Platelet-to-Lymphocyte Ratio-Driven Machine Learning Model for Predicting In-Hospital Major Adverse Cardiovascular Events After Percutaneous Coronary Intervention in Acute Myocardial Infarction: A Retrospective Cohort Study

Resumen Técnico: Modelo de Aprendizaje Automático Basado en la Relación entre Plaquetas y Linfocitos para la Predicción de MACE Intrahospitalario tras PCI en AMI

Planteamiento del Problema
La evaluación precisa del riesgo de eventos adversos cardiovasculares mayores (MACE) intrahospitalarios tras una intervención coronaria percutánea (PCI) en pacientes con infarto agudo de miocardio (AMI) es crítica para optimizar la toma de decisiones clínicas. Si bien los mecanismos inflamatorios son centrales en la lesión por isquemia-reperfusión, la investigación existente se ha basado mayoritariamente en marcadores inflamatorios individuales o ha carecido de una comparación sistemática de índices inflamatorios multidimensionales dentro de un marco unificado. Además, sigue sin estar claro qué marcador inflamatorio específico posee la "eficacia de conducción" óptima dentro de un modelo de predicción de aprendizaje automático (ML), y si existen relaciones no lineales o efectos de umbral entre los indicadores clínicos clave y el riesgo de MACE. La regresión logística tradicional a menudo asume relaciones lineales, lo que podría omitir interacciones complejas y efectos de umbral inherentes a los datos clínicos.

Metodología
Este estudio de cohorte retrospectivo inscribió a 1,163 pacientes consecutivos con AMI que se sometieron a PCI en el Segundo Hospital Afiliado al Colegio Médico de Shenyang entre 2020 y 2025. El conjunto de datos se dividió aleatoriamente en un conjunto de entrenamiento (n=814) y un conjunto de prueba independiente (n=349) con una proporción de 7:3, con estratificación para asegurar una distribución equilibrada de los resultados.

• Selección de Variables: Se calcularon cinco índices inflamatorios multidimensionales: relación entre plaquetas y linfocitos (PLR), relación entre monocitos y linfocitos (MLR), relación entre monocitos y HDL (MHR), índice de inflamación inmunológica sistémica (SII) e índice de respuesta inflamatoria sistémica (SIRI). El análisis univariante identificó variables significativas, que luego fueron sometidas a una regresión LASSO (utilizando validación cruzada de 10 pliegues) para seleccionar predictores candidatos y mitigar el sobreajuste.
• Construcción del Modelo:
  • Regresión Logística: Se construyó un modelo de regresión logística multivariable para identificar factores de riesgo independientes y establecer una línea base. Se empleó el análisis de spline cúbico restringido (RCS) para explorar las relaciones no lineales y los efectos de umbral entre variables continuas (Edad, LVEF, PLR, puntuación de Gensini) y MACE.
  • Aprendizaje Automático (Machine Learning): Para abordar el desequilibrio de clases, se aplicó la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) exclusivamente al conjunto de entrenamiento. Se construyeron y ajustaron nueve algoritmos de ML mediante validación cruzada de 10 pliegues: XGBoost, Random Forest, LightGBM, Perceptrón Multicapa (MLP), Máquina de Vectores de Soporte (SVM), AdaBoost, Árbol de Decisión, Naive Bayes Gaussiano y Regresión Logística.
• Evaluación: El rendimiento del modelo se evaluó en el conjunto de prueba independiente utilizando el Área Bajo la Curva (AUC), la puntuación F1, el Brier Score y el Análisis de la Curva de Decisión (DCA). La prueba de DeLong se utilizó para comparar los AUC. La interpretabilidad del modelo se logró mediante explicaciones de Shapley (SHAP).
• Sensibilidad: La robustez se verificó mediante un análisis de sensibilidad de desenlaces duros (muerte por todas las causas o choque cardiogénico) y análisis de subgrupos.

Contribuciones Clave

1. Comparación Sistemática de Índices Inflamatorios: El estudio proporciona una comparación directa de cinco índices inflamatorios multidimensionales dentro de la misma población, identificando al PLR como el único índice que retiene un valor predictivo independiente tras una rigurosa selección por LASSO y ajuste multivariable.
2. Identificación de Umbrales No Lineales: El estudio utiliza RCS para demostrar una relación no lineal significativa en forma de J entre la fracción de eyección del ventrículo izquierdo (LVEF) y el riesgo de MACE, identificando un umbral crítico aproximadamente en el 50%.
3. Marco Integrado de ML: La investigación construye un marco unificado que compara la regresión logística tradicional frente a nueve algoritmos de ML, integrando la interpretabilidad SHAP para cerrar la brecha de la "caja negra" y visualizar las contribuciones de las características.

Resultados

• Variables Predictivas: La regresión LASSO seleccionó 11 variables, reteniendo al PLR como el único índice inflamatorio multidimensional. La regresión logística multivariable identificó la Edad (OR=1.076), la puntuación de Gensini (OR=1.014), el PLR (OR=1.010) y la AST (OR=1.004) como factores de riesgo independientes, mientras que la LVEF (OR=0.965) y el uso de estatinas (OR=0.165) fueron protectores.
• Efectos No Lineales: El análisis RCS confirmó una relación no lineal significativa entre la LVEF y el MACE (P para no linealidad < 0.001). El riesgo aumentó bruscamente cuando la LVEF cayó por debajo de ~50%, mientras que la curva de riesgo se aplanó para una LVEF > 50%.
• Rendimiento del Modelo: El modelo XGBoost superó a todos los demás modelos en el conjunto de prueba independiente, logrando un AUC de 0.937 (95% CI: 0.914–0.959), significativamente mayor que la regresión logística tradicional (AUC = 0.846, P < 0.001). XGBoost también demostró un rendimiento superior en el análisis de sensibilidad de desenlaces duros (AUC = 0.965).
• Importancia de las Características: El análisis SHAP reveló que la Edad (39.2%), la puntuación de Gensini (21.9%) y la AST (19.8%) fueron los tres principales predictores. El PLR contribuyó aproximadamente un 10.3%, confirmando su estatus como el principal impulsor inflamatorio.
• Robustez: Los análisis de subgrupos no mostraron efectos de interacción significativos (P > 0.05) a través de la edad, tipo de MI, sexo, estado de diabetes o clase de Killip, lo que indica la estabilidad del modelo.

Significancia y Reivindicaciones
Los autores sostienen que este estudio establece al PLR como un núcleo impulsor de la inflamación para predecir el MACE intrahospitalario en pacientes con AMI tras la PCI, superando a otros índices multidimensionales como SII, SIRI y MLR en un contexto de aprendizaje automático. El estudio postula que el modelo XGBoost, mejorado por la interpretabilidad SHAP, ofrece una herramienta cuantitativa precisa y robusta para la estratificación temprana del riesgo. Específicamente, la identificación del umbral de LVEF de ~50% proporciona un punto clínicamente accionable para identificar pacientes de alto riesgo que pueden requerir un monitoreo e intervención intensificados.

Los autores mantienen un tono modesto respecto a sus afirmaciones, reconociendo que los hallazgos son exploratorios debido al diseño retrospectivo de un solo centro. Enfatizan que, si bien el modelo demuestra una alta validez interna y robustez, es necesaria la validación externa en cohortes prospectivas multicénticas para confirmar su generalizabilidad y utilidad clínica. El estudio no propone nuevas guías clínicas, sino que sugiere que el modelo sirve como una herramienta de apoyo a la decisión para ayudar en estrategias de intervención individualizadas.