Risk factor analysis and predictive model construction and evaluation of fractional uric acid excretion in Chinese inpatients with Type 2 Diabetes

Resumen Técnico: Análisis de Factores de Riesgo y Construcción de un Modelo Predictivo para la Excreción Fraccional de Ácido Úrico en Pacientes Hospitalizados Chinos con Diabetes Tipo 2

Planteamiento del Problema
La excreción fraccional de ácido úrico (FEUA) es reconocida cada vez más como un factor de riesgo crítico para la nefropatía y un indicador preciso de la excreción de ácido úrico (UAE). Sin embargo, la medición precisa de la FEUA es clínicamente ardua, ya que requiere una recolección de orina de 24 horas tras un periodo estricto de lavado de medicamentos de 2 semanas y una dieta restrictiva de purinas de 5 días. Estos requisitos limitan su aplicación en la práctica clínica rutinaria y dificultan la investigación a gran escala utilizando bases de datos públicas que a menudo carecen de variables urinarias específicas. Además, actualmente no existe un modelo para predecir los niveles de FEUA basados en datos clínicos fácilmente accesibles. Este estudio aborda la necesidad de un método simple y confiable para estimar la FEUA en pacientes con Diabetes Mellitus Tipo 2 (DMT2), una población propensa a la regulación alterada del metabolismo del ácido úrico y al daño renal.

Metodología
Este estudio retrospectivo, de un solo centro, se llevó a cabo en el Hospital de la Gente de la Universidad de Pekín e involucró a 2,301 pacientes hospitalizados con DMT2.

• Fuente de Datos: Los datos fueron extraídos del Sistema de Información Hospitalaria (HIS) para pacientes admitidos entre 2017 y 2025.
• División de la Cohorte:
  • Conjunto de Entrenamiento/Validación Interna (n=1,510): Pacientes admitidos entre 2018 y 2024.
  • Conjunto de Validación Externa (n=791): Pacientes admitidos en 2017 y 2025 (validación temporal) para probar la robustez a través de diferentes periodos de tiempo.
• Inclusión/Exclusión: Se excluyeron pacientes con tumores malignos, enfermedades endocrinas o renales específicas, mujeres embarazadas o personas que tomaban medicamentos conocidos por afectar el metabolismo del ácido úrico (p. ej., diuréticos, inhibidores de SGLT2, ARBs, ACEIs, terapias reductoras de ácido úrico). También se excluyeron valores extremos de creatinina sérica (SCr), glucosa plasmática en ayunas (FPG) o ácido úrico sérico (SUA).
• Enfoque Estadístico:
  • Selección de Variables: El análisis univariante identificó factores significativos. Se realizó una regresión lineal de pasos hacia atrás multivariante.
  • Transformación: La FEUA, la $\beta_2$-microglobulina y la relación albúmina-creatinina en orina (UACR) se sometieron a una transformación logarítmica natural para corregir la asimetría.
  • Corrección de Sesgo: Se aplicó el Factor de Smearing de Duan para corregir el sesgo de re-transformación al convertir los valores predichos por logaritmo a la escala original.
  • Validación: El modelo fue sometido a validación interna (validación cruzada de 5 pliegues, 10 pliegues y de dejar uno fuera) y validación temporal externa. El rendimiento se evaluó mediante la Raíz del Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE), la correlación de Spearman, curvas ROC, gráficos de calibración y el Análisis de la Curva de Decisión (DCA).

Contribuciones Clave y Construcción del Modelo
El estudio desarrolló con éxito un modelo de regresión lineal para predecir la FEUA utilizando cuatro variables demográficas y séricas de rutina: Sexo, Ácido Úrico Sérico (SUA), Creatinina Sérica (SCr) y Glucosa Plasmática en Ayunas (FPG).

La fórmula predictiva final para el logaritmo natural de la FEUA es:
$$\ln(\text{FEUA}) = 1.9408 + 0.1462 \times \text{Género} - 0.0031 \times \text{SUA} + 0.00112 \times \text{SCr} + 0.0068 \times \text{FPG}$$
(Donde el Género se codifica como Masculino=1, Femenino=2; SUA en $\mu$mol/L; SCr en $\mu$mol/L; FPG en mmol/L)

La FEUA predicha se calcula como:
$$\text{FEUA Predicha} = \exp(\ln(\text{FEUA})) \times 1.0265$$
(1.0265 es el Factor de Smearing de Duan)

Resultados

• Validación Interna: El modelo demostró una fuerte concordancia entre la FEUA observada y la predicha.
  • Correlación: Coeficiente de correlación de Spearman de 0.7870 ($P < 0.001$).
  • Métricas de Error: El RMSE fue de 1.690%, y la diferencia media entre los valores observados y predichos fue insignificante (-0.005%).
  • Precisión de Clasificación: Para predecir una FEUA elevada ($\ge 11\%$), el modelo alcanzó una precisión global del 94.70%. El Área Bajo la Curva (AUC) fue de 0.9552 (IC 95%: 0.9413–0.9691). Con un punto de corte de 8.0257%, la sensibilidad fue del 95.41% y la especificidad del 82.73%.
  • Estabilidad: Los índices de validación cruzada (5 pliegues, 10 pliegues, LOO) se mantuvieron estables, con valores de RMSE que oscilaron entre 1.6898 y 1.7081. Los análisis de subgrupos (basados en la función renal y el estado glucémico) mostraron un rendimiento constante con valores ROC > 0.949.
• Validación Externa: El modelo mantuvo un rendimiento robusto en el conjunto de datos temporales independientes (2017 y 2025).
  • Correlación: Correlación de Spearman de 0.7451 ($P < 0.001$).
  • Clasificación: El AUC para predecir la FEUA elevada fue de 0.8946 (IC 95%: 0.8545–0.9347), con una precisión global del 94.18%.
  • Calibración: Las curvas de calibración y las curvas de decisión confirmaron la utilidad clínica del modelo y la concordancia entre las probabilidades predichas y los resultados reales.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona el primer modelo predictivo efectivo y práctico para la FEUA en pacientes hospitalizados con DMT2 utilizando solo cuatro índices clínicos comunes. La importancia de este trabajo radica en:

1. Utilidad Clínica: Ofrece una alternativa no invasiva y conveniente a la laboriosa recolección de orina de 24 horas y los protocolos de lavado, ayudando a los médicos a identificar a pacientes con FEUA elevada (un factor de riesgo para el daño renal) y guiando las medidas preventivas o terapéuticas para la hiperuricemia y la enfermedad renal diabética.
2. Expansión de la Investigación: Al permitir la estimación de la FEUA a partir de datos séricos estándar, el modelo facilita la utilización de bases de datos públicas a gran escala que anteriormente carecían de variables urinarias, lo que potencialmente amplía el alcance de la investigación sobre el metabolismo del ácido úrico y la enfermedad renal.
3. Perspectiva Mecanística: El estudio refuerza las relaciones entre la FEUA y sus predictores (p. ej., la asociación negativa con el SUA y la asociación positiva con la SCr y la FPG), discutiendo posibles mecanismos fisiológicos como la eliminación del estrés oxidativo, la regulación de los transportadores renales y las influencias hormonales.

Los autores mantienen la modestia respecto a las limitaciones del estudio, reconociendo su naturaleza retrospectiva, de un solo centro y transversal, y señalando que se requieren futuras validaciones externas multicéntricas para confirmar la generalizabilidad a poblaciones más amplias.