Nuevos modelos de aprendizaje automático ayudan a predecir el riesgo de enfermedad cardíaca en las mujeres

La puntuación de riesgo de Framingham, comúnmente utilizada, que predice la probabilidad de desarrollar enfermedades cardiovasculares en los próximos 10 años, se basa en criterios específicos que incluyen edad, sexo, niveles de colesterol y presión arterial. Sin embargo, esto no tiene en cuenta las diferencias anatómicas entre sexos; Los corazones femeninos, por ejemplo, suelen ser más pequeños y tener paredes más delgadas. En consecuencia, utilizar los mismos estándares de diagnóstico para ambos sexos significa que los corazones de las mujeres deben aumentar desproporcionadamente más que los de los hombres para cumplir con los mismos criterios de riesgo. Un equipo de investigadores ha creado modelos de riesgo cardiovascular más precisos que la puntuación de riesgo de Framingham utilizando un gran conjunto de datos y también ha cuantificado el infradiagnóstico de las mujeres en comparación con los hombres.

Investigadores de la Universidad de Stanford (Stanford, CA, EUA) cuantificaron el subdiagnóstico de las mujeres en comparación con los hombres y descubrieron que el uso de criterios neutrales al sexo da como resultado un subdiagnóstico significativo de las pacientes femeninas. Para lograr predicciones más precisas para ambos sexos, incorporaron cuatro métricas adicionales ausentes en la puntuación de riesgo de Framingham: resonancia magnética cardíaca, análisis de ondas de pulso, electrocardiogramas y ecografías carotídeas. Utilizando datos de más de 20.000 personas del Biobanco del Reino Unido (una base de datos biomédica integral de alrededor de medio millón de residentes del Reino Unido de 40 años o más) aplicaron técnicas de aprendizaje automático. Descubrieron que los electrocardiógrafos eran particularmente eficaces para mejorar la detección de enfermedades cardiovasculares en ambos sexos. A pesar de esto, los factores de riesgo tradicionales siguen siendo valiosos para evaluar el riesgo, según los investigadores.

Este estudio marca el primer paso hacia la reevaluación de los factores de riesgo de enfermedades cardíacas mediante la incorporación de tecnologías avanzadas para mejorar la predicción del riesgo. Sin embargo, el estudio enfrenta limitaciones que futuras investigaciones deberían abordar. Una de esas limitaciones es el tratamiento binario del sexo en el Biobanco del Reino Unido, ignorando la compleja naturaleza del sexo que involucra hormonas, cromosomas y rasgos físicos que pueden no encajar claramente en las categorías "masculinas" o "femeninas". Además, el hecho de que el estudio se centre en los residentes de mediana edad y mayores del Reino Unido puede limitar la aplicabilidad de los hallazgos a otros grupos demográficos y ubicaciones geográficas.

“Descubrimos que los criterios neutrales al sexo no logran diagnosticar adecuadamente a las mujeres. Si se utilizaran criterios específicos de sexo, este subdiagnóstico sería menos grave”, afirmó Skyler St. Pierre, investigador del Living Matter Lab de la Universidad de Stanford. "También descubrimos que el mejor examen para mejorar la detección de enfermedades cardiovasculares tanto en hombres como en mujeres es el electrocardiograma (EKG)".

"Si bien los modelos clínicos tradicionales son fáciles de usar, ahora podemos utilizar el aprendizaje automático para analizar miles de otros factores posibles y encontrar características nuevas y significativas que podrían mejorar significativamente la detección temprana de enfermedades", añadió St. Pierre.

Enlaces relacionados:
Universidad Stanford