Los algoritmos Machine-Learning están llamados a revolucionar la práctica clínica en los próximos años, desde el diagnóstico hasta la prevención y el tratamiento.
(ABC Salud) Un algoritmo, desarrollado por el Centro Nacional de Investigaciones Cardiovasculares (CNIC), es capaz de personalizar el riesgo cardiovascular de personas sanos, en función de su edad, tensión arterial, dieta y marcadores medibles en análisis de sangre y orina.
El algoritmo, que ha sido bautizado como EN-PESA, podría servir como una herramienta económica y fácil para calcular el grado de aterosclerosis subclínica, es decir, la cantidad de grasa depositada en las paredes de las arterias, especialmente para las personas con un mayor riesgo.
Es decir, aseguran los investigadores, «contribuirá a personalizar más el riesgo cardiovascular, lo que se traducirá en tratamientos y planes de seguimiento más personalizados».
El estudio se publica en The Journal of American College of Cardiology (JACC), forma parte del proyecto colaborativo PESA-CNIC-SANTANDER, un ensayo pionero en España que recoge de datos de más de 4.000 participantes jóvenes (entre 40 y 55 años) y sanos. Gracias a la detallada información, señala Enrique Lara, investigador del CNIC, «hemos podido desarrollar este algoritmo, que después ha sido validado en otros 1.000 individuos de otro grupo independiente con edades similares a los participantes del estudio PESA». El siguiente paso, añade Lara, será probar el algoritmo en otras grandes «cohortes más heterogéneas y hacer un seguimiento de los participantes más prolongado en el tiempo». Esta nueva información, asegura Lara, permitiría proponer su uso en atención primaria, «debido a que son personas que todavía no han tenido ninguna patología cardiovascular y por tanto no visitan al cardiólogo». En función del resultado de nuestro ‘score’, pacientes sanos y asintomáticos podrían recibir recomendaciones de su médico de familia para realizar cambios en sus hábitos de vida
Así, en este estudio, además, se ha intentado utilizar variables que sean fácilmente medibles en atención primaria mediante análisis de sangre u orina o cuestionarios de dieta. Es decir, comenta el cardiólogo e investigador del CNIC Xavier Roselló, «en función del resultado de nuestro ‘score’, pacientes sanos y asintomáticos podrían recibir recomendaciones de su médico de familia para realizar cambios en sus hábitos de vida o ser derivados a los cardiólogos para realizarles pruebas más detalladas».
En este sentido, apuntan los investigadores, uno de los resultados más interesantes del estudio, en el que se ha profundizado en otra publicación todavía no publicada, es cómo el nivel de hemoglobina glicosilada, parámetro que se utiliza para definir la diabetes, tiene un papel muy importante en la predicción de la extensión de la aterosclerosis subclínica incluso a niveles prediabéticos.
En un trabajo previo se vio un patrón similar con los niveles de colesterol LDL a niveles denominados “sanos”. Los autores subrayan que desarrollar políticas preventivas en estos factores de riesgo en población sana y joven (<55 años) es por tanto esencial para controlar la aparición y extensión de la aterosclerosis.
Los algoritmos Machine-Learning, escriben los investigadores, están llamados a revolucionar la práctica clínica en los próximos años, desde el diagnóstico hasta la prevención y el tratamiento, gracias a una mejor cuantificación del riesgo, que podrá ser calculado de manera personalizada y muy precisa utilizando toda la información disponible del individuo. Los parámetros incluyen la edad, presión arterial e información recogida de manera rutinaria en análisis de sangre y orina y en cuestionarios dietéticos
Lo más habitual es que la enfermedad aterosclerótica se detecte en estadios avanzados, cuando ya ha provocado eventos clínicos como infarto de miocardio, accidente cerebrovascular u otros. El tratamiento de este tipo de patologías, cuando ya ha dado síntomas, resulta limitado ya que en un elevado porcentaje los individuos afectados ven disminuida su calidad de vida y, por otro lado, supone un elevado coste económico para el sistema sanitario. De ahí la relevancia de la detección precoz.
Los parámetros incluyen la edad, presión arterial e información recogida de manera rutinaria en análisis de sangre y orina y en cuestionarios dietéticos.
«EN-PESA utiliza un modelo de aprendizaje máquina llamado Elastic Net que permite utilizar de manera no sesgada un número alto de variables, lo que posibilita la identificación de nuevos predictores más allá de los factores de riesgo tradicionales», señala Fátima Sánchez Cabo, jefa de la Unidad de Bioinformática del CNIC. La información de estos predictores, añade, se usa además de manera cuantitativa, «sin necesidad de simplificaciones dicotómicas del tipo “colesterol alto: sí/no”, lo que mejora la predicción y tiene en cuenta las características específicas de cada persona para personalizar su perfil de riesgo cardiovascular».
Los autores concluyen que gracias a este algoritmo se puede mejorar el manejo clínico de personas aparentemente sanas y con un bajo riesgo cardiovascular según los marcadores tradicionales, pero que presentan una extensión generalizada de aterosclerosis subclínica o una probabilidad alta de que la enfermedad progrese significativamente a corto plazo.