A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

En el mundo de la investigación médica, los médicos y científicos suelen rastrear dos tipos diferentes de información para comprender cómo una enfermedad se desplaza por el cuerpo de una persona. El primer tipo es una serie de mediciones tomadas a lo largo del tiempo, como controlar la presión arterial o la capacidad pulmonar de un paciente cada pocos meses. Estas se denominan marcadores longitudinales, y cuentan una historia de cambio, mostrando si un paciente está mejorando o empeorando lentamente. El segundo tipo de información trata sobre momentos específicos en los que ocurre algo significativo, como una visita repentina al hospital, una complicación mayor o incluso la muerte. Estos se conocen como eventos clínicos. Durante décadas, los investigadores han intentado construir modelos matemáticos que vinculen estos dos flujos de datos, preguntándose cómo los cambios lentos y constantes en las mediciones de salud de un paciente podrían predecir cuándo ocurrirá un evento repentino y grave. Esta conexión es vital porque permite a los médicos anticipar problemas antes de que se conviertan en emergencias. Sin embargo, los datos médicos de la vida real rara vez son simples. Los pacientes suelen experimentar el mismo tipo de crisis varias veces, y enfrentan diferentes tipos de resultados graves que compiten entre sí, como el riesgo de morir frente al riesgo de necesitar un trasplante. Además, muchas mediciones de salud están acotadas, lo que significa que no pueden bajar de cero ni superar cierto límite, lo que las hace difíciles de analizar con las herramientas estándar que asumen que los números pueden extenderse infinitamente en ambas direcciones.

Un equipo de estadísticos y epidemiólogos ha desarrollado una forma nueva y más sofisticada de conectar estas piezas complejas de información. Su trabajo se centra en la fibrosis quística, un trastorno genético severo que daña los pulmones y el sistema digestivo. Los pacientes con esta condición son monitoreados de cerca mediante dos indicadores clave: su índice de masa corporal, que refleja su estado nutricional, y una medida de la función pulmonar llamada porcentaje del volumen espiratorio forzado máximo en un segundo predicho. Esta medición pulmonar es un porcentaje que típicamente oscila entre cero y cien, aunque ocasionalmente puede subir ligeramente con un tratamiento eficaz. Debido a que este número está atrapado dentro de un rango específico, los métodos estadísticos estándar a menudo luchan por modelarlo con precisión, produciendo a veces resultados imposibles como una capacidad pulmonar negativa. Los investigadores también necesitaron tener en cuenta el hecho de que los pacientes pueden sufrir infecciones pulmonares repetidas, conocidas como exacerbaciones pulmonares, y que enfrentan dos riesgos competitivos distintos al final de su trayectoria: la muerte por insuficiencia respiratoria o recibir un trasplante de pulmón. Los métodos anteriores a menudo obligaban a los investigadores a ignorar parte de esta información, como tratar múltiples infecciones como un solo evento o combinar la muerte y el trasplante en una sola categoría, lo que oscurecía detalles importantes sobre la enfermedad.

Para resolver estos problemas, los investigadores crearon un marco estadístico unificado que puede manejar todas estas complejidades a la vez. En lugar de forzar los datos de la función pulmonar en una curva estándar que permite valores imposibles, utilizaron una forma matemática flexible diseñada específicamente para números que permanecen dentro de un límite establecido. Este enfoque asegura que el modelo solo prediga valores de función pulmonar realistas. Luego, vincularon este modelo de medición mejorado con el tiempo de las infecciones repetidas y los riesgos competitivos de muerte y trasplante. Al hacer esto, pudieron ver cómo la trayectoria de la función pulmonar y el peso corporal de un paciente influía en la probabilidad de una futura infección o un evento terminal, mientras también consideraban el hecho de que un paciente que recibe un trasplante ya no está en riesgo de morir por insuficiencia respiratoria de la misma manera. El equipo probó este nuevo método utilizando una base de datos masiva que contenía registros de salud de más de veintitrés mil individuos con fibrosis quística en los Estados Unidos, que abarcaba casi dos décadas. Este conjunto de datos incluía millones de mediciones individuales y rastreaba miles de hospitalizaciones, trasplantes y muertes.

Los resultados de aplicar este nuevo modelo a los datos del mundo real revelaron una imagen más clara de cómo progresa la enfermedad. El análisis mostró que el riesgo de que un paciente tenga una infección pulmonar aumenta si ha tenido muchas infecciones en el pasado, confirmando que la enfermedad tiende a agruparse en episodios. Más importante aún, el modelo demostró que tanto la función pulmonar como el índice de masa corporal son predictores poderosos de riesgos futuros. Específicamente, un declive más rápido en la función pulmonar estaba fuertemente asociado con un mayor riesgo de muerte, mientras que la historia acumulativa de los cambios en el índice de masa corporal estaba vinculada al riesgo de tener otra infección. El estudio encontró que el riesgo de muerte y el riesgo de necesitar un trasplante están influenciados de manera diferente por estos marcadores, demostrando que tratarlos como un solo resultado habría perdido matices críticos. Por ejemplo, el modelo mostró que una caída de una unidad en la función pulmonar y una tasa de declive más rápida aumentaban la amenaza de muerte en cantidades distintas, resaltando la importancia de rastrear la velocidad del cambio, no solo el valor actual. Los investigadores también descubrieron que los pacientes que eran más frágiles, un término que describe un estado general de vulnerabilidad, tenían una probabilidad significativamente mayor de experimentar infecciones, recibir un trasplante o morir.

El estudio también sirvió como una prueba para ver si el uso de los métodos antiguos y más simples conduciría a conclusiones erróneas. Cuando los investigadores simularon datos donde la función pulmonar estaba estrictamente acotada y luego intentaron analizarlos con los métodos tradicionales que asumen que los números pueden ir a cualquier parte, los resultados fueron sesgados. El enfoque más antiguo produjo estimaciones sesgadas, sugiriendo que la relación entre la salud pulmonar y el riesgo de muerte era mucho más débil de lo que realmente era. Esto confirmó que el nuevo método no es solo un pequeño ajuste, sino una mejora necesaria para un análisis preciso. El equipo puso su nuevo modelo a disposición de otros científicos a través de un paquete de software gratuito, permitiendo que otros investigadores apliquen este mismo enfoque riguroso a otras enfermedades con estructuras de datos similares y complejas. Al capturar la historia completa del viaje de salud de un paciente —los contratiempos repetidos, los peligros competitivos y la naturaleza acotada de sus signos vitales—, este trabajo proporciona una herramienta más precisa para comprender la progresión de la enfermedad. Ofrece una forma de cuantificar la relación entre los signos clínicos más importantes y los eventos potencialmente mortales con un nivel de detalle que antes era imposible, ayudando potencialmente a los médicos a gestionar estas condiciones de manera más efectiva en el futuro.