Development and Validation of a Nomogram-Based Clinical Prediction Model for Congestive Heart Failure in Patients with Parkinson's Disease

Resumen Técnico: Desarrollo y Validación de un Modelo de Predicción Clínica Basado en un Nomograma para la Insuficiencia Cardíaca Congestiva en Pacientes con la Enfermedad de Parkinson

Planteamiento del Problema
Los pacientes con la enfermedad de Parkinson (EP) enfrentan un riesgo significativamente elevado de complicaciones cardiovasculares, particularmente de insuficiencia cardíaca congestiva (ICC). A pesar de los conocidos efectos sistémicos de la EP sobre el sistema cardiovascular —incluyendo la disfunción autonómica cardíaca, la hipertrofia ventricular izquierda y la disfunción diastólica—, actualmente se carece de herramientas de predicción clínica validadas, diseñadas específicamente para identificar el riesgo de ICC dentro de la población con EP. El solapamiento de síntomas entre la EP y la ICC (por ejemplo, fatiga, reducción de la tolerancia al ejercicio) complica el diagnóstico y el manejo. Por consiguiente, existe una necesidad urgente de herramientas de identificación temprana que faciliten la intervención oportuna y mejoren los resultados clínicos para este grupo de alto riesgo.

Metodología
Este estudio retrospectivo utilizó datos de la base de datos MIMIC-IV (Medical Information Mart for Intensive Care), que abarca pacientes admitidos en el Beth Israel Deaconess Medical Center entre 2008 y 2019.

• Población del Estudio: El análisis final incluyó a 293 pacientes diagnosticados con la enfermedad de Parkinson (identificados mediante el código ICD-10 G20). De estos, 110 (37.5%) fueron clasificados con ICC (código ICD-10 I50.x), y 183 sirvieron como el grupo de control sin ICC. Para los pacientes con múltiples admisiones, se utilizó únicamente el primer registro elegible.
• Selección de Variables: Se empleó un enfoque estadístico de dos pasos para construir el modelo:
  1. Regresión LASSO: Se utilizó la regresión LASSO (Least Absolute Shrinkage and Selection Operator) con validación cruzada de 10 pliegues para cribar un amplio conjunto de variables clínicas disponibles de forma rutinaria, reduciendo la dimensionalidad y abordando la multicolinealidad. Esto produjo 16 variables candidatas.
  2. Regresión Logística de Paso Atrás (Backward Stepwise): Las 16 candidatas se refinaron mediante una regresión logística multivariable de paso atrás guiada por el Criterio de Información de Akaike (AIC) para determinar el conjunto final de predictores.
• Construcción del Modelo: Se desarrolló un nomograma basado en el modelo de regresión logística final para visualizar las probabilidades de riesgo individual.
• Validación y Evaluación: La validación interna se realizó mediante remuestreo de bootstrap. El rendimiento del modelo se evaluó mediante:
  • Discriminación: Área bajo la curva de la característica operativa del receptor (AUC).
  • Calibración: Curvas de calibración que comparan las probabilidades predichas frente a las observadas.
  • Utilidad Clínica: Análisis de la Curva de Decisión (DCA).
  • Comparación Estadística: Se utilizó la prueba de DeLong para comparar el AUC del modelo final contra versiones simplificadas (por ejemplo, un modelo de 8 variables).

Contribuciones Clave
El estudio desarrolló y validó un modelo de predicción clínica de 11 variables y un nomograma correspondiente específicamente para el riesgo de ICC en pacientes con EP. El modelo integra variables clínicas disponibles de forma rutinaria, evitando la necesidad de software especializado o cálculos complejos.

El modelo final incluye los siguientes 11 predictores:

1. Edad
2. Creatinina mínima
3. Frecuencia respiratoria máxima
4. Frecuencia cardíaca mínima
5. CK-MB máxima (Creatina Quinasa-MB)
6. Bicarbonato máximo
7. Glucosa en sangre mínima
8. Hemoglobina máxima
9. INR mínimo (Razón Internacional Normalizada)
10. PTT mínimo (Tiempo de Tromboplastina Parcial Activada)
    l1. LDH máxima (Lactato Deshidrogenasa)

Notablemente, aunque el INR mínimo, el PTT mínimo y la LDH máxima no alcanzaron la significancia estadística ($P < 0.05$) de forma individual, se mantuvieron en el modelo final porque su inclusión mejoró el ajuste general del modelo (redujo el AIC) de acuerdo con el algoritmo de paso atrás. La hemoglobina máxima fue identificada como un factor protector.

Resultados

• Rendimiento: El modelo final de 11 variables alcanzó un AUC de 0.832, lo que indica una buena capacidad de discriminación. El valor de corte óptimo se determinó en 0.366, con una sensibilidad de 0.773 y una especificidad de 0.760.
• Comparación: El modelo de 11 variables demostró un rendimiento de discriminación significativamente mejor que un modelo simplificado de 8 variables (derivado al eliminar las variables no significativas), con un resultado de la prueba de DeLong de $Z = 2.5305$ ($P = 0.01139$). Aunque un modelo de 12 variables mostró un AUC marginalmente superior (0.838), el modelo de 11 variables fue seleccionado por su equilibrio óptimo entre rendimiento y parsimonia (AIC = 305.492).
• Calibración y Utilidad: Las curvas de calibración mostraron un acuerdo satisfactorio entre las probabilidades predichas y observadas. El Análisis de la Curva de Decisión (DCA) indicó que el modelo proporciona un beneficio clínico neto favorable en un rango de probabilidad de umbral de aproximadamente 0.05 a 0.45.
• Estabilidad: Los diagnósticos de multicolinealidad confirmaron que todos los valores del Factor de Inflación de la Varianza (VIF) fueron inferiores a 2, lo que respalda la estabilidad de la estructura del modelo.

Significancia y Reivindicaciones
Los autores afirman que el nomograma desarrollado ofrece una herramienta práctica y accesible para la identificación temprana y la evaluación individualizada del riesgo de ICC en pacientes con la enfermedad de Parkinson. Al aprovechar variables clínicas disponibles de forma rutinaria, el modelo aborda una brecha en la práctica clínica actual donde faltan herramientas de predicción validadas para esta comorbilidad específica.

El estudio enfatiza que el modelo demuestra una buena discriminación, calibración y utilidad clínica, lo que potencialmente ayuda a los clínicos a estratificar el riesgo y asignar los recursos médicos de manera más racional. Sin embargo, los autores mantienen una postura modesta respecto al despliegue inmediato del modelo, declarando explícamente que se requiere la validación externa utilizando cohortes multicéntricas más grandes antes de que el modelo pueda ser recomendado para una aplicación clínica más amplia. Reconocen limitaciones que incluyen el tamaño de muestra relativamente pequeño (293 pacientes), la naturaleza de centro único de los datos (MIMIC-IV) y el potencial de confusión residual inherente a los estudios observacionales retrospectivos.