A Dynamic Bayesian Network Model for Predicting Cardiovascular Disease Incidence in the Tehran Lipid and Glucose Study

Las enfermedades cardíacas siguen siendo la principal causa de muerte en todo el mundo, cobrándose millones de vidas cada año. En muchas partes del mundo, un ataque al corazón o un accidente cerebrovascular es el evento final en una larga cadena de cambios biológicos que a menudo comienzan décadas antes. Para los médicos y los funcionarios de salud pública, la herramienta más poderosa contra esta tragedia no es solo tratar a los enfermos, sino predecir quién tiene probabilidades de enfermar. Esto requiere observar la historia de una persona —su edad, sus antecedentes familiares, su presión arterial y su estilo de vida— y tejer estos hechos separados en una única imagen de riesgo. Los métodos tradicionales para hacer esto a menudo tratan cada pieza de información como si fuera independiente, asumiendo que el nivel de azúcar en sangre de una persona hoy no tiene conexión con su presión arterial de hace cinco años. Sin embargo, la salud humana es un río que fluye, no una serie de instantáneas aisladas. Un nuevo enfoque que utiliza un tipo de modelo computacional llamado Red Bayesiana Dinámica intenta capturar este flujo, rastreando cómo cambian los factores de salud y cómo se influyen entre sí para predecir la aparición futura de enfermedades cardíacas.

Un equipo de investigadores en Irán aplicó esta técnica de modelado avanzado a un estudio masivo y a largo plazo de personas que viven en Teherán. Querían ver si un modelo que comprende el paso del tiempo podía identificar a individuos de alto riesgo de manera más efectiva que los métodos estándar. El estudio se basó en el Estudio de Lípidos y Glucosa de Teherán, un proyecto bien establecido que ha seguido a miles de residentes desde 1999 para comprender las causas de las enfermedades no transmisibles. Los investigadores seleccionaron a 7,839 adultos que estaban libres de enfermedades cardíacas cuando comenzó el estudio. Recopilaron una gran cantidad de información sobre estos participantes, incluyendo su edad, educación, situación laboral, antecedentes familiares de problemas cardíacos, hábitos de tabaquismo, niveles de actividad física y diversas mediciones médicas como el colesterol, el azúcar en sangre y la función renal. Crucialmente, no solo observaron estos factores una vez; recopilaron datos en múltiples puntos a lo largo de un período de diez años, lo que permitió ver cómo evolucionaba el perfil de salud de una persona.

Los investigadores construyeron un modelo computacional específico para hombres y uno separado para mujeres, reconociendo que los factores de riesgo para las enfermedades cardíacas a menudo difieren entre los sexos. Este modelo, conocido como Red Bayesiana Dinámica, funciona mapeando las relaciones entre diferentes variables de salud a medida que cambian con el tiempo. A diferencia de las herramientas estadísticas más antiguas que podrían tener dificultades cuando un participante abandona un estudio o cuando faltan datos, este modelo está diseñado para manejar tales vacíos con elegcia. Trata el período de estudio como una serie de pasos temporales, aprendiendo de los patrones de aquellos que desarrollaron enfermedades cardíacas y comparándolos con aquellos que permanecieron sanos. El equipo probó su modelo dividiendo los datos, utilizando la mayor parte para enseñar a la computadora los patrones y reservando una parte para ver si el modelo podía predecir correctamente resultados que nunca había visto antes.

A lo largo del seguimiento de diez años, 632 participantes, o aproximadamente el 8 por ciento del grupo, desarrollaron enfermedades cardíacas. El modelo clasificó con éxito a los participantes en grupos de bajo y alto riesgo. Para los hombres, el modelo encontró que aquellos en el grupo de alto riesgo tenían más de tres veces más probabilidades de desarrollar enfermedades cardíacas que aquellos en el grupo de bajo riesgo. Específicamente, el 21.6 por ciento de los hombres de alto riesgo desarrolló la enfermedad, en comparación con solo el 7.2 por ciento de los hombres de bajo riesgo. Los resultados para las mujeres fueron igualmente claros: el 20.0 por ciento de las mujeres de alto riesgo desarrolló enfermedades cardíacas, mientras que solo el 6.6 por ciento de las mujeres de bajo riesgo lo hizo. En ambos casos, el grupo de alto riesgo enfrentaba un peligro que era más de tres veces mayor que el del grupo de bajo riesgo. La capacidad del modelo para distinguir entre estos grupos se midió mediante una puntuación llamada área bajo la curva, que resultó ser de 0.612 para los hombres y 0.674 para las mujeres. Si bien estas puntuaciones indican que el modelo es mejor que el azar, los investigadores señalaron que los números no eran perfectos, en parte porque convirtieron muchas mediciones médicas detalladas en categorías amplias para que el modelo funcionara.

El estudio destacó varias diferencias clave entre aquellos que desarrollaron enfermedades cardíacas y aquellos que no. Las personas que eventualmente sufrieron un evento cardíaco tendían a ser mayores, tener antecedentes familiares de la enfermedad y tener niveles de educación más bajos. También eran más propensas a estar desempleadas, tener obesidad o obesidad abdominal, y sufrir condiciones como presión arterial alta, diabetes y disfunción renal. El modelo demostró ser capaz de integrar todos estos factores cambiantes a lo largo del tiempo para crear un perfil de riesgo que reflejara la compleja realidad de la salud humana. Los investigadores enfatizaron que este enfoque ofrece una alternativa flexible a los modelos de supervivencia tradicionales, que a menudo asumen que los factores de riesgo actúan de forma independiente y no tienen en cuenta la realidad desordenada de los datos faltantes o los cambios en el estado de salud.

A pesar del éxito del modelo, los autores fueron cuidadosos al señalar sus limitaciones. Reconocieron que convertir los datos médicos continuos en categorías simples pudo haber causado cierta pérdida de detalle, lo que probablemente impidió que las puntuaciones de predicción fueran más altas. También señalaron que el modelo aún no incluía datos de alta resolución como señales de electrocardiograma, lo que potencialmente podría mejorar la precisión. Además, debido a que el estudio se centró en una población urbana única en Irán, los hallazgos tendrían que ser probados en otros grupos diversos para asegurar que se apliquen ampliamente. No obstante, el trabajo demuestra que los modelos computacionales capaces de rastrear la salud a lo largo del tiempo pueden identificar a individuos que tienen tres veces más probabilidades de desarrollar enfermedades cardíacas. Esto sugiere que, al adoptar métodos que comprenden el flujo del tiempo y las conexiones entre diferentes factores de salud, los médicos pueden ser capaces de detectar a individuos de alto riesgo más temprano e intervenir antes de que ocurra un ataque al corazón o un accidente cerebrovascular.