Algunos modelos de riesgo predicen las hemorragias gastrointestinales mejor que otros

Dos modelos de aprendizaje automático, XGBoost y RegCox, mostraron un rendimiento similarmente superior para ayudar a los médicos a identificar a los pacientes de alto riesgo de hemorragia gastrointestinal, encontró un estudio observacional.

Al examinar a los pacientes a los que se les prescribieron fármacos antitrombóticos, tanto el modelo de regresión de riesgos proporcionales de Cox regularizado (RegCox) como el de aumento de gradiente extremo (XGBoost) tuvieron el mejor desempeño en la predicción de hemorragia gastrointestinal en el conjunto de datos de validación, con un área bajo la curva (AUC) de 0.67 6 meses y un AUC de 0,66 al año, aunque el RegCox tenía una discriminación marginalmente mejor, informaron Jeph Herrin, PhD, de la Facultad de Medicina de Yale en New Haven, Connecticut, y sus colegas.

Sin embargo, el modelo de bosques de supervivencia aleatoria mostró un AUC de 0,62 a los 6 meses y un AUC de 0,60 a 1 año, y el modelo existente, HAS-BLED mostró un AUC de 0,60 y 0,59, respectivamente, escribieron los autores en Red JAMA abierta.

La implementación de enfoques modelo puede ayudar a los médicos a mitigar los riesgos asociados con sus decisiones de tratamiento cuando prescriben antitrombóticos, como anticoagulantes orales directos, antiplaquetarios de tienopiridina o antagonistas de la vitamina K, a pacientes con enfermedades cardiovasculares. El objetivo principal de este estudio se centró en incorporar conocimientos avanzados sobre el riesgo de hemorragia gastrointestinal en las decisiones de tratamiento clínico.

«Pudimos construir una cohorte más grande con un seguimiento más prolongado que, hasta donde sabemos, se había utilizado antes en el desarrollo del modelo, y la cohorte incluía pacientes que recibieron tratamiento con una variedad de agentes antitrombóticos, mejorando así la generalización y la relevancia clínica de los resultados «, escribieron los autores, ya que los estudios anteriores no pudieron comparar más modelos con un conjunto de datos más grande.

Todos los modelos existentes tienen limitaciones, señalaron los autores, como la exclusión de los fármacos contemporáneos (antiplaquetarios de segunda generación), conjuntos de datos más pequeños utilizados para el sangrado gastrointestinal en el desarrollo de su modelo y la incapacidad de agregar avances médicos en sus algoritmos.

«Aunque ML [machine learning] Los modelos pueden lograr un rendimiento superior, por lo general son complejos y, por lo tanto, sacrifican la interpretabilidad «, escribió Fei Wang, PhD, del Weill Cornell Medical College en la ciudad de Nueva York en un editorial adjunto.» Los médicos prefieren usar modelos que pueden comprender y que se alinean con su propia experiencia y conocimiento. Ésta es una razón importante por la que las calculadoras de riesgo de tipo tarjeta de puntuación, como HAS-BLED, son populares en la práctica clínica, a pesar de que su rendimiento cuantitativo puede no ser alto «.

Herrin y sus colegas utilizaron los modelos para predecir el sangrado gastrointestinal elevado en el grupo de validación mediante la evaluación del AUC en curvas ROC construidas, además de utilizar gráficos de densidad de predicción al analizar la especificidad, la sensibilidad y el valor predictivo positivo. Los modelos de aprendizaje automático fueron para predecir el riesgo de hemorragia gastrointestinal a los 6 meses y 1 año.

Los datos provienen de más de 306,000 adultos en los reclamos médicos y farmacéuticos estadounidenses del OptumLabs Data Warehouse (OLDW) desde el 1 de enero de 2016 hasta el 31 de diciembre de 2019. Los pacientes no tenían receta en los últimos 12 meses y tenían antecedentes de fibrilación auricular, cardiopatía isquémica o tromboembolismo venoso. Se excluyeron las personas con riesgo de cáncer relacionado con hemorragias gastrointestinales. El resultado principal fue el tiempo en días hasta la primera hemorragia gastrointestinal.

La edad promedio de los pacientes era de 69 años, poco más de la mitad de los participantes eran hombres y más del 60% eran blancos. Los pacientes negros tenían más riesgo de hemorragia gastrointestinal que los blancos y otras razas, y las mujeres tenían más riesgo que los hombres. Hubo un 4% de los participantes con hemorragia gastrointestinal durante su seguimiento de 133 días.

La mayoría de los participantes tomaba anticoagulantes (57%) y el 42% tomaba antiplaquetarios. La mayoría de los participantes tenían hipertensión (88%), mientras que el 46% eran fumadores y el 44% tenía valvulopatías.

Entre los pacientes que experimentaron una hemorragia gastrointestinal, el 85,1% tomaba antihipertensivos, el 61,6% tomaba fármacos antihiperlipidémicos y el 40,6% tomaba inhibidores de la bomba de protones o agentes gastroprotectores.

Para el modelo RegCox, las variables de puntuación de mayor importancia incluyeron hemorragia gastrointestinal previa (0,72), «fibrilación auricular, cardiopatía isquémica y tromboembolismo venoso combinados» (0,38) y el uso de agentes gastroprotectores (0,32).

«Aunque algunos modelos de aprendizaje automático en nuestro estudio mostraron un mejor rendimiento que las puntuaciones de riesgo tradicionales, el rendimiento es modesto (la estadística c no es muy alta). Además, los modelos parecen ser mejores para identificar a los pacientes con bajo riesgo», dijo Herrin. MedPage hoy en un correo electrónico. «El rendimiento modesto indica que la herramienta podría ser más adecuada para su uso como herramienta complementaria para respaldar la toma de decisiones clínicas en el contexto de otra información clínica, en lugar de depender completamente del modelo para tomar la decisión».

Las limitaciones de este estudio incluyen la ausencia de datos de pacientes sin seguro médico o de pacientes de Medicare, ya que el ensayo utilizó la base de datos de reclamaciones de OLDW. Sin los datos de estos grupos de pacientes, los hallazgos no pueden generalizarse por completo para incluir a todos los pacientes mayores. OLDW cubre Medicare Advantage y seguros privados.

«Necesitaremos validar el algoritmo en otros entornos o poblaciones para ver si el rendimiento es similar, también considerar la posibilidad de incorporar el algoritmo en EHR para permitir la predicción de riesgos en tiempo real para ayudar a los médicos a tomar decisiones en el punto de atención», dijo Herrin. MedPage hoy.