Cardiología hoy | Blog

‘Machine learning’ y calcio score: mejorando la predicción de riesgo de enfermedad coronaria

| Cardiología Hoy

Las escalas de probabilidad pretest basadas en síntomas que estiman la probabilidad de enfermedad coronaria (EC) en dolor torácico estable tienen una precisión moderada. El objetivo de este estudio fue desarrollar un modelo de machine learning (ML) utilizando factores clínicos y calcio score coronario arterial (CACS) para predecir la presencia de EC en la angiografía coronaria por tomografía computarizada (ACTC).

Este estudio analizó los 35.281 pacientes incluidos en el registro CONFIRM que se sometieron a ACTC (> 64 coronas) por sospecha de enfermedad coronaria o diagnóstico ya confirmado. Se utilizó un algoritmo basado en boosting (XGBoost) dividiéndose en una cohorte de entrenamiento (80%) y se realizó una validación cruzada en 10 veces con una cohorte de comprobación (20%). La precisión se evaluó en: 1) modelo ML (utilizando 25 características clínicas y demográficas), 2) ML+CACS, 3) escala clínica del CAD consortium, 4) escala clínica del CAD consortium + CACS y 5) escala de Diamond-Forrester (UDF) actualizada.

La población de estudio fue de 13.054 pacientes de los cuales 2.380 (18,2%) presentaban EC obstructiva (≥ 50% estenosis). El modelo ML+CACS fue el que presentó una mayor precisión (área bajo la curva [AUC] de 0,881) comparado con solo ML (AUC = 0,773), escala clínica CAD consortium (AUC 0,734), con CACS (AUC 0,866) y UDF (AUC 0,682), p < 0,05 para todas las comparaciones. CACS, edad y sexo fueron las características de mayor influencia.

Un modelo de ML que incorpore características clínicas, además de CACS, puede estimar de forma precisa la probabilidad pretest de CAD en la ACTC. En la práctica clínica esta estrategia podría mejorar la estratificación de riesgo y ayudar al manejo clínico.

"Un modelos de machine learning (con 25 variables clínicas+calcio score) mejora la predicción de enfermedad coronaria frente al CAD consortium score o Diamond-Forrester score", señala @afcisnal #BlogSEC Tuitéalo

Comentario

La valoración de pacientes con dolor torácico estable es una de los motivos de consulta más frecuentes en cardiología. El TC coronario se ha convertido en una gran herramienta para descartar cardiopatía isquémica obstructiva o, por el contrario, para iniciar una estrategia de técnicas de diagnósticas no invasivas o coronariografía invasiva.

Dada la baja dosis radiológica (incluso < 1 mSv) que se ha llegado a alcanzar con una medición de calcio score por ACTC, la ausencia de necesidad de administración de contraste y el ser una técnica rápida y no invasiva, ha generalizado su uso para la valoración del dolor torácico. Sin embargo, en múltiples ocasiones esto genera una avalancha de pruebas complementarias que suelen derivar en coronariografía invasiva, frecuentemente “en blanco”.

Tanto la European Society of Cardiology (ESC) como la American Heart Association (AHA)/American College of Cardiology (ACC) recomiendan la valoración de la probabilidad pretest mediante escalas clínicas (Duke score, Diamond-Forrester) en conjunto con los resultados antes de indicar más pruebas complementarias. Estas escalas, a pesar de identificar pacientes de bajo riesgo de forma moderadamente adecuada no son tan precisas en ciertas cohortes.

El ML es una herramienta que cada vez está siendo más utilizada en cardiología (como comentábamos en una entrada reciente de este blog) ya que permite un análisis de la interrelación de las variables a estudiar, tanto entre ellas como su peso combinado para la predicción de un evento o característica clínica.

.@afcisnal: "El machine learning está siendo cada vez más utilizado en cardiología, demostrando que puede desarrollar mejores modelos de predicción con el mismo conjunto de datos" #BlogSEC Tuitéalo

En este estudio se analizan los pacientes incluidos en el registro CONFIRM, que incluía pacientes sometidos a ACTC por sospecha (o diagnóstico previo) de enfermedad coronaria. Se compararon varios modelos predictivos de presencia de enfermedad coronaria: modelo básico de ML (solo con variables clínicas y demográficas), ML+ determinación de calcio score, CAD consortium solo y con calcio score y score de Diamond-Forrest.

El modelo ML presentó una precisión bastante buena que se incrementó claramente al añadirse los datos de calcio score (AUC 0,881) siendo superior al resto de los modelos analizados.

Cada una de las variables presentaba una importancia diferente en los modelos. Para el ML clínico las más importantes fueron edad, sexo y raza, seguidas de hipertensión e hipercolesterolemia, pero al añadir el calcio score este aparecía en primer lugar. Llamativamente en ambos modelos la disnea presentó mayor peso en la predicción de el dolor torácico típico.

Este estudio demuestra la capacidad de los modelos ML para mejorar, con los mismos conjuntos de datos, la precisión de los modelos de predicción de enfermedad coronaria y más concretamente la importancia del calcio score en estos.

La integración de estos modelos en los sistemas de historia clínica electrónica, que no requerirían un uso excesivo de recursos de procesamiento de datos, permitiría mejorar la estratificación de riesgo de los pacientes y evitar una proporción significativa de pruebas complementarias fútiles y de sus complicaciones.

A pesar de los datos aquí presentados, la ausencia de estudios de validación no aconseja aún la utilización de estos modelos y en el caso de que sean validados en otras cohortes, no se ha de olvidar la valoración clínica clásica y el enfoque bayesiano, pudiendo quizá en un futuro el ML ser complementario a estos para mejorar la atención al paciente.

Referencia

Machine learning of clinical variables and coronary artery calcium scoring for the prediction of obstructive coronary artery disease on coronary computed tomography angiography: analysis from the CONFIRM registry

  • Subhi J Al’Aref, Gabriel Maliakal, Gurpreet Singh, Alexander R van Rosendael, Xiaoyue Ma, Zhuoran Xu, Omar Al Hussein Alawamlh, Benjamin Lee, Mohit Pandey, Stephan Achenbach, Mouaz H Al-Mallah, Daniele Andreini, Jeroen J Bax, Daniel S Berman, Matthew J Budoff, Filippo Cademartiri, Tracy Q Callister, Hyuk-Jae Chang, Kavitha Chinnaiyan, Benjamin J W Chow, Ricardo C Cury, Augustin DeLago, Gudrun Feuchtner, Martin Hadamitzky, Joerg Hausleiter, Philipp A Kaufmann, Yong-Jin Kim, Jonathon A Leipsic, Erica Maffei, Hugo Marques, Pedro de Araújo Gonçalves, Gianluca Pontone, Gilbert L Raff, Ronen Rubinshtein, Todd C Villines, Heidi Gransar, Yao Lu, Erica C Jones, Jessica M Peña, Fay Y Lin, James K Min, Leslee J Shaw.
  • European Heart Journal, ehz565, https://doi.org/10.1093/eurheartj/ehz565

Advertencia

CARDIOLOGÍA HOY es el blog de la Sociedad Española de Cardiología (SEC), un foro abierto sobre actualidad médico-científica. Los contenidos publicados en este blog están redactados y dirigidos exclusivamente a profesionales de la salud. Las opiniones vertidas en este blog corresponden a los autores de los artículos y no necesariamente reflejan la opinión de la SEC. El Comité TIC de la SEC no aceptará artículos y comentarios al margen de este contexto formativo y de actualización de las evidencias clínicas. Más información sobre las Normas de comportamiento del blog.

¿Te ha gustado el artículo?

Compártelo en las redes sociales:
Colabora enviando tu artículo: Contacta con nosotros