Screening for Probable Undiagnosed Hypertension in US Adults Using Interpretable Machine Learning: An NHANES 2017-2018 Study

Resumen Técnico: Detección de Probable Hipertensión No Diagnosticada mediante Aprendizaje Automático Interpretable

Planteamiento del Problema
La hipertensión sigue siendo un desafío crítico de salud mundial, que afecta aproximadamente a 1.280 millones de adultos en todo el mundo; sin embargo, menos de la mitad es consciente de su condición. La hipertensión no diagnosticada conduce a una morbilidad y mortalidad cardiovascular prevenibles mediante el daño orgánico silencioso. Si bien se ha aplicado el aprendizaje automático (ML) a la predicción del riesgo de hipertensión, la mayoría de los modelos existentes dependen de variables de laboratorio (p. ej., perfiles lipídicos, función renal) no disponibles en entornos con recursos limitados o comunitarios. Además, estudios previos suelen centrarse en la predicción de riesgo general en lugar de la tarea específica y clínicamente urgente de identificar a adultos que ya son hipertensos pero desconocen su diagnóstico. Este estudio aborda la brecha de desarrollar una herramienta de detección para la probable hipertensión no diagnosticada utilizando únicamente datos no invasivos y de recolección rutinaria.

Metodología

• Fuente de Datos: El estudio utilizó un diseño transversal con datos del ciclo 2017–2018 de la Encuesta Nacional sobre Examen de Salud y Nutrición (NHANES).
• Población del Estudio: De un total inicial de 9.254 participantes, se incluyeron 5.237 adultos (edad ≥18 años) tras excluir a aquellos con datos de presión arterial faltantes, respuestas de conocimiento de hipertensión inválidas o edad <18 años.
  • Definición del Resultado: La "probable hipertensión no diagnosticada" se definió como una presión arterial media ≥130/80 mmHg (según las directrices ACC/AHA 2017) combinada con un autoinforme de nunca haber sido diagnosticado por un profesional de la salud.
  • Controles: Se retuvieron los participantes con un diagnóstico previo autoinformado (n=1.930) como controles negativos para distinguir entre los estados de "no diagnosticado" y "normotenso".
  • Desequilibrio de Clases: La muestra final consistió en 1.072 casos positivos (20,5%) y 4.165 controles negativos.
• Variables Predictoras: Se seleccionaron ocho variables no invasivas para asegurar la capacidad de implementación sin acceso a laboratorios:
  1. Edad
  2. Sexo
  3. Índice de Masa Corporal (IMC)
  4. Circunferencia de la cintura
  5. Estado de tabaquismo (haber fumado ≥100 cigarrillos)
  6. Estado de diabetes (confirmada por médico)
  7. Actividad física vigorosa (última semana)
  8. Duración del sueño en días laborables
• Enfoque de Aprendizaje Automático:
  • Se entrenaron y compararon tres clasificadores: Regresión Logística (LR), Bosque Aleatorio (RF) y Extreme Gradient Boosting (XGBoost).
  • Preprocesamiento: Los datos faltantes se imputaron (mediana para continuas, moda para categóricas). Las variables categóricas se codificaron de forma binaria. El desequilibrio de clases se abordó mediante el entrenamiento con pesos de clase (class_weight="balanced" para LR/RF; scale_pos_weight para XGBoost).
  • Validación: El conjunto de datos se dividió en un 80% para entrenamiento y un 20% para prueba mediante muestreo estratificado. Se aplicó validación cruzada de 5 pliegues (5-fold) estratificada al conjunto de entrenamiento. Los modelos se evaluaron en el conjunto de prueba reservado.
  • Hiperparámetros: Se utilizaron configuraciones por defecto para evitar el sobreajuste y aislar las características algorítmicas, realizando ajustes únicamente para el desequilibrio de clases.
• Métricas de Evaluación: La métrica principal fue el AUC-ROC. Las métricas secundarias incluyeron sensibilidad, especificidad y puntuación F1, todas reportadas con intervalos de confianza de bootstrapping del 95% (1.000 iteraciones). Se utilizó la importancia de características por permutación para interpretar el mejor modelo.

Resultados Clave

• Rendimiento del Modelo: Los tres modelos demostraron una discriminación modesta pero consistente, con AUC de prueba que oscilaron entre 0,599 y 0,611.
  • Regresión Logística (LR): Alcanzó el AUC de prueba más alto de 0,611 (IC 95%: 0,571–0,652). Ofreció el perfil clínico más equilibrado con una sensibilidad de 0,535 y una especificidad de 0,594.
  • Bosque Aleatorio (RF): Alcanzó un AUC de 0,607 pero exhibió una sensibilidad casi inexistente (0,047) a pesar de una alta especificidad (0,971), lo que lo hace inadecuado para el cribado con el umbral predeterminado.
  • XGBoost: Mostró el AUC de validación cruzada más alto (0,621) pero el AUC de prueba más bajo (0,599), lo que sugiere un ligero sobreajuste. Tuvo una sensibilidad intermedia (0,279) y una alta especificidad (0,804).
• Importancia de las Características: El análisis de permutación en el modelo LR identificó el Estado de Diabetes, el Sexo y la Edad como los predictores más influyentes.
  • Nota sobre la Diabetes: Contrario a la intuición biológica, el estado de diabetes actuó como un predictor inverso de la hipertensión no diagnosticada. Los datos mostraron que los individuos con diabetes tenían una tasa menor de hipertensión no diagnosticada (10,1%) en comparación con los no diabéticos (16,4%), probablemente debido a una mayor utilización de los servicios de salud que conduce a un diagnóstico más temprano.
• Demografía: Los participantes con probable hipertensión no diagnosticada eran significativamente mayores, con mayor probabilidad de ser hombres y tenían circunferencias de cintura más grandes en comparación con la clase negativa.

Significancia y Reivindicaciones
El artículo sostiene que los clasificadores de ML interpretables entrenados con ocho variables no invasivas pueden lograr una discriminación modesta pero consistente para la identificación de la probable hipertensión no diagnosticada.

• Viabilidad: El estudio respalda la viabilidad del cribado comunitario libre de laboratorio, particularmente en entornos con recursos limitados (p. ej., el sur de Asia) donde la infraestructura de diagnóstico es limitada.
• Utilidad Clínica: Los autores posicionan el modelo de Regresión Logística no como una herramienta de diagnóstico, sino como un instrumento de cribado de primer paso. Con un Valor Predictivo Negativo (VPN) estimado de ~83%, el modelo es eficaz para descartar la probable hipertensión no diagnosticada en cribados negativos, identificando así a individuos que requieren una medición confirmatoria de la presión arterial clínica.
• Transparencia: Al restringir las variables a medidas no invasivas y utilizar hiperparámetros por defecto, el estudio prioriza la aplicabilidad clínica y la reproducibilidad sobre la maximización de la precisión mediante ingeniería de características complejas o datos de laboratorio.

Limitaciones y Direcciones Futuras
Los autores reconocen varias limitaciones: el diseño transversal impide la inferencia causal; la falta de validación externa limita la generalizabilidad; y el uso de datos autoinformados introduce un posible sesgo. Crucialmente, el estudio no aplicó los pesos de muestreo de NHANES al proceso de ML, lo que significa que las estimaciones de prevalencia son específicas para la cohorte y no para la población ponderada de EE. UU. Los autores afirman que se requiere validación externa en poblaciones diversas y evaluación prospectiva en entornos comunitarios antes de su implementación clínica.