A Dynamic Online Nomogram for Predicting Frailty Trajectory Membership in Older Patients with Heart Failure

Resumen Técnico: Un Nomograma en Línea Dinámico para Predecir la Pertenencia a la Trayectoria de Fragilidad en Pacientes Mayores con Insuficiencia Cardíaca

Planteamiento del Problema
La insuficiencia cardíaca (IC) impone una carga significativa sobre las poblaciones de edad avanzada, donde la fragilidad actúa como un predictor crítico de un mal pronóstico, incluyendo el aumento de las tasas de mortalidad y de rehospitalización. Si bien la prevalencia de la fragilidad en pacientes de edad avanzada con IC es alta (aproximadamente el 38%), la investigación clínica existente se ha basado en gran medida en análisis transversales. Estas evaluaciones en un único punto temporal no logran capturar la naturaleza dinámica, reversible y heterogénea de la progresión de la fragilidad a lo largo del tiempo. Además, aunque se han estudiado los predictores de la fragilidad, la traslación de estos hallazgos a la práctica clínica rutinaria se ve a menudo obstaculizada por la falta de herramientas predictivas visuales e intuitivas. Existe la necesidad de caracterizar las trayectorias longitudinales de la fragilidad en pacientes con IC tras el alta y de desarrollar un modelo práctico para la identificación temprana de subgrupos de alto riesgo.

Metodología
Este estudio longitudinal prospectivo se llevó a cabo en un hospital de tercer nivel en China, involucrando a 310 pacientes de edad avanzada (edad ≥ 60 años) con insuficiencia cardíaca que completaron un seguimiento de 6 meses. La recolección de datos se realizó al ingreso (T0) y a los 1, 3 y 6 meses post-alta (T1–T3).

• Identificación de la Trayectoria: El estudio empleó un Modelo de Mezcla de Crecimiento (GMM, por sus siglas en inglés) para identificar distintos subgrupos de trayectorias de fragilidad. El ajuste del modelo se evaluó mediante índices que incluyen AIC, BIC, aBIC, entropía y pruebas de razón de verosimilitud (LMR y BLRT).
• Análisis de Predictores: Basándose en el Modelo Integrativo de Fragilidad de Gobbens, se recolectó un conjunto exhaustivo de variables que cubrían dimensiones físicas (p. ej., fuerza de prensión manual, Índice de Barthel, marcadores bioquímicos), psicológicas (p. ej., depresión, cognición) y sociales. Los análisis univariados fueron seguidos por una regresión logística multivariante para identificar predictores independientes de las "trayectorias de fragilidad heterogéneas" (definidas como la combinación de las clases de fragilidad de nivel moderado persistente y de nivel alto deteriorado).
• Construcción del Modelo: Se construyó un nomograma utilizando los predictores independientes significativos. Se desarrollaron versiones tanto estáticas como dinámicas en línea.
• Validación: El rendimiento del modelo se evaluó mediante el Área Bajo la Curva (AUC) para la discriminación, la prueba de Hosmer-Lemeshow y curvas de calibración para la calibración, y el Análisis de la Curva de Decisión (DCA) para la utilidad clínica. La validación interna se realizó mediante 1,000 remuestreos de bootstrap.

Contribuciones Clave

1. Identificación de Trayectorias Heterogéneas: El estudio identificó con éxito tres trayectorias de fragilidad distintas en pacientes de edad avanzada con IC durante un período de 6 meses:

   • Clase 1 (53.5%): "Fragilidad de bajo nivel en mejora" (bajo nivel basal, trayectoria decreciente).
   • Clase 2 (36.0%): "Fragilidad de nivel moderado persistente" (puntuaciones que fluctúan alrededor del umbral de fragilidad).
   • Clase 3 (10.5%): "Fragilidad de alto nivel en deterioro" (alto nivel basal, trayectoria de empeoramiento).
     Las clases 2 y 3 se definieron colectivamente como las "trayectorias de fragilidad heterogéneas", que representan grupos de alto riesgo.

2. Identificación de Predictores Independientes: Se identificaron seis predictores independientes para la pertenencia a las trayectorias heterogéneas (de alto riesgo):

   • Antecedentes de caídas en el último año.
   • Primer diagnóstico de insuficiencia cardíaca (nuevo inicio frente a establecido).
   • Tipo de tratamiento (farmacológico frente a combinado con dispositivos implantables).
   • Fuerza de prensión manual.
   • Deterioro cognitivo.
   • Estado de actividad física.

3. Desarrollo de una Herramienta Predictiva: Se desarrolló un nomograma que incorpora estos seis factores para estimar la probabilidad de que un paciente pertenezca a una trayectoria de fragilidad de alto riesgo. Se creó una versión dinámica en línea basada en la web para facilitar la aplicación clínica.

Resultados

• Distribución de la Trayectoria: El análisis GMM confirmó que la mayoría de los pacientes (53.5%) mostraron una mejora, mientras que una parte significativa (46.5%) exhibió fragilidad persistente o en deterioro.
• Rendimiento del Modelo:
  • Conjunto de Entrenamiento: El nomograma alcanzó un AUC de 0.770 (IC 95%: 0.708–0.832) con una sensibilidad de 0.779 y una especificidad de 0.628 en un punto de corte óptimo de 0.415.
  • Validación Interna: El AUC se mantuvo robusto en 0.743 (IC 95%: 0.643–0.842).
  • Calibración: La prueba de Hosmer-Lemeshow indicó una buena calibración ($\chi^2$=7.667, P=0.467), y las curvas de calibración mostraron una alineación cercana entre los riesgos predichos y observados.
  • Utilidad Clínica: El Análisis de la Curva de Decisión (DCA) demostró que el nomograma proporcionó un beneficio clínico neto en comparación con las estrategias de "tratar a todos" o "no tratar a nadie".

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona una herramienta práctica y fácil de usar para la identificación clínica temprana de pacientes mayores con IC en riesgo de fragilidad persistente o de empeoramiento. Al cambiar el enfoque de una evaluación estática a la predicción de la trayectoria dinámica, el modelo respalda la implementación de intervenciones de enfermería oportunas e individualizadas y un manejo clínico dirigido. La identificación de predictores específicos (como el historial de caídas, el estado cognitivo y la modalidad de tratamiento) ofrece objetivos accionables para que los profesionales de la salud mitiguen los resultados adversos. El desarrollo de un nomograma dinámico en la web se destaca como un paso significativo hacia la traslación de hallazgos estadísticos complejos a la práctica clínica rutinaria, mejorando potencialmente el pronóstico de los individuos frágiles de alto riesgo.

El artículo reconoce limitaciones, incluyendo su diseño de un solo centro, la dependencia de datos autoinformados, un período de seguimiento relativamente corto y la falta de validación externa, sugiriendo que futuros estudios multicéntricos con seguimientos más prolongados son necesarios para validar aún más la generalizabilidad del modelo.