Los modelos estadísticos tradicionales permiten inferencias y comparaciones en poblaciones. El machine learning (ML) explora bases de datos para desarrollar algoritmos que no asumen relaciones lineales entre variables y resultados, pudiendo identificar interacciones a un nivel superior para realizar predicciones de resultados más individualizadas.
El objetivo de este estudio fue evaluar el rendimiento de los modelos de ML comparado con los métodos tradicionales de estratificación de riesgo para la predicción de eventos adversos cardiovasculares mayores (MACE) y sangrado en pacientes con síndrome coronario agudo (SCA) tratados con terapia antitrombótica.
Se agregaron los datos de 24.178 pacientes con SCA de cuatro ensayos clínicos aleatorizados. El algoritmo super learner ensemble seleccionó los pesos de 23 modelos de ML que se compararon con los modelos tradicionales.
El objetivo de eficacia fue un combinado de muerte cardiovascular, infarto de miocardio e ictus. El objetivo de seguridad fue un combinado de sangrado TIMI mayor y menor, y sangrado que requiera atención médica. Para el objetivo de MACE el super learner arrojó un estadístico c superior (0,734) que la regresión logística (0,714), la escala de riesgo TIMI (0,489) y la nueva escala de riesgo cardiovascular desarrollada en la base de datos (0,644). Para el objetivo de sangrado, el super learner demostró un estadístico c similar al modelo de regresión logística (0,670 frente a 0,671). Las estimaciones de ML presentan una buena calibración con los resultados observados de eficacia y sangrado (Hosmer-Lemeshow p = 0,692 y 0,970, respectivamente). El algoritmo super learner presentó una alta calibración, tanto en los objetivos de eficacia y seguridad y arrojó el mayor estadístico c para predicción de MACE comparado con las escalas de riesgo cardiovascular tradicionales.
Este análisis demuestra una aplicación contemporánea de la aplicación de ML para el guiado de decisiones, a nivel de paciente, de tratamiento antitrombótico.
Comentario
Un gran porcentaje de pacientes que sufren un SCA presentarán un nuevo evento isquémico, en especial durante el primer año. El tratamiento antitrombótico previene con eficacia una gran parte de estos eventos. Sin embargo, su uso conlleva un mayor riesgo de hemorragias. La indicación del tratamiento antitrombótico óptimo para cada paciente suele está determinada por el equilibrio entre el riesgo hemorrágico y trombótico.
La doble terapia antiagregante es un estándar de tratamiento completamente aceptado en el SCA y en los últimos años se han demostrado eficaces los anticoagulantes directos a dosis bajas junto a los antiagregantes y, en presencia de fibrilación auricular también a dosis plenas. El Rivaroxabán es uno de los anticoagulantes directos más estudiados SCA contando con tres grandes ensayos clínicos: ATLAS ACS TIMI 46 y 51, GEMINI ACS y PIONEER AF-PCI, suponiendo en conjunto más de 24.000 pacientes estudiados.
Sin embargo, esta eficacia se ve contrarrestada por la aparición de un mayor riesgo de hemorragias en algunos pacientes. El equilibro entre el riesgo de nuevos eventos isquémicos y el riesgo hemorrágico es determinante para la elección del tratamiento antitrombótico. El cálculo de estos se realiza en base a escalas de riesgo desarrolladas en amplias cohortes de pacientes asignando una puntuación a cada variable en función del riesgo relativo obtenido en una regresión logística.
El machine learning permite identificar no solo el riesgo derivado de variables aisladas sino también de las múltiples interacciones entre ellas. Se está popularizando su uso por la capacidad de mejorar la estimación del riesgo comparado con métodos estadísticos clásicos como la regresión logística.
Los autores de este estudio toman los datos agregados de estos ensayos clínicos a nivel de paciente y comparan el rendimiento (en términos de discriminación y calibración) y la capacidad predicción de diferentes algoritmos de ML frente a modelos de regresión logística y escalas de riesgo tradicionales. Utilizan un método denominado super learner que desarrolla y compara hasta 23 algoritmos de ML diferentes (gradient boosting, random forest, redes neuronales…) asignándoles un peso relativo a cada unos de ellos y comparándose posteriormente con la escala TIMI o regresión logística clásica.
Así, para el riesgo de MACE, el super learner presentó una mejor capacidad de discriminación que la escala TIMI pero similar a la regresión logística, al igual que para sangrado. Sin embargo, la calibración fue claramente superior en el super learner, tanto para MACE como para sangrado.
En este artículo vemos una interesante aplicación de machine learning para la práctica clínica habitual, demostrando que estos métodos presentan un mejor ajuste para la predicción de riesgos y por tanto nos permiten obtener una visión más ajustada a la realidad de nuestros pacientes.
La importancia de una mejor calibración, más allá de una buena discriminación, mediante ML es doble: en un modelo bien calibrado un riesgo de 19% de sangrado se corresponde con una proporción de eventos del 19%, lo que nos permite tomar decisiones en cuanto a probabilidades de que suceda web evento y además nos permite compararlas con otras estimaciones de riesgo. Esto es especialmente importante cuando se pretende valorar el equilibrio entre riesgo isquémico y hemorrágico.
Se compararon los riesgos predichos en pacientes con y sin rivaroxabán y los autores los expresaron en una gráfica muy elocuente de riesgo-beneficio. En un eje se muestra el riesgo de sangrado y en el otro el riesgo de MACE, así dividiendo en cuatro cuadrantes podremos tener una estimación del riesgo y beneficio que nos guíe para la prescripción de rivaroxabán en pacientes con SCA y como señalan los autores, esto puede ser calculado fácilmente y en tiempo real desde una app móvil.
Así, este estudio nos aporta una aplicación más de ML que se va abriendo paso con fuerza para mejorar la estimación de riesgos y beneficios de forma que nos va acercando a la tan nombrada medicina personalizada.
Referencia
- William J. Gibson, Tarek Nafee, Ryan Travis, Megan Yee, Mathieu Kerneis, Magnus Ohman, C. Michael Gibson.
- Journal of Thrombosis and Thrombolysis https://doi.org/10.1007/s11239-019-01940-8.
Advertencia
