Development and internal validation of a machine learning-based risk stratification tool for sarcopenia in Chinese older adults: findings from the CHARLS study

Resumen Técnico: Desarrollo y Validación Interna de una Herramienta de Estratificación de Riesgo Basada en Aprendizaje Automático para la Sarcopenia en Adultos Mayores Chinos

Planteamiento del Problema
La sarcopenia, caracterizada por la pérdida progresiva de la masa muscular esquelética, la fuerza y el rendimiento físico, es un síndrome geriátrico crítico asociado con caídas, fragilidad y mortalidad. Si bien biomarcadores individuales como la proteína C reactiva (PCR) y la hemoglobina (Hb) han mostrado asociaciones con la sarcopenia, su rendimiento predictivo es limitado. Los modelos de aprendizaje automático (ML) existentes suelen sufrir de muestras pequeñas, diseños de un solo centro o falta de validación externa. Existe una necesidad específica de un modelo de predicción de riesgo parsimonioso y clínicamente desplegable, desarrollado a partir de una cohorte representativa a nivel nacional de adultos mayores chinos, que integre factores de riesgo multidimensionales para mejorar la detección de casos en entornos comunitarios.

Metodología
Este estudio utilizó datos transversales de 6,04 participantes de 60 años o más de la ola de 2015 del Estudio Longitudinal de Salud y Retiro de China (CHARLS).

• Definición del Resultado: La sarcopenia se definió de acuerdo con los criterios del Grupo de Trabajo Asiático para la Sarcopenia (AWGS) 2019, que requiere una baja masa muscular esquelética apendicular (ASM) junto con baja fuerza muscular o bajo rendimiento físico. La ASM se estimó utilizando una ecuación antropométrica validada específica para adultos mayores chinos.
• Selección de Predictores: Se evaluaron treinta y un predictores candidatos a través de cuatro dominios: demográfico, clínico, bioquímico y de estado de salud.
• Desarrollo del Modelo:
  • Selección de Variables: Se empleó la regresión de Penalización de Lasso (Least Absolute Shrinkage and Selection Operator) con validación cruzada de 10 pliegues para seleccionar los predictores más informativos, utilizando el criterio lambda.1se para asegurar la parsimonia del modelo.
  • Modelo Final: Los 12 predictores seleccionados se introdujeron en un modelo de regresión logística multivariable.
  • Validación: La validación interna se realizó mediante validación cruzada de 10 pliegues.
  • Métricas de Desempeño: La discriminación se evaluó mediante el Área Bajo la Curva Característica Operativa del Receptor (AUC). La calibración se evaluó mediante gráficos de calibración, la prueba de Hosmer-Lemeshow y el análisis de deciles de riesgo. La utilidad clínica se evaluó mediante el Análisis de la Curva de Decisión (DCA).
  • Análisis Comparativo: El modelo de regresión logística-LASSO se comparó con los algoritmos de Bosque Aleatorio (RF) y XGBoost utilizando los mismos predictores.
  • No Linealidad: Se utilizó el análisis de Spline Cúbico Restringido (RCS) para examinar las asociaciones no lineales, específicamente para la edad.

Resultos Clave

• Prevalencia: La prevalencia de sarcopenia en la cohorte del estudio fue del 13.5% (839/6,204).
• Predictores Seleccionados: La regresión LASSO retuvo 12 predictores: edad, residencia rural, hipertensión, enfermedad pulmonar crónica, enfermedad digestiva, hemoglobina, hematocrito, ácido úrico, HDL-C, LDL-C, triglicéridos y la relación PCR-Hb.
• Desempeño del Modelo:
  • El modelo de regresión logística final logró un AUC de 0.836 (IC 95%: 0.822–0.851) en el conjunto de entrenamiento y un AUC de validación cruzada de 0.833 (IC 95%: 0.819–0.848).
  • En el punto de corte óptimo (umbral de probabilidad = 0.138), el modelo demostró una sensibilidad de 0.757 y una especificidad de 0.762.
  • Crucialmente, el Valor Predictivo Negativo (VPN) fue de 0.952, lo que indica una alta utilidad para descartar la sarcopenia.
  • La calibración fue excelente, con una pendiente de calibración de 0.975 y una prueba de Hosmer-Lemeshow no significativa (P = 0.327).
• Estratificación de Riesgo: El modelo estratificó con éxito el riesgo en cuatro niveles, con una prevalencia observada de sarcopenia que varió desde el 1.3% en el grupo de menor riesgo hasta el 62.3% en el grupo de mayor riesgo.
• Comparación de Algoritmos: El modelo LASSO-logístico (AUC 0.833) se desempeñó de manera comparable al Bosque Aleatorio (0.817) y XGBoost (0.832), pero se mantuvo como el modelo principal debido a su interpretabilidad y a la capacidad de generar un nomograma.

Contribuciones Clave y Significancia
Los autores afirman que este estudio proporciona un modelo de aprendizaje automático parsimonioso de 12 predictores diseñado específicamente para adultos mayores chinos utilizando los criterios del AWGS 2019. Su significancia radica en varias áreas:

1. Integración Multidimensional: El modelo supera a los biomarcadores individuales (por ejemplo, la hemoglobina sola, AUC 0.644) al integrar factores inflamatorios, nutricionales y clínicos. La inclusión de la relación PCR-Hb destaca el valor sinérgico de combinar los ejes inflamatorio y hematopoyético para predecir la pérdida muscular.
2. Desplegabilidad Clínica: A diferencia de los modelos anteriores que requieren evaluaciones especializadas (por ejemplo, fuerza de agarre o velocidad de la marcha) no disponibles habitualmente en la atención primaria, este modelo depende de variables clínicas y bioquímicas de rutina. El desarrollo de un nomograma permite el cálculo manual sin dispositivos electrónicos, lo que lo hace adecuado para entornos comunitarios con recursos limitados en China.
3. Utilidad de Descarte: El alto Valor Predictivo Negativo (0.952) posiciona a la herramienta como un mecanismo de detección eficaz para "descartar" la sarcopenia, reduciendo potencialmente las derivaciones innecesarias para exploraciones confirmatorias de absorciometría de rayos X de energía dual (DXA).
4. Perspectivas Demográficas: El estudio identifica la residencia rural como el factor de riesgo demográfico más fuerte (OR = 2.29), lo que subraya disparidades significativas en salud y sugiere que los programas de detección deben priorizar las estaciones de salud comunitaria rurales.
5. Especificidad Fenotípica: El perfil bioquímico retenido (ácido úrico bajo, lípidos bajos, HDL-C elevado) sugiere que la sarcopenia en esta cohorte china es impulsada por la desnutrición y la malnutrición proteico-energética, contrastando con la obesidad sarcopénica impulsada por el síndrome metabólico que se observa frecuentemente en las poblaciones occidentales. Esto respalda la necesidad de herramientas de estratificación de riesgo específicas para cada región.

Limitaciones y Direcciones Futuras
Los autores reconocen que el diseño transversal impide la inferencia causal. El uso de una ecuación antropométrica en lugar de DXA para la estimación de la ASM introduce un posible sesgo, aunque se realizaron análisis de sensibilidad. El estudio también señala la exclusión de datos de ingesta dietética, actividad física y fuerza de agarre de la ola de 2015 de CHARLS. Los autores concluyen que es necesaria la validación externa en poblaciones geográficamente distintas y estudios longitudinales para evaluar la incidencia de la sarcopenia antes de su despliegue clínico.