A Machine Learning-Based Model for Cardiovascular Disease Risk Stratification in Middle-Aged and Older Adults with Diabetes: A Cross-Sectional Study based on CHARLS

Resumen Técnico: Un modelo basado en aprendizaje automático para la estratificación del riesgo de enfermedad cardiovascular en adultos de mediana edad y mayores con diabetes

Planteamiento del problema
La enfermedad cardiovascular (ECV) es la principal causa de mortalidad entre los pacientes con diabetes mellitus (DM). Aunque existen numerosos modelos de predicción de ECV, hay una escasez crítica de herramientas calibradas específicamente para adultos de mediana edad y mayores con diabetes. Los modelos estadísticos tradicionales (p. ej., riesgos proporcionales de Cox, regresión lineal) a menudo dependen de supuestos lineales rígidos y promedios poblacionales, lo que impide capturar los patrones fisiopatológicos de alta dimensión, no lineales y heterogéneos de los pacientes individuales. Además, los enfoques actuales de aprendizaje automático (ML) suelen sufrir de una naturaleza de "caja negra" que dificulta la confianza clínica, y muchos carecen de herramientas dedicadas para este grupo demográfico específico de alto riesgo. Este estudio tiene como objetivo cerrar estas brechas mediante el desarrollo de un modelo de evaluación de riesgo impulsado por ML e interpretable, adaptado para pacientes diabéticos de 45 años o más.

Metodología

• Fuente de datos: El estudio utilizó un análisis transversal de la ola 2020 del Estudio Longitudinal de Salud y Envejecimiento de China (CHARLS), una cohorte representativa a nivel nacional.
• Cohorte: De un grupo inicial de 19,395 participantes, el estudio seleccionó a 2,625 individuos diagnosticados con diabetes (de 45 a 85 años) tras excluir a aquellos sin DM, a los que estaban fuera del rango de edad y a aquellos con informes de duración del sueño extremos. El desenlace primario fue la ECV autoinformada y diagnosticada por un médico (incluyendo infarto de miocardio, enfermedad coronaria, angina de pecho, insuficiencia cardíaca o accidente cerebrovascular).
• Selección de características: Partiendo de 171 variables, los autores aplicaron una estrategia de selección de características de método dual en el conjunto de entrenamiento para evitar la fuga de datos:
  1. Regresión LASSO: Redujo las variables a 17 candidatas.
  2. Algoritmo Boruta: Un método de envolvente basado en Random Forest para identificar características relevantes.
  3. Intersección: El modelo final utilizó la intersección de ambos métodos, resultando en 8 variables clínicas robustas: Edad, Estado de Salud Autopercebida (SRH), Actividades de la Vida Diaria (ADL), Hipertensión, Dislipidemia, Enfermedad Renal, Hospitalización en el último año y Dolor Torácico.
• Desarrollo del modelo: Se entrenaron y compararon seis algoritmos de aprendizaje automático: Regresión Logística (LR), K-Vecinos Más Cercanos (KNN), Máquina de Vectores de Soporte (SVM), Random Forest (RF), Light Gradient Boosting Machine (LightGBM) y eXtreme Gradient Boosting (XGBoost). Los hiperparámetros se optimizaron mediante búsqueda de cuadrícula (grid search) con validación cruzada de cinco pliegues.
• Interpretabilidad y despliegue: El modelo óptimo se interpretó utilizando explicaciones de valores de Shapley (SHAP) para proporcionar la importancia de las características tanto global como localmente. El modelo final se desplegó como un sistema de soporte de decisiones visual e interactivo basado en la web utilizando el marco de trabajo Streamlit.

Resultados clave

• Rendimiento del modelo: Entre los seis algoritmos, el modelo Random Forest (RF) demostró el rendimiento más robusto en el conjunto de prueba independiente.
  • AUC: 0.752 (IC del 95%: 0.716–0.786).
  • Sensibilidad: 72.53% (superior a otros modelos, crucial para la detección temprana).
  • Especificidad: 61.64%.
  • Exactitud: 66.12%.
  • El modelo RF mostró una fuerte generalización con un sobreajuste mínimo, manteniendo un AUC de 0.773 en el conjunto de entrenamiento.
• Importancia de las características (Análisis SHAP): El análisis SHAP identificó la jerarquía de los factores de riesgo que influyen en la predicción de la ECV:
  1. Hipertensión (mayor impacto)
  2. Dislipidemia
  3. Estado de Salud Autopercebida (SRH)
  4. Edad
  5. Puntuación de ADL
  6. Enfermedad Renal
  7. Hospitalización en el año precedente
  8. Dolor Torácico
  • El análisis confirmó que condiciones como la hipertensión, la dislipidemia y la enfermedad renal se correlacionan positivamente con un mayor riesgo de ECV, mientras que un mejor SRH y una menor edad se correlacionan con un menor riesgo.
• Herramienta clínica: El estudio tradujo con éxito el modelo en una aplicación web fácil de usar donde los clínicos pueden ingresar los parámetros del paciente para recibir una probabilidad de riesgo personalizada e instantánea, acompañada de un desglose visual de los factores contribuyentes (gráfico de fuerza SHAP).

Significancia y Reivindicaciones
Los autores afirman que este estudio aborda un vacío de investigación específico al proporcionar una herramienta de estratificación de riesgo dedicada y explicable para pacientes diabéticos de mediana edad y mayores, un grupo que a menudo es pasado por alto por los modelos generales de ECV. Las contribuciones clave incluyen:

1. Rigor metodológico: El uso de un enfoque de selección de características dual (LASSO + Boruta) en un conjunto de datos de alta calidad y representativo a nivel nacional (CHARLS) para asegurar la parsimonia y robustez del modelo.
2. Interpretabilidad: Ir más allá de las predicciones de "caja negra" integrando el análisis SHAP, lo que elucida el proceso de toma de decisiones y se alinea con el conocimiento clínico establecido (p. ej., el fuerte vínculo entre la hipertensión/dislipidemia y la ECV).
3. Utilidad clínica: El desarrollo de una herramienta de detección rápida y sin costo que depende de datos no invasivos y fácilmente accesibles (historia autoinformada, puntuaciones de ADL) en lugar de biomarcadores de laboratorio complejos. Esto hace que la herramienta sea particularmente adecuada para entornos de atención primaria y comunitarios con recursos limitados.
4. Atención personalizada: El sistema facilita intervenciones de precisión al generar perfiles de riesgo individualizados, lo que potencialmente ayuda en el triaje temprano y motiva a los pacientes hacia la intervención temprana.

Los autores reconocen las limitaciones, señalando que el diseño transversal impide la inferencia causal y que la generalizabilidad del modelo a poblaciones no asiáticas orientales requiere una validación adicional. Además, la dependencia de los datos autoinformados introduce un posible sesgo subjetivo. Sin embargo, el estudio concluye que el sistema propuesto basado en RF ofrece un enfoque práctico y accesible para mejorar la gestión del riesgo cardiovascular en la población diabética.