Generalizing Major Adverse Cardiovascular Events (MACE) Prediction Across Study Designs Using Ensemble Transfer Learning in 4.2 million US Veterans

Las enfermedades cardíacas siguen siendo la principal causa de muerte en los Estados Unidos, cobrándose la vida de aproximadamente una de cada cuatro personas. Durante décadas, los médicos han dependido de factores de riesgo establecidos para predecir quién podría sufrir un evento cardíaco mayor, como un ataque al corazón, un accidente cerebrovascular o la muerte por causas cardiovasculares. Estos factores incluyen la edad, el sexo, la presión arterial alta, la diabetes y los niveles de colesterol. Si bien estas directrices han salvado vidas, a menudo tienen dificultades para adaptarse cuando se aplican a diferentes grupos de personas o cuando los datos sobre los que se basan proven de distintos tipos de estudios médicos. Un modelo entrenado en un grupo de pacientes puede fallar cuando se utiliza en otro, simplemente porque la forma en que se recopilaron los datos creó sesgos ocultos. El desafío para la medicina moderna es construir herramientas de predicción que no solo sean precisas, sino también lo suficientemente robustas como para funcionar en diversas poblaciones y sistemas de atención médica cambiantes.

Para abordar esto, un equipo de investigadores del Laboratorio Nacional de Los Álamos y varios centros médicos de Asuntos de Veteranos recurrió a un conjunto masivo de datos que contenía los registros médicos electrónicos de 4,2 millones de veteranos estadounidenses. Su objetivo era crear una nueva forma de predecir eventos cardiovasculares adversos mayores, o MACE (por sus siglas en inglés), que pudiera aprender de diferentes diseños de estudio y generalizar sus hallazgos a pacientes del mundo real. Descubrieron que, al combinar dos formas muy diferentes de observar los datos de los pacientes —una centrada en encontrar las causas biológicas de la enfermedad y otra centrada en el cribado de una población amplia—, podían construir una herramienta de predicción mucho más sólida de lo que cualquiera de los dos métodos podría lograr por sí solo.

Los investigadores trabajaron con un conjunto de datos que abarcaba siete años y medio de historial médico de millones de pacientes. Necesitaban predecir quién sufriría un ataque al corazón, un accidente cerebrovascular o una muerte relacionada con el sistema cardiovascular en el futuro. Para ello, analizaron una amplia gama de información, incluyendo resultados de laboratorio, signos vitales como la presión arterial, diagnósticos, medicamentos y la frecuencia con la que los pacientes visitaban al médico. Organizaron esta información en bloques de tiempo previos a la fecha de la predicción, creando una línea de tiempo detallada de la salud de cada paciente.

El equipo se enfrentó a un problema fundamental: los diferentes tipos de estudios médicos capturan distintos aspectos de la salud. Un tipo de estudio, conocido como estudio de casos y controles retrospectivo, es excelente para identificar los impulsores biológicos de una enfermedad. En este diseño, los investigadores emparejan a pacientes que han tenido un evento cardíaco con pacientes similares que no lo han tenido, controlando cuidadosamente factores como la edad y la frecuencia de las visitas al médico. Este emparejamiento elimina el ruido de los patrones de uso de la atención médica, permitiendo que las señales biológicas destaquen claramente. Sin embargo, estos grupos emparejados no siempre se parecen a la población general que acude a un consultorio médico.

El otro tipo de estudio es una cohorte de cribado prospectiva, que observa a un grupo amplio de pacientes tal como son atendidos en la atención rutinaria. Este diseño refleja el mundo real, incluyendo el hecho de que algunas personas visitan al médico con frecuencia y otras rara vez lo hacen. Si bien esto proporciona una imagen realista de la población, los datos suelen ser "ruidosos" porque la frecuencia de las visitas está ligada a qué tan enferma está una persona, lo que dificulta separar la enfermedad en sí misma del comportamiento de buscar atención médica.

Los investigadores se dieron cuenta de que intentar usar solo uno de estos enfoques era limitante. En su lugar, desarrollaron un marco llamado aprendizaje de transferencia de conjunto (ensemble transfer learning). Primero, entrenaron varios modelos de aprendizaje automático diferentes con los datos de casos y controles retrospectivos para aprender los impulsores biológicos puros de la enfermedad cardíaca. Luego, tomaron estos modelos y los "ajustaron" utilizando los datos de cribado prospectivo. Este proceso permitió que los modelos se ajustaran a los patrones del mundo real de utilización de la atención médica, manteniendo al mismo tiempo los conocimientos biológicos centrales que habían aprendido. Es similar a cómo un músico podría practicar una pieza en un estudio silencioso para dominar las notas, y luego interpretarla en una sala de conciertos ruidosa, ajustando su volumen y tiempo según la sala sin perder la música en sí misma.

Los resultados fueron significos. Cuando los investigadores probaron sus nuevos modelos combinados en una cohorte prospectiva de veteranos de 2017, los modelos alcanzaron un alto nivel de precisión, distinguiendo correctamente entre aquellos que sufrirían un evento cardíaco y aquellos que no, mejor que los métodos estándar anteriores. Los modelos fueron particularmente buenos identificando a pacientes de alto riesgo, un grupo que las herramientas anteriores solían pasar por alto. Además, los modelos mantuvieron su precisión en diferentes grupos demográficos, incluyendo hombres y mujeres, y personas de diferentes razas y etnias.

Un hallazgo clave del estudio fue que los impulsores biológicos de la enfermedad cardíaca identificados en los grupos retrospectivos cuidadosamente emparejados eran consistentes con los encontrados en los grupos prospectivos más amplios. Esto sugiere que los mecanismos centrales de la enfermedad son estables y pueden aprenderse de un tipo de estudio y aplicarse con éxito a otro. El estudio también destacó que los modelos no lineales, que pueden capturar interacciones complejas entre variables, funcionaron mejor que los modelos lineales tradicionales. Estos modelos avanzados fueron capaces de comprender que una combinación de factores, como la presión arterial alta y un historial de dolor torácico, creaba un riesgo mayor que la suma de las partes individuales.

Los investigadores también examinaron cómo los modelos manejaban los datos faltantes. En los registros médicos electrónicos, es común que falten ciertos resultados de pruebas. El estudio encontró que la ausencia de un resultado de una prueba era a menudo informativa; por ejemplo, si un paciente no había tenido un control de presión arterial en mucho tiempo, esto podía indicar una falta de compromiso con el sistema de atención médica, lo cual es en sí mismo un factor de riesgo. Los nuevos modelos pudieron utilizar estos patrones de ausencia para mejorar sus predicciones, mientras que los modelos más antiguos a menudo trataban los datos faltantes como un simple error que debía ignorarse.

Este trabajo demuestra que es posible construir herramientas de predicción clínica que sean tanto biológicamente fundamentadas como prácticamente útiles. Al reconocer que los diferentes diseños de estudio ofrecen distintas fortalezas, los investigadores crearon un sistema que aprovecha la precisión de los estudios emparejados y el realismo del cribado amplio. Los modelos resultantes no son solo más precisos; también son más adaptables. A medida que los sistemas de salud cambian, se introducen nuevos tratamientos y las poblaciones de pacientes evolucionan, estos modelos pueden actualizarse con un esfuerzo relativamente pequeño, asegurando que sigan siendo relevantes.

El estudio fue realizado utilizando datos del Departamento de Asuntos de Veteranos de EE. UU., que proporcionó un registro longitudinal rico de millones de pacientes. Si bien la población específica de veteranos es predominantemente masculina y de edad avanzada, la metodología desarrollada aquí ofrece una estrategia general para mejorar la predicción de riesgos en cualquier sistema de atención médica de gran escala. Los investigadores sugieren que este enfoque podría aplicarse a otras enfermedades crónicas y problemas médicos complejos, proporcionando un camino hacia una medicina más confiable y personalizada. Al combinar lo mejor de diferentes diseños de estudio, el equipo ha demostrado que el aprendizaje automático puede ir más allá del simple reconocimiento de patrones para crear herramientas que verdaderamente comprenden la complejidad de la salud humana.