A Community-Based Machine Learning Model for Predicting Major Adverse Cardiovascular Events in Kazakh Hypertensive Patients

Resumen Técnico: Un Modelo de Aprendizaje Automático Basado en la Comunidad para Predecir Eventos Cardiovasculares Adversos Mayores en Pacientes Kazajos Hipertensos

Planteamiento del Problema
China enfrenta una carga significativa de salud pública con aproximadamente 240 millones de individuos que padecen hipertensión, donde las enfermedades cardiovasculares siguen siendo la principal causa de muerte. El grupo étnico kazajo en Xinjiang presenta la mayor prevalencia de hipertensión en la región, caracterizada por hábitos de vida y dietéticos distintivos (p. ej., alto consumo de sal, dieta rica en carnes, estilo de vida nómada) que contribuyen a una alta frecuencia de Eventos Cardiovasculares Adversos Mayores (MACE, por sus siglas en inglés). Los modelos de predicción de riesgo existentes suelen carecer de especificidad para esta minoría étnica, y los recursos sanitarios en las zonas rurales y pastoriles de Xinjiang están distribuidos de manera desigual, lo que dificulta la prevención temprana y el manejo individualizado. Existe una necesidad crítica de un modelo de predicción validado e interpretable, diseñado específicamente para la población hipertensa kazaja, para facilitar las estrategias de prevención primaria.

Metodología
El estudio utilizó un diseño de cohorte prospectivo que involucró a 1,180 pacientes hipertensos kazajos registrados en el "Centro de Control de la Hipertensión" del Hospital del Pueblo de la Ciudad de Altay y tres centros de salud de municipios. La recolección de datos ocurrió de enero a diciembre de 2020, con un seguimiento prospectivo que continuó hasta el 31 de diciembre de 2024 (seguimiento mediano: 1,176 días).

• Recolección de Datos: Los datos basales incluyeron demografía, antecedentes médicos, exámenes físicos (presión arterial de consultorio y ambulatoria de 24 horas) e indicadores bioquímicos (perfil lipídico, glucosa, homocisteína, electrolitos, función renal). El desenlace primario fue la primera ocurrencia de MACEs (angina inestable, infarto de miocardio no fatal, insuficiencia cardíaca, accidente cerebrovascular isquémico o muerte), verificados mediante códigos CIE-10.
• Selección de Características: Los predictores se seleccionaron mediante un proceso de tres fases: análisis univariante, regresión de Operador de Selección y Encogimiento de la Absoluta Menor (LASSO) y validación de expertos clínicos. Se identificaron ocho predictores finales: edad, estado de diabetes, potasio sérico, glucosa en sangre en ayunas, homocisteína (Hcy), colesterol total (TC), colesterol de lipoproteínas de baja densidad (LDL-C) y presión arterial sistólica de consultorio.
• Desarrollo del Modelo: El conjunto de datos se dividió aleatoriamente en un conjunto de entrenamiento (70%) y un conjunto de validación (30%). Se construyeron y compararon cuatro modelos estadísticos y de aprendizaje automático: regresión de Cox, Bosque Aleatorio (Random Forest), Árbol de Decisión (DT) y Gradient Boosting Extremo (XGBoost).
• Métricas de Evaluación: El rendimiento se evaluó mediante el Área Bajo la Curva (AUC), Exactitud (ACC), Valores Predictivos Positivo/Negativo (PPV/NPV), puntuación F1, curvas de calibración y Análisis de la Curva de Decisión (DCA).
• Interpretabilidad: El modelo óptimo se interpretó utilizando Explicaciones Aditivas de Shapley (SHAP) para cuantificar la importancia de las características y visualizar las contribuciones de riesgo. Se desarrolló un calculador basado en la web utilizando el marco R Shiny para facilitar la aplicación clínica.

Resultos Clave

• Incidencia: Durante el período de seguimiento, 327 participantes (27.7%) desarrollaron MACEs.
• Rendimiento del Modelo:
  • El modelo de Árbol de Decisión (DT) demostró el rendimiento más robusto y equilibrado. En el conjunto de validación, alcanzó un AUC de 0.776, una Exactitud de 0.797, un PPV de 0.444, un NPV de 0.933 y una puntuación F1 de 0.550.
  • XGBoost logró el AUC más alto en el conjunto de validación (0.829), pero sufrió de una precisión baja (PPV = 0.242) y una alta tasa de falsos positivos, resultando en una puntuación F1 menor (0.390).
  • Bosque Aleatorio (Random Forest) y la Regresión de Cox mostraron una generalización inferior, con Random Forest produciendo el AUC más bajo (0.577) y la regresión de Cox mostrando una exactitud deficiente (0.599) a pesar de un alto PPV.
• Calibración y Utilidad: El modelo DT exhibió una excelente calibración (Error Absoluto Medio ≈ 0.021) y mantuvo un beneficio neto estable a través de umbrales de probabilidad de 0% a 75% en el Análisis de la Curva de Decisión, lo que indica una fuerte utilidad clínica.
• Importancia de las Características (SHAP): El análisis SHAP clasificó los cuatro principales factores de riesgo como:
  1. LDL-C: El predictor más influyente; niveles más altos se correlacionaron con un mayor riesgo.
  2. Edad: El riesgo aumentó progresivamente con la edad avanzada.
  3. Presión Arterial Sistólica de Consultorio: Los valores más altos se asociaron con un riesgo elevado.
  4. Potasio Sérico: Los niveles más bajos (hipopotasemia) se asociaron con un mayor riesgo, mientras que los niveles más altos fueron protectores.
     Otros factores significativos incluyeron Hcy, glucosa en sangre en ayunas, TC y estado de diabetes.

Significancia y Reivindicaciones
El artículo sostiene que el modelo desarrollado basado en Árboles de Decisión predice eficazmente el riesgo a 3 años de MACEs específicamente para pacientes hipertensos kazajos en la región de Altay. El estudio destaca que:

1. Especificidad Étnica: El modelo aborda la brecha en la literatura existente al centrarse en el perfil de riesgo único de la población kazaja, incorporando factores relevantes para su estilo de vida (p. ej., impactos dietéticos específicos en la ingesta de potasio y sal).
2. Aplicabilidad Clínica: A diferencia de los modelos de ensamble complejos que pueden actuar como "cajas negras", el modelo de Árbol de Decisión ofrece una estructura intuitiva adecuada para entornos de atención primaria con recursos limitados. Su alto Valor Predictivo Negativo (NPV) permite la identificación efectiva de pacientes de bajo riesgo, reduendo potencialmente intervenciones innecesarias.
3. Interpretabilidad: La integración del análisis SHAP proporciona transparencia, confirmando que las predicciones del modelo se alinean con el conocimiento clínico establecido (p. ej., el efecto protector de los niveles normales de potasio y el riesgo asociado con la elevación del LDL-C y la edad).
4. Implementación: Para cerrar la brecha entre la investigación y la práctica, los autores han implementado el modelo como un calculador accesible basado en la web, con el objetivo de apoyar estrategias de prevención y tratamiento individualizadas en entornos comunitarios y clínicos.

El estudio concluye que, si bien el aprendizaje automático ofrece flexibilidad, el modelo de Árbol de Decisión proporcionó el mejor equilibrio entre exactitud predictiva, estabilidad e interpretabilidad clínica para este grupo demográfico específico, sirviendo como base científica para la gestión del riesgo cardiovascular dirigida.