Trade-offs in Cardiovascular Risk Prediction Using Race and Social Determinants of Health

Este estudio demuestra que, aunque eliminar la raza de los modelos de predicción de riesgo cardiovascular mejora las métricas de equidad poblacional, tanto la exclusión de la raza como la sustitución por determinantes sociales de la salud pueden generar daños clínicos desproporcionados y concentrados en pacientes negros que no se reflejan en las métricas promedio.

Lo esencial

Imagina que los médicos tienen una brújula mágica para predecir quién tendrá un problema grave en el corazón en los próximos 10 años. Si la brújula marca un riesgo alto, el médico te da una medicina preventiva (como una pastilla para el colesterol) para protegerte. Si marca bajo, no te da nada.

El problema es que, durante años, esta brújula usaba una "etiqueta" llamada raza para funcionar mejor. Pero recientemente, muchos expertos dijeron: "¡Alto! Usar la raza como dato médico puede ser injusto y reforzar prejuicios. Debemos quitarla".

La pregunta que se hicieron los autores de este estudio es: ¿Qué pasa si quitamos esa etiqueta? ¿Podemos usar otra cosa, como las condiciones sociales de la vida de la gente, para que la brújula siga funcionando bien?

Aquí te explico lo que descubrieron, usando analogías sencillas:

1. Las Tres Brújulas que Probaron

Los investigadores tomaron datos de miles de personas y probaron tres versiones diferentes de su "brújula" de predicción:

• La Brújula Vieja (Modelo 1): Usaba los datos médicos (presión arterial, azúcar, etc.) más la raza de la persona.
• La Brújula Social (Modelo 2): Quitó la raza y puso en su lugar datos sobre la vida social: ¿Tiene la gente dinero? ¿Tiene seguro médico? ¿Vive en un barrio seguro? ¿Sufre discriminación? (Esto se llama "Determinantes Sociales de la Salud").
• La Brújula Pura (Modelo 3): Quitó tanto la raza como los datos sociales. Solo usó los datos médicos (presión, azúcar, etc.).

2. El Resultado Sorprendente: "Todas parecen iguales, pero no lo son"

Si miras el puntaje general de precisión de las tres brújulas, todas parecen funcionar casi igual de bien. Es como si tres coches tuvieran la misma velocidad máxima en el papel.

PERO, cuando los investigadores miraron quién recibía la medicina y quién no, las cosas se pusieron interesantes y complicadas. Fue como cambiar el mapa de un viaje: el destino final (la precisión general) era el mismo, pero el camino y quién se quedaba en el camino cambiaron drásticamente.

Lo que pasó con la "Brújula Social" (Modelo 2):

• La intención: Pensaron que al usar datos sobre la pobreza o la discriminación, podrían entender mejor los riesgos de las personas negras sin usar la etiqueta de "raza".
• La realidad: La brújula se volvió un poco "paranoica". Empezó a decirle a muchas más personas negras que tenían un riesgo alto cuando, en realidad, no iban a tener un problema de corazón.
• La analogía: Es como un detector de metales en el aeropuerto que se vuelve tan sensible que le pide a todo el mundo que se quite los zapatos, incluso a los que no llevan nada prohibido.
• El daño: Muchas personas negras recibieron medicina preventiva que no necesitaban (sobretratamiento). Aunque esto ayudó a que nadie se quedara sin medicina, creó un desequilibrio: mucha gente recibió tratamiento innecesario.

Lo que pasó con la "Brújula Pura" (Modelo 3):

• La intención: Quitar todo lo que no fuera biología pura para ser "justos".
• La realidad: Esta brújula se volvió un poco "ciega" a los riesgos específicos de las personas negras.
• La analogía: Es como un guardián de seguridad que, para ser justo, ignora las señales de alarma que suelen aparecer en ciertos grupos de personas.
• El daño: Esta fue la más peligrosa. La brújula pura no vio a 4 personas negras que sí iban a tener un problema de corazón. Esas personas no recibieron medicina preventiva y, desafortunadamente, enfermaron. La brújula les dijo "estás bien", pero no lo estaban.

3. La Gran Lección: No hay una solución mágica

El estudio nos enseña una lección muy importante sobre la "justicia" en la medicina:

• Las métricas de "equidad" pueden engañar: A veces, las matemáticas dicen que un modelo es más "justo" porque los errores se distribuyen de manera diferente entre grupos. Pero en la vida real, eso puede significar que un grupo recibe demasiada medicina y otro recibe muy poca.
• La raza es un atajo complejo: En este estudio, la raza funcionaba como un "atajo" que capturaba años de desventajas sociales y estrés acumulado que los datos sociales (como el dinero o la vivienda) no lograban medir completamente. Cuando quitaron la raza, perdieron parte de esa información vital.
• No se puede mirar solo una cosa: Si solo miras si el modelo es "preciso en general", no ves el daño real. Tienes que mirar quién gana y quién pierde al cambiar las reglas.

En resumen

Imagina que estás organizando una fiesta y necesitas decidir quién entra.

• Si usas una lista basada en raza, sabes quiénes suelen tener problemas de salud en tu comunidad, pero te critican por ser discriminatorio.
• Si usas una lista basada en dinero y vivienda, intentas ser justo, pero terminas invitando a mucha gente que no necesita entrar (y aburriéndolos) y dejando fuera a algunos que sí necesitaban protección.
• Si usas una lista solo biológica, eres "científico", pero terminas dejando fuera a personas vulnerables que no tenían dinero pero sí tenían riesgo.

Conclusión del estudio: No existe una fórmula perfecta. Quitar la raza de las ecuaciones médicas es un paso importante por razones éticas, pero no es una solución mágica. Si simplemente la borramos sin entender las consecuencias, podemos causar más daño que beneficio a las personas que más necesitan protección. Necesitamos mirar el cuadro completo antes de tomar decisiones que afecten la vida de las personas.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo de investigación en español, estructurado según los componentes solicitados.

Título: Compensaciones en la Predicción del Riesgo Cardiovascular mediante el Uso de Raza y Determinantes Sociales de la Salud

1. Planteamiento del Problema

Los sistemas de salud están adoptando cada vez más herramientas de predicción de riesgo cardiovascular "neutras en cuanto a la raza", eliminando la raza como variable predictiva debido a preocupaciones sobre la equidad y la normalización de decisiones clínicas basadas en la raza. Sin embargo, existe un vacío empírico crítico: no se ha estudiado cómo estas decisiones de diseño redistribuyen el tratamiento preventivo en el punto de la toma de decisiones clínicas, especialmente para las personas negras que ya soportan una carga cardiovascular desproporcionada.

El dilema central es determinar si:

1. Reemplazar la raza con Determinantes Sociales de la Salud (DSS) captura adecuadamente la desventaja estructural.
2. Eliminar la raza por completo (enfoque estrictamente neutral) mejora la equidad sin causar daños clínicos.
3. Las métricas de rendimiento promedio ocultan consecuencias negativas concentradas en subgrupos específicos.

2. Metodología

El estudio empleó un diseño de cohorte retrospectiva con validación cruzada repetida y una evaluación integrada centrada en la decisión clínica.

• Fuente de Datos: Estudio CARDIA (Coronary Artery Risk Development in Young Adults), utilizando datos base del año 25 (2010) y resultados cardiovasculares hasta el año 35 (2021), cubriendo un periodo de seguimiento de 10 años.
• Población: 3,241 adultos (46% negros, 54% blancos) sin enfermedad cardiovascular conocida al inicio.
• Modelos Comparados: Se desarrollaron tres modelos de regresión logística regularizada (LASSO) para predecir la incidencia de enfermedad cardiovascular (ECV) en 10 años:
  • Modelo 1 (Referencia): Factores clínicos + Raza.
  • Modelo 2: Factores clínicos + DSS detallados (sustituyendo la raza).
  • Modelo 3: Factores clínicos únicamente (sin raza ni DSS).
• Umbral Clínico: Se utilizó el umbral del 7.5% de riesgo de 10 años (guías ACC/AHA) para determinar la elegibilidad para tratamiento preventivo (ej. estatinas).
• Métricas de Evaluación:
  • Rendimiento Predictivo: AUC, pérdida de registro (log loss), sensibilidad, especificidad.
  • Calibración: Precisión de las probabilidades predichas.
  • Justicia (Fairness): Siete métricas basadas en paridad de grupos (paridad demográfica, oportunidades iguales, odds igualadas, etc.).
  • Utilidad Realizada: Evaluación de las consecuencias clínicas reales (sobretreatment y undertreatment) en lugar de la utilidad esperada teórica, ponderando beneficios y daños en el umbral de decisión.

3. Contribuciones Clave

• Evaluación Holística: Es uno de los primeros estudios que integra simultáneamente rendimiento, calibración, métricas de justicia y utilidad clínica realizada para evaluar el impacto de la eliminación de la raza en modelos predictivos.
• Análisis de Utilidad Realizada: En lugar de asumir que las probabilidades predichas son riesgos verdaderos, el estudio cuantificó los resultados observados (quién recibió tratamiento y quién desarrolló la enfermedad), revelando daños concentrados que las métricas promedio ocultan.
• Desafío a la Paridad Mecánica: Demuestra que la mejora en las métricas de paridad al eliminar la raza puede ser un artefacto matemático (el modelo no puede estratificar por grupo) en lugar de una mejora genuina en la equidad clínica.

4. Resultados Principales

• Rendimiento Global: El rendimiento predictivo general fue similar entre los tres modelos (AUC entre 0.762 y 0.768), sin diferencias estadísticamente significativas en la capacidad discriminativa global.
• Impacto en la Clasificación Clínica:
  • Modelo 2 (Sustitución por DSS): Mejoró las métricas de paridad pero provocó una subestimación sistemática del riesgo. Esto resultó en un aumento significativo de sobretreatment (tratamiento innecesario), concentrado desproporcionadamente en participantes negros. Aunque redujo el undertreatment (falta de tratamiento) en este grupo, el costo fue un gran aumento de falsos positivos.
  • Modelo 3 (Sin Raza ni DSS): Mejoró aún más las métricas de paridad, pero generó un nuevo riesgo de undertreatment para los participantes negros. Específicamente, este modelo resultó en 4 casos nuevos de ECV no tratados en el grupo negro, sin ninguna reducción compensatoria de undertreatment en otros grupos.
• Métricas de Justicia: La eliminación o sustitución de la raza mejoró las métricas de paridad (ej. disparate impact), pero esto se debió en parte a que el modelo dejó de estratificar por grupo, no porque la clasificación fuera más equitativa en términos de precisión.
• Calibración: El Modelo 2 mostró una mala calibración (subestimación general), mientras que el Modelo 3 mostró una sobreestimación moderada en el grupo negro.
• Importancia de los Predictores: Los factores clínicos tradicionales (función renal, presión arterial, lípidos) dominaron el poder predictivo en todos los modelos. Ni la raza ni los DSS alteraron significativamente la jerarquía de los predictores clínicos centrales.

5. Significado e Implicaciones

El estudio concluye que no existe un modelo único que optimice simultáneamente la precisión, la calibración, la paridad y los resultados clínicos. Las decisiones de diseño tienen consecuencias concentradas que no son visibles en las métricas promedio de la población.

• Advertencia sobre la Eliminación de la Raza: La justificación conceptual para eliminar la raza es importante, pero insuficiente sin una evaluación empírica completa. Eliminar la raza sin una sustitución adecuada de los DSS puede aumentar el riesgo de undertreatment en poblaciones negras vulnerables.
• Limitaciones de los DSS: Incluso con datos sociales ricos y longitudinales (como los de CARDIA), los DSS no lograron recuperar completamente la sensibilidad perdida al eliminar la raza, sugiriendo que la raza actúa como un proxy de desventajas estructurales acumuladas que los DSS actuales no capturan totalmente.
• Recomendación: Los sistemas de salud deben realizar evaluaciones empíricas integrales (rendimiento, calibración, justicia y utilidad clínica) antes de adoptar modelos neutrales en cuanto a la raza. Las decisiones deben basarse en una deliberación consciente sobre qué compensaciones (trade-offs) son aceptables para los pacientes y las comunidades más afectadas, en lugar de confiar únicamente en la paridad de métricas o en argumentos conceptuales.

En resumen, el artículo advierte que la transición hacia modelos "neutros" en la raza puede redistribuir el daño y el beneficio de manera desequilibrada, requiriendo una evaluación más matizada para garantizar la equidad clínica real.