A Predictive LASSO regression model to determine the potential predictors of medication adherence in myocardial infarction patients: A cross-sectional study

Resumen Técnico: Regresión LASSO Predictiva para la Adherencia a la Medicación en Pacientes con Infarto de Miocardio

Planteamiento del Problema
El infarto de miocardio (IM) sigue siendo una de las principales causas de morbilidad y mortalidad mundial, particularmente en sociedades en desarrollo. Si bien los avances médicos han mejorado la supervivencia post-IM, la eficacia del tratamiento a largo plazo depende en gran medida de la adherencia a la medicación. La baja adherencia crónica a los medicamentos prescritos es una barrera crítica para prevenir eventos cardiovasculares recurrentes. Aunque se sabe que factores como la autoeficacia, los cambios en el estilo de vida y las características demográficas influyen en la adherencia, existe la necesidad de identificar con precisión los predictores más relevantes entre una amplia gama de variables potenciales para facilitar intervenciones clínicas dirigidas. Este estudio aborda el desafío de distinguir los predictores significativos de un gran conjunto de variables candidatas para mejorar el manejo de los pacientes con IM.

Metodología
Este estudio transversal, realizado entre junio y agosto de 2024 en Shiraz, Irán, analizó datos de 300 pacientes adultos (de entre 30 y 65 años) diagnosticados con IM durante el año anterior. Los participantes fueron reclutados mediante un muestreo por conveniencia, excluyendo a aquellos con trastornos psiquiátricos, demencia o incapacidad para responder.

• Recolección de Datos: El estudio utilizó un cuestionario demográfico y clínico que abarcó 39 variables, incluyendo estatus socioeconómico, historial clínico (p. ej., CABG, stents, comorbilidades) y factores de estilo de vida.
• Medición del Resultado: La adherencia a la medicación se evaluó mediante la Escala de Adherencia a la Medicación de Morisky (MMAS-8). Las puntuaciones se dicotomizaron en "buena adherencia" (puntuación 8) y "mala adherencia" (puntuaciones <8, combinando las categorías baja y moderada).
• Medición de la Autoeficacia: El cuestionario de autoeficacia de Sullivan de 16 ítems midió el cuidado general, el control de los síntomas de la enfermedad y el manejo de la dieta.
• Análisis Estadístico:
  • El cribado inicial implicó análisis univariados (pruebas de Chi-cuadrado, Fisher exacto, Mann-Whitney U) para identificar variables con $p < 0.05$.
  • Regresión LASSO: Para abordar la multicolinealidad y seleccionar el conjunto más parsimonioso de predictores, se aplicó el modelo de regresión logística de Operador de Selección y Contracción de Absolución Mínima (LASSO) con validación cruzada de 5 pliegues. Esta técnica de aprendizaje automático minimizó los coeficientes de regresión para excluir variables colineales.
  • Validación del Modelo: Se construyó un nomograma predictivo basado en las variables seleccionadas por LASSO. El rendimiento del modelo se evaluó mediante curvas de Característica Operativa del Receptor (ROC) (AUC), curvas de calibración (puntuación de Brier), análisis de curva de decisión y curvas de impacto clínico. Todos los análisis se realizaron utilizando R (versión 4.5.1).

Resultos Clave

• Demografía: La cohorte tuvo una edad media de 54.20 ± 8.50 años, con un 81% de participantes masculinos. Notablemente, el 73% de la muestra total exhibió una mala adherencia a la medicación.
• Hallazgos Univariados: Se observaron diferencias significativas entre los grupos de buena y mala adherencia en economía, actividad física, tabaquismo, comorbilidad, autoeficacia, cuidado general y manejo de la dieta.
• Selección de Variables por LASSO: De las 39 variables iniciales, el modelo LASSO identificó 10 predictores significativos de la mala adherencia a la medicación:
  1. Estatus económico (ingresos vs. gastos)
  2. Residencia urbana/rural
  3. Estado de tabaquismo
  4. Antecedentes de Cirugía de Derivación Aórtica Coronaria (CABG)
  5. Puntuaciones de autoeficacia
  6. Puntuaciones de cuidado general
  7. Nivel educativo
  8. Presencia de comorbilidad
  9. Frecuencia de hospitalización
  10. Niveles de actividad física
• Perspectivas Multivariables: La regresión logística multivariable indicó que los pacientes sin comorbilidades tenían 1.93 veces más probabilidades de presentar mala adherencia, mientras que los no fumadores tenían un 43% menos de probabilidades. Participar en 150–300 minutos de actividad física semanal redujo las probabilidades de mala adherencia en un 55%.
• Rendimiento del Modelo:
  • Nomograma: El modelo predijo una probabilidad de 0.81 de mala adherencia de alto riesgo basada en los predictores seleccionados.
  • Discriminación: El Área Bajo la Curva (AUC) fue de 0.742, lo que indica una precisión diagnóstica aceptable.
  • Calibración: La puntuación de Brier fue de 0.16, y la curva de calibración mostró un buen acuerdo entre los resultados predichos y observados.
  • Utilidad Clínica: Las curvas de decisión e impacto clínico demostraron que el modelo proporcionaba beneficios clínicos netos e identificaba con precisión a los individuos de alto riesgo.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona un marco robusto y basado en datos para identificar los predictores independientes de la falta de adherencia a la medicación en pacientes con IM. Al utilizar el modelo de regresión LASSO, el estudio logró reducir un complejo conjunto de 39 variables a 10 factores clave, ofreciendo una herramienta de estratificación de riesgos más precisa que los métodos tradicionales.

La principal significancia radica en el desarrollo de un nomograma validado que los clínicos pueden utilizar para identificar a pacientes con alto riesgo de mala adherencia (con una probabilidad predicha de 0.81 para perfiles de alto riesgo). Los autores sostienen que este modelo genera beneficios clínicos significativos al permitir la implementación oportuna de intervenciones dirigidas. El estudio concluye que factores como una mayor renta, residencia urbana, condición de no fumador, antecedentes de CABG, mayor nivel educativo, hospitalizaciones frecuentes, mayor autoeficacia y niveles específicos de actividad física son predictores notables de una buena adherencia. Los autores posicionan este trabajo como una aplicación novedosa de técnicas de aprendizaje automático en el contexto del manejo del IM, ofreciendo perspectivas profundas para abordar los desafíos de la adherencia.

Limitaciones
Los autores reconocen limitaciones específicas, incluyendo el diseño transversal que impide la inferencia causal, la falta de datos longitudinales sobre la adherencia en los años posteriores al evento cardíaco debido a las limitaciones de documentación clínica, y un tamaño de muestra que puede ser insuficiente para análisis más granulares.