From Multicohort Comparison to Predictive Modeling: A Tool for Evaluating Mortality Risk Based on the Optimal Smoking Exposure Indicator in High-Risk Cardiovascular Disease Populations

Resumen Técnico: De la comparación multicohorte al modelado predictivo para el riesgo de mortalidad en poblaciones con alto riesgo de ECV

Planteamiento del problema
Cuantificar con precisión la exposición al tabaquismo es crítico para la gestión del riesgo en poblaciones con alto riesgo de enfermedad cardiovascular (ECV), donde el tabaquismo actúa sinérgicamente con condiciones como la hipertensión y la dislipidemia para amplificar el riesgo de mortalidad. Sin embargo, la investigación epidemiológica carece de consenso sobre el indicador óptimo para cuantificar esta exposición. Las métricas comunes incluyen medidas simples (estado de tabaquismo, duración, edad de inicio) y medidas compuestas (años de paquetes, Índice de Tabaquismo Integral [CSI, por sus siglas en inglés]). Si bien los indicadores compuestos ofrecen teóricamente datos más ricos, a menudo dependen de la memoria precisa de historiales de tabaquismo de décadas de duración, lo que introduce un posible sesgo de memoria. Por el contrario, los indicadores simples pueden sufrir de una menor densidad de información. Ningún estudio dedicado ha comparado sistemáticamente estos indicadores específicamente dentro de las poblaciones de alto riesgo de ECV para identificar el predictor más robusto de la mortalidad o para desarrollar un modelo predictivo correspondiente.

Metodología
Este estudio empleó un diseño de cohortes múltiples utilizando datos de cuatro bases de datos internacionales:

1. CHARLS (Estudio Longitudinal de Salud y Envejecimiento de China)
2. HRS (Estudio de Salud y Envejecimiento, EE. UU.)
3. NHANES (Encuesta Nacional de Examen de Nutrición y Salud, EE. UU.)
4. PEACE-FZ (Un subestudio del programa PEACE-MPP en Fuzhou, China)

Población: La muestra analítica final incluyó a 19,239 participantes (edad ≥45) que cumplían con criterios de alto riesgo de ECV (hipertensión no controlada, dislipidemia o ECV establecida).

Indicadores de exposición: Se generaron cinco indicadores de tabaquismo:

• Estado de tabaquismo (Nunca, Exfumador, Fumador actual)
• Años de tabaquismo
• Tabaquismo en la vida temprana (edad de inicio <14 vs. ≥14)
• Años de paquetes (pack-years)
• Índice de Tabaquismo Integral (CSI): Una métrica compuesta que incorpora la edad de inicio, la duración, la duración del cese y la intensidad, ajustada por parámetros de vida media biológica y tiempo de retraso.

Enfoque analítico:

1. Análisis de asociación: Se utilizaron modelos de riesgos proporcionales de Cox multivariables para evaluar la asociación entre cada indicador y la mortalidad por todas las causas, ajustados por covariables (demografía, IMC, índice de fragilidad, etc.). Los resultados se agruparon mediante un metanálisis de efectos aleatorios.
2. Pruebas de robustez: Se realizaron análisis de sensibilidad (leave-one-out, exclusión de datos faltantes, exclusión de seguimiento corto y exclusión de ECV basal) y evaluaciones de heterogeneidad ($I^2$).
3. Dosis-respuesta: Los modelos de spline cúbico restringido (RCS) evaluaron la no linealidad.
4. Riesgos competitivos: Los modelos de Fine-Gray y los modelos de Cox de causa específica analizaron las asociaciones con la mortalidad por ECV, cáncer y enfermedades respiratorias.
5. Modelado predictivo: Se entrenaron seis modelos (Cox, LASSO, Ridge, Random Survival Forest, CoxBoost, XGBoost) utilizando una división del 70% de los datos de CHARLS, NHANES y PEACE-FZ, con HRS sirviendo como un conjunto de validación externa independiente. Los modelos se evaluaron mediante AUC, curvas de calibración, Mejora de la Reclasificación Neta (NRI), Mejora de la Discriminación Integrada (IDI) y Análisis de la Curva de Decisión (DCA).
6. Análisis longitudinal: Se analizaron los cambios en la exposición al tabaquismo y en las puntuaciones de riesgo entre las olas de la línea base y el seguimiento para evaluar el riesgo dinámico.

Resultos clave

• Identificación del indicador óptimo: Entre los cinco indicadores, el Índice de Tabaquismo Integral (CSI) demostró la asociación más consistente y robusta con la mortalidad por todas las causas en las cuatro cohortes. Mostró la menor heterogeneidad en el metanálisis ($I^2 = 45.8\%$) y mantuvo la significancia estadística en todos los análisis de sensibilidad, mientras que otros indicadores (por ejemplo, años de paquetes, estado de tabaquismo) mostraron inestabilidad o pérdida de significancia en escenarios de exclusión específicos.
• Relación dosis-respuesta: Se observó una relación dosis-respuesta significativa y monotónica entre el CSI y el riesgo de mortalidad. No se encontró evidencia de no linealidad.
• Riesgos competitivos: En el análisis de riesgos competitivos, el CSI se asoció significativamente con la mortalidad por cáncer y enfermedades respiratorias, pero no con la mortalidad por ECV (probablemente debido a los riesgos competitivos de otras causas en esta población multimórbida). Sin embargo, el análisis de Cox de causa específica confirmó un vínculo etiológico entre el CSI y la muerte por ECV.
• Desempeño del modelo: La adición del CSI a los modelos base mejoró significativamente el desempeño predictivo (NRI e IDI) en todos los algoritmos.
  • Aunque los modelos de aprendizaje automático (RSF, XGBoost) funcionaron bien en el entrenamiento, el modelo de Cox demostró una discriminación comparable en el conjunto de validación externa (AUC a 3 años: 0.761; AUC a 5 años: 0.784; AUC a 10 años: 0.823).
  • El modelo de Cox exhibió una excelente calibración y beneficio clínico neto a través de diversos rangos de umbral.
• Dinámica longitudinal: En la cohorte CHARLS, un aumento en el CSI se asoció con un incremento del 35.6% en el riesgo de mortalidad. Los cambios en la puntuación de riesgo derivada del modelo fueron más sensibles a las fluctuaciones del riesgo de mortalidad que los cambios en el CSI por sí solo en la cohorte HRS.

Significancia y afirmaciones
Los autores afirman que este estudio proporciona una base científica para seleccionar el método óptimo para medir la exposición al tabaco en poblaciones con alto riesgo de ECV. Las principales contribuciones son:

1. Resolución metodológica: El estudio identifica al CSI como el indicador superior para predecir la mortalidad por todas las causas en esta población específica, argumentando que su incorporación de la vida media biológica y el decaimiento dinámico refleja mejor la verdadera carga biológica de las toxinas del tabaco en comparación con medidas estáticas como los años de paquetes.
2. Desarrollo de herramientas clínicas: El estudio construye y valida un modelo de predicción de mortalidad basado en Cox que equilibra una alta precisión predictiva con interpretabilidad clínica. Los autores sostienen que el modelo de Cox es preferible a los algoritmos complejos de aprendizaje automático en este contexto debido a su transparencia, estimación robusta de parámetros y facilidad de traslación clínica.
3. Aplicación práctica: Para facilitar la toma de decisiones a pie de cama, los autores desarrollaron un nomograma interactivo basado en la web (usando el paquete "DynNom") que permite a los clínicos ingresar variables del paciente para visualizar las probabilidades de mortalidad individualizadas a 3, 5 y 10 años en tiempo real.

El artículo concluye que el modelo de Cox basado en el CSI ofrece una herramienta científicamente fundamentada y clínicamente factible para la evaluación individualizada del riesgo y la formulación de intervenciones de control del tabaco dirigidas para poblaciones con alto riesgo de ECV.