, Zurich, Suiza y Dataspectrum4CVD del Instituto Nacional de Investigación del Genoma Humano (U01HG008685).