Development and Internal Validation of a Nomogram for Predicting One-Year All-Cause Mortality in Heart Failure Patients Undergoing Non-Cardiac Surgery: A Retrospective Analysis of 308 Cases

Resumen Técnico: Desarrollo y Validación Interna de un Nomograma para la Predicción de la Mortalidad por Todas las Causas a un Año en Pacientes con Insuficiencia Cardíaca sometidos a Cirugía No Cardíaca

Planteamiento del Problema
La insuficiencia cardíaca (IC) representa una carga significativa para la salud pública mundial, con más del 15% de los pacientes que se someten a cirugía no cardíaca (CNC) presentando IC comórbida. Estos pacientes enfrentan riesgos elevados de inestabilidad hemodinámica perioperatoria y mortalidad postoperatoria a largo plazo. Si bien las intervenciones quirúrgicas suelen desencadenar respuestas de estrés traumático en pacientes con IC, actualmente no existe un instrumento sencillo y preciso disponible para pronosticar la probabilidad de mortalidad postoperatoria a un año específicamente para esta población. Las herramientas existentes, como el Índice de Riesgo Cardíaco Revisado (RCRI), carecen de biomarcadores específicos e indicadores clínicos de rutina necesarios para una estratificación de riesgo a largo plazo precisa en cohortes de IC. Este estudio aborda la necesidad de una herramienta de evaluación de riesgo individualizada y precisa para facilitar la formulación temprana de estrategias terapéuticas personalizadas y mejorar los resultados de supervivencia postoperatoria.

Metodología
Este estudio de cohorte retrospectivo analizó a 308 pacientes con insuficiencia cardíaca que se sometieron a cirugía no cardíaca en el Hospital del Distrito de Luhe, Nanjing, entre enero de 2023 y junio de 2024. El estudio fue aprobado por el Comité de Ética Médica local y registrado en el Registro de Ensayos Clínicos de China.

• Recopilación y Preprocesamiento de Datos: El estudio recopiló 18 covariables predictivas candidatas, incluyendo datos demográficos, características quirúrgicas, tipo de anestesia y diversos biomarcadores de laboratorio (p. ej., BNP, PCR, lipoproteína(a), hemoglobina, marcadores cardíacos). Los valores faltantes (<5%) se gestionaron mediante imputación múltiple (MICE). La cohorte se estratificó aleatoriamente en un conjunto de entrenamiento (n=217) y un conjunto de validación (n=91) en una proporción de 7:3.
• Tamizaje de Variables: Se empleó un proceso de tamizaje de dos pasos. Primero, se utilizó la regresión LASSO combinada con el algoritmo Boruta para identificar posibles predictores y controlar la multicolinealidad. Esto redujo las 18 variables iniciales a 9 candidatas. Segundo, un enfoque de eliminación regresiva paso a paso dentro de un marco de regresión logística multivariante (p de entrada=0.05, p de eliminación=0.10) identificó el conjunto final de predictores independientes. Se aplicó la corrección de la Tasa de Falsos Descubrimientos (FDR) de Benjamini–Hochberg para mitigar los errores de Tipo I.
• Construcción del Modelo: Se construyó un nomograma basado en los seis predictores independientes identificados. El modelo utilizó la regresión logística para calcular la probabilidad de mortalidad por todas las causas a un año.
• Validación y Evaluación: El rendimiento del modelo se evaluó rigurosamente mediante:
  • Discriminación: Curvas de Característica Operativa del Receptor (ROC) y Área Bajo la Curva (AUC) con Intervalos de Confianza (IC) del 95%.
  • Calibración: Gráficos de calibración y la prueba de Hosmer-Lemeshow.
  • Utilidad Clínica: Análisis de la Curva de Decisión (DCA) y Curvas de Impacto Clínico (CIC).
  • Comparación: El nomograma se comparó contra el puntaje convencional RCRI mediante pruebas de DeLong.
  • Justificación del Tamaño de la Muestra: El tamaño de la muestra (n=308, 69 eventos) fue verificado para cumplir con la regla de "10:1" de eventos por variable y los requisitos de potencia estadística (potencia del 80%, OR=1.6).

Contribuciones Clave

1. Identificación de Seis Predictores Independientes: El estudio identificó seis indicadores clínicos de rutina como predictores independientes de la mortalidad a un año:
   • Nueva insuficiencia cardíaca postoperatoria (el predictor más fuerte).
   • Niveles de biomarcadores miocárdicos (troponina I cardíaca [cTnI] preoperatoria elevada).
   • Péptido natriurético tipo B (BNP).
   • Lipoproteína(a) [Lp(a)].
   • Índice de Masa Corporal (IMC).
   • Hemoglobina (Hb).
2. Desarrollo de un Nomograma de Alto Rendimiento: Se construyó un modelo predictivo que integra estas variables en un sistema de puntuación visual.
3. Herramienta Clínica Dinámica: Se desarrolló un nomograma dinámico interactivo basado en la web (aplicación R Shiny) para permitir que los clínicos ingresen los datos del paciente y reciban instantáneamente probabilidades de riesgo de mortalidad personalizadas, eliminando errores de cálculo manual.
4. Superioridad sobre el RCRI: El estudio demostró que el nomograma propuesto supera significativamente al puntaje RCRI tradicional en precisión predictiva para esta población específica de pacientes.

Resultados

• Tasa de Mortalidad: La tasa de mortalidad por todas las causas a un año postoperatoria en la cohorte fue del 22.4% (69/308).
• Rendimiento Predictivo:
  • Conjunto de Entrenamiento: El nomograma alcanzó un AUC de 0.933 (IC 95%: 0.893–0.974).
  • Conjunto de Validación: El modelo mantuvo una fuerte capacidad discriminativa con un AUC de 0.892 (IC 95%: 0.812–0.971).
  • Comparación con RCRI: El nomograma superó significativamente al RCRI tanto en el conjunto de entrenamiento (AUC 0.933 vs. 0.659, P<0.001) como en el conjunto de validación (AUC 0.892 vs. 0.700, P=0.003).
• Calibración: El modelo mostró una excelente calibración. La prueba de Hosmer-Lemeshow arrojó valores de P de 0.8428 (entrenamiento) y 0.8973 (validación), lo que indica la ausencia de un ajuste deficiente significativo. Los errores de calibración absolos medios fueron bajos (3.41% y 4.05%, respectivamente).
• Utilidad Clínica: El Análisis de la Curva de Decisión (DCA) confirmó beneficios clínicos netos favorables dentro de un umbral de probabilidad de 0.0–0.4. Las Curvas de Impacto Clínico (CIC) verificaron la capacidad del modelo para detectar con precisión a los pacientes de alto riesgo a través de diversos umbrales de decisión.
• Importancia de las Variables: La nueva insuficiencia cardíaca postoperatoria (OR=9.434) y la Lp(a) (OR=1.005 por unidad) fueron identificadas como los principales impulsores del riesgo. Por el contrario, un IMC y niveles de hemoglobina más altos fueron identificados como factores protectores.

Significancia y Reivindicaciones
Los autores afirman que este nuevo nomograma proporciona una herramienta intuitiva, fiable y precisa para la evaluación del riesgo perioperatorio en pacientes con insuficiencia cardíaca sometidos a cirugía no cardíaca. Al integrar indicadores clínicos de rutina y datos de complicaciones postoperatorias, el modelo ofrece una precisión predictiva superior en comparación con los índices estándar existentes.

El estudio plantea que esta herramienta facilita la identificación de cohortes de alto riesgo, permitiendo la implementación temprana de estrategias terapéuticas personalizadas (p. ej., soporte nutricional para IMC bajo, manejo de la anemia y monitoreo cercano para la nueva insuficiencia cardíaca). Los autores enfatizan que la dependencia del modelo en indicadores disponibles de rutina lo hace altamente factible para la implementación clínica. Reconocen las limitaciones, incluyendo el diseño retrospectivo de un solo centro y la falta de seguimiento a largo plazo más allá de un año, señalando que son necesarios futuros estudios prospectivos multicéntricos para validar la generalizabilidad del modelo. Sin embargo, concluyen que el modelo actual representa un paso significativo hacia la gestión perioperatoria precisa y la intervención clínica individualizada para esta población vulnerable de pacientes.