Heterogeneous Treatment Effects in HFpEF: Distinguishing Drug-Specific Response from Prognostic Phenotypes Across Randomized Trials

Resumen Técnico: Efectos de Tratamiento Heterogéneos en la HFpEF

Planteamiento del Problema
La insuficiencia cardíaca con fracción de eyección preservada (HFpEF) es un síndrome heterogéneo caracterizado por diversos fenotipos fisiopatológicos y una carga significativa de comorbilidades. A pesar de esta heterogeneidad, los ensayos controlados aleatorizados (ECA) en HFpEF han reportado mayoritariamente efectos de tratamiento neutros. Los autores argumentan que estos resultados nulos pueden ocultar beneficios específicos de cada fármaco dentro de subgrupos distintos. Una limitación metodológica crítica en la investigación actual es la definición de "respuesta al tratamiento". Los enfoques convencionales suelen dicotomizar a los pacientes en "respondedores" y "no respondedores" basándose en umbrales arbitrarios (por ejemplo, una mejora específica en la puntuación del Kansas City Cardiomyopathy Questionnaire). El artículo postula que tales modelos de aprendizaje automático entrenados en estos umbrales suelen capturar señales pronósticas (gravedad de la enfermedad basal y trayectorias clínicas naturales comunes tanto al grupo de tratamiento como al de placebo) en lugar de señales predictivas reales (variables que modifican específicamente el efecto del tratamiento). En consecuencia, estos modelos no logran distinguir qué pacientes se benefician de un fármaco específico frente a aquellos que simplemente tienen una historia natural favorable.

Metodología
Para desentrañar las señales pronósticas de los efectos de tratamiento específicos del fármaco, los autores desarrollaron un marco utilizando datos de cuatro ensayos clínicos de HFpEF: TOPCAT (espironolactona), RELAX (sildenafilo), NEAT-HFpEF (isosorbida mononitrato) e INDIE-HFpEF (nitrito inorgánico). El estudio empleó dos enfoques analíticos complementarios:

1. Modelo de Respondedor Pronóstico (Enfoque 1):

   • Se entrenó un modelo de regresión logística regularizada (LASSO) en el brazo de tratamiento del ensayo TOPCAT para predecir un estado de "respondedor" compuesto (definido por mejoras en la clase NYHA, KCCQ, caminata de 6 minutos o VO₂ pico).
   • Este modelo fue evaluado por su capacidad para predecir resultados tanto en los brazos de tratamiento como de placebo.
   • Validación: Los autores probaron si los "respondedores" identificados mostraban un efecto de tratamiento diferencial (interacción) en comparación con los "no respondedores". Si el modelo captura solo el pronóstico, el efecto del tratamiento debería ser similar en ambos grupos.

2. Modelo de Efecto de Tratamiento Individual (ITE) Basado en Interacciones (Enfoque 2):

   • Este marco de dos etapas utiliza resultados continuos (cambio en KCCQ, 6MWT o VO₂) para estimar directamente las interacciones tratamiento-por-variable.
   • Etapa 1 (Ajuste Pronóstico): Un modelo de regresión Lasso predice el resultado utilizando variables basales e un indicador de tratamiento, capturando el efecto de tratamiento promedio y los factores pronósticos. Los residuos ($\hat{\epsilon}_1$) representan la variación no explicada por el pronóstico basal o el efecto de tratamiento promedio.
   • Etapa 2 (Modelado de Interacción): Una regresión Ridge (o Elastic Net) modela los residuos de la Etapa 1 como una función de términos de interacción tratamiento-por-variable ($T \times X$). Esto aísla las características basales que modifican específicamente el efecto del tratamiento.
   • Validación: Los autores realizaron pruebas de permutación para evaluar la significancia estadística de la interacción. Crucialmente, realizaron una validación cruzada entre ensayos: un modelo ITE entrenado en un ensayo se aplicó a los otros. Hipotizaron que los modificadores de efecto específicos del fármaco solo mostrarían interacciones significativas dentro de su propio ensayo (significancia diagonal) y no se generalizarían a ensayos con diferentes mecanismos de acción.
   • Interpretabilidad: Se entrenaron árboles de decisión subrogados (profundidad=3) sobre las predicciones de ITE continuas para traducir los complejos coeficientes de interacción en reglas clínicamente accionables utilizando variables no estandarizadas.

Resultos Clave

• Distinción entre Pronóstico y Predictivo: El modelo pronóstico del Enfoque 1 logró una buena discriminación (AUROC 0.76 en TOPCAT) y predijo resultados de supervivencia a largo plazo. Sin embargo, al aplicarse tanto al brazo de tratamiento como al de placebo, no mostró una interacción significativa de tratamiento-por-subgrupo ($p=0.17$). Esto confirma que los modelos de "respondedor" convencionales identifican principalmente pacientes con trayectorias naturales favorables (pronóstico) en lugar de aquellos que derivan un beneficio específico del fármaco.
• Heterogeneidad Específica del Fármaco (Enfoque 2): Los modelos ITE identificaron modificadores de efecto distintos y específicos del mecanismo para cada ensayo:
  • TOPCAT (Espironolactona): Identificó un fenotipo cardiorrenal-inflamatorio. Variables como la depuración de creatinina <30 mL/min y el bloqueo de rama se asociaron con un aumento del beneficio, mientras que la diabetes y el BUN elevado se asociaron con un beneficio reducido o daño. En la cohorte exclusiva de las Américas, la separación del efecto del tratamiento entre los grupos de alto y bajo ITE fue sustancial (+12.1 puntos de KCCQ).
  • NEAT-HFpEF (Isosorbida Mononitrato): Identificó un fenotipo hemodinámico. Pacientes con presión de pulso alta, estertores y presión arterial sistólica elevada (signos de congestión/rigidez) experimentaron un beneficio reducido o daño, mientras que los pacientes menos comprometidos hemodinámicamente mostraron un beneficio modesto.
  • INDIE-HFpEF (Nitrito Inorgánico): Identificó un fenotipo de sobrecarga de volumen y metabólico. Pacientes con BUN elevado, presión venosa yugular y alteración metabólica derivaron menos beneficio, probablemente debido a una señalización NO-cGMP-PKG deteriorada.
  • RELAX (Sildenafilo): Identificó marcadores de inflamación y sobrecarga de volumen, aunque la interacción no alcanzó la significancia estadística, probablemente debido al tamaño de muestra más pequeño y las limitaciones de los desenlaces.
• Especificidad entre Ensayos: La matriz de validación cruzada demostró un patrón de significancia "diagonal". Cada modelo ITE fue estadísticamente significativo solo cuando se validó en su propio ensayo y fármaco. Por ejemplo, el modelo de TOPCAT no predijo la respuesta diferencial a los nitratos, y el modelo de NEAT no predijo la respuesta a la espironolactona. Esto confirma que los modelos capturan mecanismos específicos del fármaco en lugar de una "capacidad de respuesta" genérica.
• Interpretabilidad Clínica: Los árboles de decisión subrogados aproximaron con éxito los complejos modelos ITE (por ejemplo, el árbol de TOPCAT $R^2=0.665$), proporcionando reglas claras como "los pacientes sin diabetes y con bloqueo de rama se benefician más de la espironolactona".

Significancia y Reivindicaciones
El artículo afirma que su marco propuesto aborda con éxito el desafío metodológico de distinguir los fenotipos pronósticos de los modificadores predictivos del tratamiento en la HFpEF. Al alejarse de las definiciones dicotómicas de "respondedor" hacia el modelado de interacción continua, el estudio demuestra que:

1. Los ensayos neutros pueden ocultar la heterogeneidad: Los resultados nulos generales de ensayos como TOPCAT y NEAT-HFpEF probablemente enmascaran beneficios significativos y específicos de cada fármaco en subgrupos identificables, así como posibles daños en otros.
2. La especificidad del mecanismo es detectable: Los modificadores del efecto del tratamiento están alineados con los mecanismos biológicos de los fármacos (por ejemplo, cardiorrenal para los antagonistas de la aldosterona, hemodinámico para los nitratos).
3. Utilidad Clínica: Los árboles de decisión subrogados ofrecen una vía para la terapia guiada por fenotipos utilizando variables clínicas recopiladas de rutina, lo que potencialmente permite una selección de pacientes más precisa en futuros ensayos y en la práctica clínica.
4. Implicaciones en el Diseño de Ensayos: Los autores abogan por un "diseño de ensayos informado por fenotipos", sugiriendo que los futuros ensayos de HFpEF deberían considerar estrategias de enriquecimiento preespecificadas basadas en el ITE predicho para mejorar la detección de los efectos del tratamiento.

Los autores mantienen un tono modesto, reconociendo que estos hallazgos son exploratorios y requieren validación prospectiva en cohortes independientes o en ensayos de diseño de enriquecimiento. También señalan limitaciones respecto al poder estadístico de los ensayos más pequeños y el hecho de que las variables clínicas basales explican solo una parte de la heterogeneidad del efecto del tratamiento, sugiriendo la necesidad de modalidades de datos más granulares (genómica, proteómica) en el futuro.