Desarrollo de un algoritmo basado en técnicas de machine learning para estratificación de riesgo de pacientes con dolor torácico y primera determinación de troponina negativa

Resumen

Introducción: En los pacientes con dolor torácico (DT) que acuden a urgencias (URG) con un primer valor de troponina cardíaca de alta sensibilidad (hs-cTn) normal (<percentil 99) la estratificación de riesgo es un reto. Se han desarrollado escalas basadas en datos clínicos y en concentraciones de hs-cTn, con un rendimiento limitado. Varios modelos desarrollados con aprendizaje automático (AA) han demostrado un buen rendimiento para predicción de eventos clínicos. Hipótesis: Un modelo de predicción de riesgo basado en variables clínicas y hs-cTn desarrollado con AA en pacientes que acuden a URG por DT y con una primera hs-cTn<p99 permite el alta precoz y segura con una sola determinación. Objetivo: Desarrollo y validación de un modelo predicción de riesgo de muerte e IM a 90 días con técnicas de AA en pacientes que acuden a URG por DT y presentan una primera determinación de hs-cTn<p99. Material y métodos: Se incluyeron 4479 que consultaron en urgencias por DT con una hs-cTn<p99. El objetivo primario (OP) fue muerte e infarto de miocardio (IM) a 90 días. En esta cohorte de derivación: 1) se evaluó la importancia de las variables clínicas, hs-cTn indetectable y hs-cTn medible; 2) se entrenaron 4 modelos con AA y uno con regresión logística (RL) y 3) se evaluó el rendimiento de las escalas clínicas y de los modelos de AA y RL (validación interna). En una cohorte externa, independiente, multicéntrica e internacional con 3609 pacientes se realizó la validación externa. Resultados: El OP ocurrió en 105(2.6%) pacientes de la cohorte de derivación y en 98(2.7%) en la de validación externa. La hs-cTn indetectable presentó una sensibilidad subóptima (90.2%). El modelo clínico presentó una buena capacidad de discriminación (área bajo la curva [AUC]=0.810). La adición de hs-cTn indetectable superó al modelo clínico AUC=0.664 vs. 0.836; p=0.002) y la hs-cTn medible proporcionó información predictiva. El modelo Gradient Boosting full (GBf) mostró la mejor discriminación (AUC=0.808). La calibración fue buena en todos los modelos, siendo la RL el mejor calibrado. El GBf identificó la mayor proporción de pacientes para alta precoz (36.7% vs 23.4% vs 27.2%; GBf vs RL vs estrategia única de hs-cTn) con una seguridad similar (OP a 90 días por 1000 pacientes: 2.2 vs. 3.5 vs. 3.1). Todos los modelos derivados fueron superiores a las puntuaciones HEART y GRACE (p<0.001). Conclusiones: Las variables clínicas, la hs-cTn indetectable sus concentraciones tienen valor pronóstico independiente. El entrenamiento de modelos basados en AA con estas variables tuvo un mejor rendimiento para el OP, en discriminación, calibración y porcentaje de pacientes asignados a alta precoz y segura, que las escalas HEART y GRACE y que la estrategia de determinación única. El modelo GBf logró el alta precoz y segura en el aproximadamente el 37% de los pacientes por lo que podría implementarse para la toma de decisiones en pacientes con DT y con una primera concentración de hs-cTnT<p99.