Nueva escala de estratificación de riesgo basada en aprendizaje automático para pacientes con dolor torácico cardíaco sospechoso en servicios de urgencias
El dolor torácico es una de las principales causas de consulta en los servicios de urgencias (SU) a nivel mundial. La estratificación precisa del riesgo de síndrome coronario agudo (SCA) en estos pacientes es crucial para la toma de decisiones clínicas y la asignación de recursos. Herramientas tradicionales como la puntuación TIMI (Trombólisis en el Infarto de Miocardio), GRACE (Registro Global de Eventos Coronarios Agudos), Banach y HEART se utilizan ampliamente en la práctica clínica. Entre estas, la escala HEART ha mostrado un rendimiento superior en la predicción de eventos cardíacos adversos mayores (ECAM) a 7 días, con un estadístico C de 0,731. Sin embargo, los algoritmos de aprendizaje automático (AA) ofrecen el potencial de desarrollar modelos de estratificación de riesgo más precisos. Este estudio buscó desarrollar y evaluar modelos basados en AA para predecir ECAM a 7 días en pacientes con dolor torácico sospechoso de origen cardíaco, comparándolos con la escala HEART.
Diseño y metodología del estudio
Se realizó un análisis retrospectivo de cohortes observacionales utilizando datos de un estudio prospectivo. Los pacientes fueron reclutados en dos hospitales: el Prince of Wales Hospital (PWH) en Hong Kong y el Segundo Hospital Afiliado de la Universidad Médica de Guangzhou (AHGZMU) en China. Los criterios de inclusión fueron pacientes ≥18 años con dolor torácico de posible origen cardíaco. Se excluyeron aquellos con causas no cardíacas claras o infarto agudo de miocardio con elevación del segmento ST (IAMCEST).
De 1.274 pacientes elegibles, 856 cumplieron los criterios de inclusión (833 completaron el seguimiento a 7 días). Los datos se dividieron en conjuntos de entrenamiento (70%, n=583) y prueba (30%, n=250). Se evaluaron tres algoritmos de AA: XGBoost, Máquina de Vectores de Soporte (SVM) y Regresión Logística (RL), comparándolos con la escala HEART mediante análisis de curvas ROC.
Hallazgos clave
El modelo XGBoost superó a los demás algoritmos y a la escala HEART en la predicción de ECAM a 7 días, con un AUC de 0,822 (IC 95%: 0,769–0,868), frente a 0,649 (SVM), 0,667 (RL) y 0,702 (HEART). Las diferencias en AUC fueron estadísticamente significativas (p<0,05 para SVM y RL; p=0,098 para HEART).
Las variables más relevantes identificadas por XGBoost fueron troponina, género y creatinina, coincidiendo con su relevancia clínica conocida en la evaluación del riesgo cardíaco.
Fortalezas e implicaciones clínicas
El principal aporte es el desarrollo de un modelo innovador que integra datos médicos de forma automatizada, mejorando la precisión en entornos de urgencias donde la rapidez es crítica. Todos los parámetros requeridos por el modelo (síntomas, biomarcadores) pueden obtenerse dentro de las primeras 2 horas, facilitando su aplicación clínica para la clasificación de pacientes y decisiones terapéuticas.
Limitaciones y direcciones futuras
Las limitaciones incluyen la restricción a población china, el diseño retrospectivo y el enfoque en resultados a corto plazo. Futuros estudios deberían validar el modelo en poblaciones diversas, incorporar variables adicionales (imágenes, comorbilidades) y evaluar su impacto en resultados a largo plazo.
Conclusión
Este estudio demuestra que XGBoost supera significativamente a los modelos tradicionales en la estratificación de riesgo de ECAM a 7 días. Su implementación en SU podría optimizar el triaje y mejorar los desenlaces clínicos mediante decisiones más informadas y oportunas.
doi.org/10.1097/CM9.0000000000000725