Rafael Brango. Miembro Fundador de AIpocrates
Walberto Buelvas. Director Médico Funcentra. Miembro Fundador de AIpocrates
Predicción de enfermedades cardiovasculares: avances y aplicaciones
La medicina está experimentando puntos de quiebre en todos los aspectos de la
práctica clínica, entre ellos las enfermedades crónicas no transmisibles, es así
como la publicación de Circulation en 2023 del American Heart Association,
Cardiovascular-Kidney-Metabolic Health: A Presidential Advisory From the
American Heart Association [10], da un giro en el enfoque hacia las mismas.
Salud Cardiovascular-Renal-Metabólica (CKM), un Enfoque Integral ha
demostrado ser un determinante clave de la morbilidad y mortalidad prematuras,
por lo tanto, es una prioridad clínica y de salud pública, mejorarla a lo largo de la
vida mediante enfoques dirigidos a prevenir o mitigar los factores de riesgo [10].
Advisory From the American Heart Association [10].
Las interacciones patofisiológicas con el tejido adiposo disfuncional, usualmente
ectópico como el visceral o epicárdico, que secreta mediadores proinflamatorios y
prooxidativos dañan el endotelio arterial, el miocardio y los riñones. La inflamación
crónica produce disfunción pancreática y hepática que reduce la sensibilidad a la
insulina, promoviendo la intolerancia a la glucosa, que progresa a un síndrome
metabólico, caracterizado por obesidad abdominal, disglucemia, dislipidemia
aterogénica, la disfunción de las células beta en un contexto de resistencia crónica
a la insulina, progresa hacia diabetes tipo 2 (DM2) frecuentemente. En la DM2, la
hiperglucemia induce estrés oxidativo, activación de vías inflamatorias y fibrosis, lo que agrava el daño renal y vascular. Además, la acumulación de productos de
glicación avanzada y modificaciones epigenéticas pueden perpetuar la inflamación
y la fibrosis [10].
La disfunción endotelial incluye procesos hemodinámicos que tienen
consecuencias como la hipertensión, la fibrosis y el remodelado vascular, la
aterogénesis, la trombosis. Los mecanismos metabólicos, inflamatorios y
hemodinámicos de la hipertensión y la obesidad contribuyen al desarrollo de
hipertrofia ventricular izquierda e insuficiencia cardíaca [10].
Además de una tendencia protrombótica que contribuye al desarrollo de todas las
formas de riesgo de enfermedad vascular y renal.
La relación entre factores de riesgo metabólicos, enfermedad renal crónica (ERC)
y el sistema cardiovascular, da origen a un trastorno sistémico caracterizado por
una disfunción multiorgánica en individuos con riesgo de enfermedad
cardiovascular (ECV) como en aquellos con ECV o ERC establecida, denominado
síndrome CKM [10].
La heterogeneidad en la enfermedad metabólica, con individuos que presentan
múltiples factores de riesgo incluso dentro de un peso normal, mientras que otros
pueden tener obesidad sin alteraciones metabólicas evidentes, aunque con un
mayor riesgo cardiovascular, factores como glucotoxicidad, lipotoxicidad y
determinantes sociales de la salud influencian desde el estado subclínico hasta
formas avanzadas de ECV como la insuficiencia cardíaca con fracción de eyección
preservada (ICFEp) y la fibrilación auricular [10].
Una patofisiología multidireccional, como la adiposidad ectópica y la resistencia a
la insulina, en el síndrome CKM, va más allá de la suma de sus componentes, en
términos de su impacto en acelerar la aterosclerosis mediante la inflamación,
dislipidemia e hipertensión, sin mencionar la sospecha de que los depósitos
ectópicos de grasa, especialmente en el epicardio y pericardio, pueden influir
directamente en la disfunción miocárdica, promoviendo arritmias e hipertensión
[10].
Las enfermedades cardiovasculares (ECV) son la manifestación de los cambios
moleculares relacionados con el envejecimiento, la inflamación crónica, la
acumulación de placas en las arterias coronarias, la hipertensión arterial y la
diabetes son factores de riesgo clave su ocurrencia, pero menudo, la enfermedad
cardiovascular se detecta en etapas avanzadas y desde mediados del siglo XX se
convirtió en la principal causa de muerte a nivel mundial, lo que ha significado una
relevancia creciente en términos de salud individual y poblacional [1, 2, 10].
La OMS promueve la reducción de la prevalencia mundial de la hipertensión
arterial y asegurar que al menos el 50% de las personas elegibles reciban
farmacoterapia y asesoramiento para prevenir ataques cardíacos y accidentes
cerebrovasculares para 2025 [5]. Por lo tanto, las medidas preventivas y las
pruebas predictivas precisas son esenciales [2,3,4]; lo que exige métodos más
precisos para su predicción y prevención [1, 2]. El aprendizaje automático (ML)
está transformando la detección temprana y el manejo de las ECV, ofreciendo
soluciones personalizadas y basadas en datos [1, 2].
La integración de datos metabólicos, inflamatorios, epigenéticos y
socioambientales permitirá una mejor comprensión del síndrome CKM y facilitará
la implementación de estrategias preventivas personalizadas [10], la
implementación eficiente de programas efectivos para combatir la hipertensión, la
diabetes Mellitus 2 y la obesidad a nivel de atención primaria puede reducir las
cardiopatías coronarias y los accidentes cerebrovasculares [1, 2, 10]. El uso de
tecnologías basadas en inteligencia artificial puede ayudar a priorizar terapias para
prevenir la progresión de la enfermedad y reducir su impacto en la salud pública
[10].
Los métodos convencionales a menudo resultan costosos y requieren mucho
tiempo, el ML, programas informáticos que aprenden de los datos, sobresale en el
manejo de datos complejos y de alta dimensión [2].
A diferencia de la estadística tradicional, cuyo enfoque principal es la inferencia y
la explicación causal a través de modelos paramétricos con supuestos claros
sobre la distribución de los datos, el machine learning prioriza la predicción y la
generalización, utilizando algoritmos flexibles que no requieren suposiciones
previas. Mientras los modelos estadísticos suelen depender de una cuidadosa
selección manual de variables y resultan más interpretables, los modelos de
machine learning pueden procesar grandes volúmenes de datos, descubrir
relaciones no lineales complejas de forma automática y adaptarse mejor a
contextos dinámicos. Esta diferencia metodológica convierte al machine learning
en una herramienta poderosa para enfrentar retos clínicos donde la precisión y la
personalización del diagnóstico o pronóstico son fundamentales. [15,16]
El ML no está limitado a las relaciones no lineales, puede abordar interacciones
complejas entre características y problemas de desequilibrio de datos, lo que
proporciona a los modelos de ML una mayor capacidad para la predicción del
riesgo de ECV, mejorar la detección temprana, una estratificación de riesgo más
precisa, lo que lleva a mejores estrategias terapéuticas; ofreciendo el diseño,
implementación y uso de modelos de ML validados (interna y externamente),
probados y evaluados en la áreas de interés como predicción, clasificación,
clustering de pacientes con ECV, numerosas ventajas sobre los métodos
tradicionales.
Dependiendo del tipo de datos de entrenamiento, si son etiquetados se clasifica
como ML supervisado, cuya utilidad son clasificación o predicción según la
arquitectura elegida. su utilidad es la identificación automatizada de relaciones no
lineales e interacciones entre variables para mejorar la precisión de la predicción
del riesgo de enfermedad.
Mientras si el modelo se entrena en datos sin marcar, se considera no supervisado
y descubrir patrones ocultos mediante varios algoritmos y técnicas estadísticas
entre grandes volúmenes de datos. Al examinar estos extensos conjuntos de
datos, los algoritmos de ML pueden identificar patrones complejos y relaciones
que podrían no ser evidentes a través de los métodos estadísticos tradicionales.
Por ejemplo, las técnicas de ML no supervisadas pueden inferir datos valiosos
sobre distintos grupos fenotípicos utilizando fenotipos computables de EHR
disponibles de forma rutinaria.
Los modelos de aprendizaje profundo (DL) pueden segmentar y medir
automáticamente los parámetros asociados con la adiposidad visceral y la
atenuación/volumen muscular, lo que permite la predicción de la incidencia futura
de diabetes. Además, el ML puede ayudar a refinar la evaluación del riesgo de
ECV al descubrir interacciones no lineales entre factores de riesgo y proporcionar
estimaciones de riesgo personalizadas.
Los datos pueden tener dos formatos, estructurados y no estructurados, estos
últimos son los más difíciles de utilizar y los más frecuentes en las diferentes
fuentes como registros médicos electrónicos (EHR), bases de datos
administrativas, información genómica e imágenes médicas.
Los algoritmos de IA, especialmente los de deep learning pueden analizar datos
de diferentes formatos, entre ellos resalta los modelos de visión de computadora y
el procesamiento de lenguaje natural. Los modelos de DL pueden aprender
representaciones jerárquicas y combinaciones de características espaciales y
temporales clave de imágenes biomédicas y videos, lo que los hace robustos,
escalables y transferibles entre tareas.
Últimamente, los modelos multimodales basados en redes neurales tipo
transformer, resaltan nuevas utilidades y en la construcción de los agentes.
Varios estudios han demostrado que los algoritmos de ML tienen ventajas
significativas en la predicción de la incidencia de ECV, identificar patrones ocultos
y mejorar la predicción de ECV.
El uso de modelos de ML, como los de Oikonomou y Khera, permite la creación de
modelos predictivos para el cuidado personalizado, mejorando el diagnóstico,
pronóstico y tratamiento de la diabetes y sus complicaciones cardiovasculares,
estos modelos facilitan la detección de pacientes de alto riesgo y resaltan las
relaciones no lineales entre factores clave como la duración del sueño nocturno,
los niveles de triglicéridos y la circunferencia de la cintura, y el riesgo de ECV.
Además, el análisis de los valores de SHAP revela la importancia de ciertas
características en la predicción de eventos de ECV, como la duración del sueño,
los niveles de triglicéridos y la circunferencia de la cintura [12]. SHAP mejora la
transparencia e interpretabilidad de los modelos de aprendizaje automático en el
ámbito de la salud, lo cual es crucial para comprender el proceso de toma de
decisiones del modelo y para generar confianza en su aplicación clínica
(https://www.youtube.com/watch?v=L8_sVRhBDLU).
Espera el próximo domingo la segunda parte donde podrás ver aplicación y avances de modelos predictivos…
Se utilizo chat gpt para parafrasear algunos párrafos
Bibliografía
- Machine learning para mejorar la predicción de las enfermedades
cardiovasculares https://pro.campus.sanofi/es/dislipemia/articulos/machine-
learning-prediccion-enfermedades-cardiovasculares - Modelos de Machine Learning para Predicción de Riesgo Cardíaco
https://campushealthtech.com/blog-alumno/modelos-de-machine-learning-
para-prediccion-de-riesgo-cardiaco/ - Machine learning in precision diabetes care and cardiovascular risk
prediction. Cardiovasc Diabetol. 2023 Sep 25;22(1):259. doi:
10.1186/s12933-023-01985-3. PMID: 37749579; PMCID: PMC10521578.
https://pmc.ncbi.nlm.nih.gov/articles/PMC10521578/ - JACC: Investigadores del CNIC diseñan un algoritmo que personaliza el
riesgo cardiovascular en personas sanas. Centro Nacional de
Investigaciones Cardiovasculares. 29 de septiembre de 2020. [Citado en…].
Disponible en: https://www.cnic.es/es/noticias/jacc-investigadores-cnic-
disenan-un-algoritmo-que-personaliza-riesgo-cardiovascular - Enfermedades cardiovasculares https://www.who.int/es/news-room/fact-
sheets/detail/cardiovascular-diseases-(cvds) - Characterisation of cardiovascular disease (CVD) incidence and machine
learning risk prediction in middle-aged and elderly populations: data from
the China health and retirement longitudinal study (CHARLS)
https://pmc.ncbi.nlm.nih.gov/articles/PMC11806717/ - Machine learning based prediction models for cardiovascular disease risk
using electronic health records data: systematic review and meta-analysis
https://pmc.ncbi.nlm.nih.gov/articles/PMC11750195/ - Dinh A, Miertschin S, Young A, Mohanty SD. A data-driven approach to
predicting diabetes and cardiovascular disease with machine learning. BMC
Med Inform Decis Mak. 2019 Nov 6;19(1):211. doi: 10.1186/s12911-019-
0918-5. PMID: 31694707; PMCID: PMC6836338.
https://pmc.ncbi.nlm.nih.gov/articles/PMC6836338/ - Wang Z, Gu Y, Huang L, Liu S, Chen Q, Yang Y, Hong G, Ning W.
Construction of machine learning diagnostic models for cardiovascular pan-
disease based on blood routine and biochemical detection data. Cardiovasc
Diabetol. 2024 Sep 28;23(1):351. doi: 10.1186/s12933-024-02439-0. PMID:
39342281; PMCID: PMC11439295.
https://pmc.ncbi.nlm.nih.gov/articles/PMC11439295/
- American Heart Association. Cardiovascular-Kidney-Metabolic Health: A
Presidential Advisory From the American Heart Association. Circulation.
2023;148:1606–1635. DOI: 10.1161/CIR.0000000000001184. - Aplicaciones de la inteligencia artificial en la educación médica: una revisión
sistemática https://pmc.ncbi.nlm.nih.gov/articles/PMC11872247/ - Application of machine learning algorithms in predicting new onset
hypertension: a study based on the China Health and Nutrition Survey
https://pmc.ncbi.nlm.nih.gov/articles/PMC11744027/ - ¿Qué es SHAP? Explicación clara para modelos de IA
https://delatorre.ai/que-es-shap-explicacion-clara-para-modelos-de-ia/ - Bienvenido a la documentación de SHAP
https://shap.readthedocs.io/en/latest/ - Machine Learning in Medicine
https://pmc.ncbi.nlm.nih.gov/articles/PMC5831252/ - Métodos Estadísticos Tradicionales https://fastercapital.com/es/palabra-
clave/m%C3%A9todos-estad%C3%ADsticos-tradicionales.html
aipocrates.blog 