La insuficiencia tricuspídea (IT) se asocia a una importante morbimortalidad. En este estudio, mediante la evaluación del pronóstico a 5 años de pacientes con IT, se identifica diferentes perfiles clínicos de riesgo en esta población.
Se incluyeron 2379 pacientes consecutivos con nuevo diagnóstico ecocardiográfico de IT grave en un hospital terciario de Estado Unidos entre 2007 y 2018 (edad media 70 años, 61% mujeres y 40% afroamericanos). La etiología de la IT se categorizó como relacionada con cable, primaria o secundaria. El pronóstico, tanto muerte como el combinado de muerte u hospitalización por insuficiencia cardiaca fue evaluado mediante machine learning (particionamiento recursivo supervisado: árboles de supervivencia). La asociación entre la etiología de la IT o los grupos identificados mediante los árboles de supervivencia y el pronóstico a 5 años fue evaluada mediante estimaciones de Kaplan-Meier y modelos de regresión de Cox. Las ratios de eventos por 100 pacientes/año fueron 30,9 (IC 29,0-32,8) para muerte y 49,0 (IC 45,9-52,2) para el evento combinado. No se encontraron diferencias en el pronóstico en función de la etiología de la IT pero sí entre los 4 fenoclusters identificados mediante árboles de supervivencia supervisados. Las variables que discriminaban tanto para muerte como para el evento combinado fueron: edad, albúmina, nitrógeno ureico en sangre, función ventricular derecha y presión sistólica (todos con p 0,05).
El artículo concluye que la identificación de fenoclusters mediante machine learning permitió discriminar el pronóstico de los pacientes con IT, no así la etiología de la valvulopatía, por ello, podrían ser útiles para el manejo de pacientes con IT.
Comentario
En los últimos años el interés sobre la IT se ha incrementado a raíz de la aparición de dispositivos para tratamiento percutáneo de la misma que permiten tratar pacientes que hasta ahora se consideraban de alto riesgo para cirugía convencional. Sin embargo, los pacientes con IT forman una población heterogénea y en muchos casos con comorbilidades importantes que dificulta la selección de qué pacientes pueden beneficiarse de los tratamientos disponibles evitando futilidad. Es importante destacar que los scores de riesgo habituales utilizados en cirugía, como el Euroscore, no estratifican de manera adecuada a los pacientes con IT, esto, además de dificultar la práctica clínica habitual también supone un problema a la hora de la selección de pacientes para ensayos clínicos donde además los endpoints utilizados para patología izquierda también parecen ser insuficientes en esta población.
La inteligencia artificial cada vez presenta mayor número de aplicaciones en el ámbito médico, simplificando procedimientos, ayudando a la toma de decisiones o en la estratificación de pacientes. El presente artículo aplica técnicas de machine learning supervisado para realizar una estratificación de riesgo clínico de pacientes con IT. Para ello utiliza los datos (clínicos, ecocardiográficos y analíticos) de una amplia cohorte de pacientes con diagnóstico de novo de IT grave y seguimiento a 5 años. Inicialmente intentaron el uso de un machine learning no supervisado, el cual no fue capaz de discriminar grupos de interés pronóstico a partir de las características basales. Cuando aplicaron los árboles de supervivencia supervisados basados en los eventos registrados, el algoritmo fue capaz de agrupar a los pacientes en fenoclusters con valor pronóstico. Pese a que estos grupos han sido sugeridos a partir del machine learning podemos comprobar que tienen sentido clínico, y además utilizan parámetros fácilmente evaluables en el día a día. Si analizamos los fenoclusters de mejor pronóstico, el cluster 4 presenta características que podrían ser sugestivas de IT funcional auricular (edad avanzada, mujeres, no IC), el cluster 3 parece incluir un grupo importante de pacientes con patología valvular izquierda (incluyendo tanto pacientes intervenidos como no intervenidos). Entre los pacientes de peor pronóstico se observa tanto en el cluster 1 como 2 una peor función renal (la cual suele aparecer en fases más avanzadas de la IT) y el cluster 1 incluye además otros factores conocidos de mal pronóstico como la hipertensión pulmonar o la disfunción ventricular derecha.
Sin embargo, no debemos olvidar que este modelo de clustering no tiene validación externa, por el momento, el modelo está únicamente probado en una población que, pese a ser amplia, puede no ser representativa del global de pacientes y además hay que tener en cuenta que los grupos fueron identificados a partir de los eventos registrados (no a partir de las características basales). Por lo tanto, esta propuesta deberá ser corroborada por otros grupos en otros centros/países. Asimismo, pese a que en el artículo no se encontró relación entre la etiología de la IT y el pronóstico, es posible que se haya realizado una clasificación demasiado simplista de la etiología de la IT. La IT funcional puede ser tanto auricular como ventricular, y existen diversos trabajos que han encontrado un mejor pronóstico tanto sin como con tratamiento de la IT funcional auricular frente a la ventricular. La IT primaria es rara, pero su pronóstico es muy heterogéneo dependiendo de su etiología, mientras las IT por prolapso (habitualmente traumático) suelen presentar un buen pronóstico si se tratan, una IT asociada a enfermedades sistémicas como el síndrome carcinoide puede presentar un mal pronóstico debido a la enfermedad de base. En cuanto a la IT relacionada con cable, es un cajón de sastre donde pueden confluir diversas etiologías con pronóstico muy diferente, en este caso la presencia de cable bastaba para que el paciente fuera incluido en el grupo de cable, por tanto, se incluyen desde pacientes con IT funcional por estimulación crónica o fibrilación auricular crónicas hasta aquellos con lesión directa de los velos por el cable.
Finalmente, otro punto a criticar del presente estudio es que se utilizó la escala de 4 grados de la Asociación Americana de Ecocardiografía para la valoración de IT (traza, leve, moderada y grave). Actualmente diversos estudios apoyan el uso de la clasificación ampliada propuesta por RT Hann de 5 grados dada su utilidad para estratificar el pronóstico de los pacientes con IT grave, esta clasificación ampliada prescinde del grado traza y divide el grado grave en grave, masivo y torrencial.
Pese a las limitaciones del estudio, si se demuestra la utilidad en vida real de estos grupos podría ser de gran utilidad clínica, ya que se basan en variables fácilmente identificables. También abre las puertas a intentar incluir otras variables mal caracterizadas en este estudio para la obtención de fenoclusters como una clasificación etiológica más precisa o el uso de la gradación ampliada de la insuficiencia. Una mejor estratificación pronóstica de los pacientes con IT no basada en los scores quirúrgicos habituales (que se han demostrado poco útiles en este escenario) permitiría plantear cuál es el tratamiento más apropiado para estos pacientes (intervencionismo quirúrgico/percutáneo o tratamiento conservador) y en qué momento realizarlo (es bien sabido que si esperamos demasiado tiempo puede ser demasiado tarde para nuestros pacientes). Otro beneficio potencial sería su utilidad para la planificación de ensayos clínicos donde es importante (debido al número limitado de pacientes que pueden ser incluidos) que la población sea lo más representativa y homogénea posible.
Referencia
Long-term outcomes of phenoclusters in severe tricuspid regurgitation
- Vishal N Rao, Anna Giczewska, Karen Chiswell, G Michael Felker, Andrew Wang, Donald D Glower, Jeffrey G Gaca, Kishan S Parikh, Sreekanth Vemulapalli.
- Eur Heart J. 2023 Jun 1;44(21):1910-1923.
