Non-exercise estimated cardiorespiratory fitness and progressive frailty trajectories: a longitudinal cohort study

Resumen Técnico: Capacidad Cardiorrespiratoria Estimada Sin Ejercicio y Trayectorias de Fragilidad Progresiva

Planteamiento del Problema
La fragilidad es un síndrome geriátrico dinámico caracterizado por una reducción de la reserva fisiológica y una mayor vulnerabilidad ante los estresores, lo que conduce a resultados adversos como la discapacidad, la hospitalización y la muerte. Si bien el Índice de Fragilidad (IF) es una herramienta robusta para evaluar la vulnerabilidad, las investigaciones previas han tratado la fragilidad mayoritariamente como un estado estático en lugar de una trayectoria dinámica de acumulación de déficits de salud. Además, identificar a individuos con alto riesgo de una progresión de la fragilidad acelerada sigue siendo un desafío. Aunque la Capacidad Cardiorrespiratoria (CCR) es un poderoso predictor de mortalidad y salud, su medición directa requiere pruebas de ejercicio, lo cual suele ser inviable en encuestas a gran escala y entornos de atención primaria. Por consiguiente, existe la necesidad de indicadores escalables y no invasivos, como la Capacidad Cardiorrespiratoria Estimada Sin Ejercicio (NEE-CRF, por sus siglas en inglés), para predecir la progresión longitudinal de la fragilidad, particularmente entre individuos que actualmente no son frágiles.

Metodología
Este estudio utilizó un diseño de cohorte longitudinal basado en cuatro oleadas de datos (2011–2018) del Estudio de Salud y Envejecimiento en China (CHARLS).

• Participantes: La muestra analítica incluyó a 4,497 adultos de 45 años o más que no eran frágiles (IF < 0.25) al inicio del estudio y que contaban con datos completos para el cálculo de la NEE-CRF y mediciones válidas del IF en al menos tres oleadas de la encuesta.
• Exposición (NEE-CRF): La NEE-CRF basal se calculó utilizando fórmulas de regresión validadas y específicas por sexo que incorporan la edad, el IMC, la circunferencia de la cintura, la frecuencia cardíaca en reposo, el nivel de actividad física y el estado de tabaquismo. Se analizó tanto como una variable continua como en cuartiles.
• Resultado (Trayectorias de Fragilidad): La fragilidad se evaluó mediante un Índice de Fragilidad (IF) de 32 ítems. Se empleó el modelado de trayectorias basado en grupos (GBTM) para identificar patrones distintos de progresión de la fragilidad a lo largo del periodo de 7 años.
• Análisis Estadístico:
  • Regresión: Se utilizó la regresión logística multivariable (no ajustada, ajustada por demografía y totalmente ajustada por estilo de vida y biomarcadores) para estimar la asociación entre la NEE-CRF y la pertenencia a la trayectoria. Se utilizaron splines cúbicos restringidos (RCS) para evaluar las relaciones dosis-respuesta.
  • Aprendizaje Automático (Machine Learning): Se entrenaron siete algoritmos (Árbol de Decisión, KNN, Bosque Aleatorio, Elastic Net, Regresión Ridge, XGBoost, SVM) para predecir la pertenencia a la clase de la trayectoria. La selección de características se realizó mediante el algoritmo Boruta.
  • Interpretabilidad: El modelo con mejor desempeño se interpretó utilizando explicaciones SHAP (SHapley Additive exPlanations) para cuantificar la importancia y la direccionalidad de las características.
  • Validación: Se realizaron análisis de sensibilidad relajando los criterios de inclusión (requiriendo solo dos oleadas válidas) y se evaluó el desempeño del modelo mediante AUC, curvas de calibración y análisis de la curva de decisión (DCA).

Resultados Clave

• Identificación de Trayectorias: El GBTM identificó dos trayectorias de fragilidad distintas: una trayectoria de "bajo riesgo" (84.7% de los participantes) caracterizada por niveles estables y bajos de déficits de salud, y una trayectoria "progresiva" (15.3%) caracterizada por una acumulación rápida de déficits.
• Asociación con la NEE-CRF: Una mayor NEE-CRF basal se asoció significativamente con una menor probabilidad de pertenecer a la trayectoria progresiva.
  • En el modelo totalmente ajustado, cada incremento de 1 unidad en la NEE-CRF redujo las probabilidades de fragilidad progresiva en un 27.6% (OR = 0.724, IC del 95%: 0.680–0.770).
  • Los participantes en el cuartil más alto de NEE-CRF (Q4) presentaron probabilidades sustancialmente menores de fragilidad progresiva en comparación con el cuartil más bajo (Q1) (OR = 0.243, IC del 95%: 0.171–0.345).
  • El análisis de RCS indicó una asociación inversa aproximadamente lineal, sin no linealidad significativa.
• Desempeño del Aprendizaje Automático: La regresión Ridge logró la mayor capacidad de discriminación (AUC = 0.711) entre los siete modelos. El análisis SHAP identificó la NEE-CRF como el predictor más influyente, superando a las variables sociodemográficas y los biomarcadores.
• Robustez: Los análisis de sensibilidad confirmaron la robustez de los hallazgos, observándose tamaños de efecto similares al incluir a participantes con datos válidos en solo dos oleadas.

Significancia y Reivindicaciones
Los autores sostienen que este estudio proporciona evidencia crítica de que la NEE-CRF es un factor protector independiente contra la progresión acelerada de la fragilidad en adultos de mediana edad y edad avanzada en China, incluso entre aquellos que inicialmente no son frágiles.

• Utilidad Clínica: El estudio postula que la NEE-CRF ofrece una estrategia factible y de bajos recursos para la estratificación temprana del riesgo. Debido a que depende de variables recopiladas de forma rutinaria (antropometría, signos vitales y actividad autoinformada), es particularmente adecuada para los servicios de salud comunitaria y los entornos de atención primaria donde los recursos son limitados.
• Valor Predictivo: Al integrar la NEE-CRF en marcos de aprendizaje automático interpretables, el estudio demuestra que los indicadores relacionados con la aptitud física pueden contribuir significativamente a la evaluación algorítmica del riesgo, permitiendo potencialmente estrategias de prevención dirigida (por ejemplo, programas de actividad física, gestión metabólica) para individuos de alto riesgo antes de que la fragilidad sea clínicamente evidente.
• Contribución Metodológica: La investigación hace avanzar el campo al ir más allá de la clasificación transversal de la fragilidad para caracterizar trayectorias dinámicas, y al combinar métodos epidemiológicos tradicionales con aprendizaje automático interpretable para mejorar el valor traslacional de las métricas de aptitud física.

Los autores mantienen un tono modesto respecto a la inferencia causal, reconociendo la naturaleza observacional del estudio y la necesidad de validación externa en cohortes independientes antes de su despliegue clínico. Enfatizan que la NEE-CRF debe complementar, en lugar de reemplazar, las evaluaciones geriátricas integrales.