Unmasking cardiovascular risk beyond BMI in type 2 diabetes and MASLD: an interpretable multiorgan score for lower-BMI patients

Resumen Técnico: Desenmascarando el Riesgo Cardiovascular Más Allá del IMC en la Diabetes Tipo 2 y la MASLD

Planteamiento del Problema
La enfermedad cardiovascular (ECV) sigue siendo la principal causa de mortalidad mundial, con una carga cada vez más vinculada a las condiciones superpuestas de obesidad, diabetes mellitus tipo 2 (DT2) y enfermedad del hígado graso asociada a la disfunción metabólica (MASLD). Si bien el Índice de Masa Corporal (IMC) es un marcador dominante de la severidad metabólica en la práctica clínica, este no logra capturar la distribución de la grasa ectópica, la adiposidad visceral, la reserva del músculo esquelético y la lesión de órganos específicos. Esta limitación es particularmente crítica en poblaciones asiáticas y pacientes con DT2-MASLD, donde un fenotipo de "IMC bajo" (no obeso o delgado) puede presentar aún una fibrosis hepática significativa, lesión vascular y vulnerabilidad sistémica. Las herramientas actuales de estratificación de riesgo suelen basarse en categorías de IMC, lo que podría subestimar el riesgo de ECV en pacientes con un IMC bajo que poseen un perfil cardiometabólico complejo. Existe la necesidad de una herramienta de evaluación de riesgo multiorgánico interpretable que vaya más allá de la clasificación del tamaño corporal para identificar individuos de alto riesgo dentro de este fenotipo específico.

Metodología
Este estudio empleó un diseño de cohorte retrospectivo, de centro único y basado en un hospital, utilizando datos del Hospital Provincial de Gansu, China.

• Cohorte: La cohorte analítica consistió en 1,466 adultos con DT2, MASLD documentada y un IMC < 27.0 kg/m². Se excluyeron los pacientes con ECV documentada al inicio para centrarse en la estratificación del riesgo de eventos futuros o no diagnosticados.
• División de Datos: La cohorte se dividió en 7:3 en una cohorte de entrenamiento (n=1,026) y una cohorte de validación interna bloqueada (n=440) mediante estratificación por estado de ECV y estrato de IMC.
• Ingeniería de Características: Los predictores candidatos se organizaron en tres grupos. El Grupo A se centró en variables disponibles de forma rutinaria para un modelo parsimonioso. Los Grupos B y C incluyeron términos metabólicos, renales y de interacción extendidos para fines comparativos.
• Desarrollo del Modelo:
  • Modelo Primario (A2): Se desarrolló un modelo de regresión logística de regularización ridge utilizando los predictores del Grupo A. Este se convirtió en una puntuación clínica aditiva (estilo nomograma) para asegurar la interpretabilidad.
  • Comparadores: El estudio comparó el A2 contra la regresión logística estándar (A1), modelos lineales extendidos (B1, B2) y modelos de aprendizaje automático (C1: ExtraTrees; C2: XGBoost) utilizando el Grupo C.
• Protocolo de Validación: Se utilizó un marco de trabajo "bloqueado" estricto. Todo el preprocesamiento, el cribado de características, el ajuste de hiperparámetros y la derivación de umbrales ocurrieron exclusivamente en la cohorte de entrenamiento. La cohorte de validación se utilizó únicamente para la evaluación final del rendimiento sin ningún reajuste del modelo.
• Resultado: El resultado primario fue el estado binario de ECV documentada (enfermedad de las arterias coronarias, insuficiencia cardíaca, fibrilación auricular, accidente cerebrovascular, enfermedad aórtica o enfermedad arterial periférica) mediante un corte administrativo del estudio.
• Métricas: El rendimiento se evaluó mediante discriminación (AUC), precisión-exhaustividad (precisión promedio), error de predicción (puntuación de Brier), calibración (intercepto y pendiente) y análisis de la curva de decisión (beneficio neto).

Contribuciones Clave

1. Desarrollo de la Puntuación A2: El estudio desarrolló y validó internamente una puntuación de riesgo multiorgánico interpretable (A2) que comprende ocho predictores disponibles de forma rutinaria: duración de la diabetes, número de placas carotídeas, media del grosor íntima-media (IMT) carotídeo, edad, índice FIB-4, tasa de filtración glomerular estimada (TFGe), colesterol LDL y albúmina.
2. Marco de Riesgo Multiorgánico: El modelo integra señales de la exposición acumulada a la diabetes, aterosclerosis subclínica, fibrosis hepática, función renal, carga lipídica y vulnerabilidad sistémica, proporcionando una visión holística del riesgo de ECV que el IMC por sí solo no puede ofrecer.
3. Validación en Fenotipos de IMC Bajo: El estudio demostró específicamente que la puntuación A2 mantiene el rendimiento predictivo y separa los gradientes de riesgo incluso en pacientes con un IMC < 25 kg/m², un grupo que a menudo se considera de bajo riesgo basándose únicamente en la masa corporal.
4. Interpretabilidad frente a Complejidad: El estudio mostró que un modelo de regresión logística ridge parsimonioso e interpretable (A2) logró un rendimiento general comparable o superior (equilibrando discriminación, calibración y puntuación de Brier) en comparación con algoritmos de aprendizaje automático más complejos, respaldando la utilidad de las herramientas clínicas transparentes.

Resultados

• Características de la Población: Entre los 1,466 pacientes, 240 (16.4%) tenían ECV documentada. El análisis basal reveló que la carga de eventos cardiovasculares no seguía un gradiente simple de menor IMC/menor riesgo; las tasas de eventos fueron más altas en el estrato de IMC 23–<25 kg/m² (18.1%) y más bajas en el estrato de 25–<27 kg/m² (13.7%).
• Selección de Predictores: El modelo A2 final retuvo ocho variables. La duración de la diabetes mostró la asociación más fuerte (OR 2.12 por DE en el modelo de regresión logística estándar), seguida por el número de placas carotídeas, la media del IMT carotídeo y la edad.
• Rendimiento del Modelo (Cohorte de Validación):
  • A2 (Regresión Logística Ridge): Logró un AUC de 0.792 (IC 95% 0.741–0.844), una precisión promedio de 0.420 y una puntuación de Brier de 0.116. La calibración fue razonable (intercepto −0.307, pendiente 0.849).
  • Comparadores: Los modelos de aprendizaje automático (C1, C2) no demostraron una ventaja incremental clara sobre el A2. El C1 (ExtraTrees) tuvo una precisión promedio ligeramente mayor (0.438) pero un AUC inferior (0.780) y una peor calibración. El A2 fue seleccionado como el modelo primario por su equilibrio entre rendimiento, parsimonia y capacidad de conversión a una puntuación clínica.
• Estratificación de Riesgo: Utilizando los tertiles derivados del entrenamiento, la puntuación A2 separó con éxito la carga de ECV en la cohorte de validación:
  • Estrato de bajo riesgo: tasa de eventos del 2.9%.
  • Estrato de riesgo intermedio: tasa de eventos del 12.0%.
  • Estrato de alto riesgo: tasa de eventos del 33.3%.
• Análisis de Subgrupos: En el subgrupo de IMC < 25 kg/m² (n=277 en la validación), la puntuación A2 mantuvo una discriminación robusta (AUC 0.812) y una clara separación de riesgo (tasas de eventos: 1.3%, 10.8% y 36.8% para los niveles de riesgo bajo, intermedio y alto, respectivamente).

Significancia y Reivindicaciones
El artículo sostiene que el riesgo cardiovascular en pacientes con IMC bajo, DT2 y MASLD es frecuentemente subestimado cuando se depende únicamente de las categorías de IMC. El estudio postula que un fenotipo "delgado" no excluye una fibrosis hepática significativa, lesión vascular o vulnerabilidad sistémica. La puntuación A2 ofrece una herramienta práctica e interpretable para refinar la evaluación del riesgo integrando señales multiorgánicas (hígado, riñón, vasos sanguíneos y antecedentes metabólicos) que están disponibles de forma rutinaria en entornos hospitalarios.

Los autores enfatizan que el estudio proporciona un marco de trabajo validado internamente. Declaran explícitamente que los hallazgos requieren validación externa y prospectiva antes de su implementación clínica. La significancia no reside en la introducción de un algoritmo novedoso, sino en la demostración de que un enfoque parsimonioso y multiorgánico puede estratificar eficazmente el riesgo en una población clínicamente poco reconocida, apoyando potencialmente una evaluación cardiovascular temprana más allá de las definiciones tradicionales de obesidad. El estudio concluye que el IMC no debe interpretarse como un marcador de bajo riesgo cardiovascular en pacientes con DT2-MASLD y aboga por un cambio hacia un marco de evaluación integrado cardiovascular-renal-metabólico-hepático.