Desde la antigüedad, uno de los principales objetivos de la medicina ha sido conocer el pronóstico de los pacientes en cualquiera de sus ámbitos. La estratificación de este riesgo se remonta a los inicios de los servicios de medicina intensiva (SMI), donde se usan diferentes escalas o scores pronósticos específicos y validados para cada patología. Los más utilizados son el APACHE, SOFA, o en relación con las unidades coronarias el The Global Registry of Acute Coronary Events (GRACE) o Thrombolysis in Myocardial Infarction (TIMI)1.

El síndrome coronario agudo (SCA) es una enfermedad frecuente en el SMI y se prevé que en 2049 la incidencia del SCA aumente debido al envejecimiento de la población, superando los 175.000 casos/año2,3.

En las últimas décadas, uno de los principales objetivos de los expertos de Medicina Intensiva ha sido el desarrollo y posterior validación de estos modelos de predicción. Con ello, se pretende adaptar el tratamiento al riesgo individual, evitar costes innecesarios y planificar la estrategia de prevención secundaria1.

Por desgracia, las escalas de estratificación en los pacientes coronarios distan mucho de la perfección1. En la actualidad todos ellos cuentan con bastantes limitaciones que ponen de manifiesto la necesidad de crear un indicador o algoritmo capaz de adecuarse a la población contemporánea, de forma individualizada y eficaz.

Tradicionalmente, los scores de referencia en el SCA han sido GRACE y TIMI, que han demostrado gran utilidad y buena discriminación de la mortalidad, con áreas bajo la curva ROC cercanas a 1. Sin embargo, tienen limitaciones importantes, como, por ejemplo, no hacen referencia a la mortalidad al ingreso en el SMI, han sido desarrollados a partir de una población muy seleccionada y que a día de hoy no es representativa de la población actual y tampoco se ajustan a los avances terapéuticos hasta la fecha (tabla 1)1,4.

El registro ARIAM es un registro observacional y multicéntrico (nacional) de participación voluntaria (anexo 1) y de corte anual (3 meses), creado por la Sociedad Española de Medicina Intensiva, Crítica y Unidades Coronarias (SEMICYUC). Se creó en 1994 y desde el 2010 pasó a denominarse ARIAM-SEMICYUC. Está integrado en el grupo de trabajo de Cuidados Intensivos Cardiológicos y reanimación cardiopulmonar de la sociedad de Medicina Intensiva, Crítica y Unidades Coronarias. Su labor es mejorar la calidad asistencial en el ámbito de la cardiopatía isquémica, siendo en el momento actual el registro español más amplio en esta materia con una media de 2.335 registros/anuales y un total de 23.357 registros5,6.

Se desconoce a día de hoy cuál es el método óptimo para el diseño de scores adecuados. En el artículo publicado en Medicina Intensiva por Nuñez et al. inciden en que la Medicina Intensiva es un campo ideal para el empleo de técnicas conocidas como Big Data Analysis (BDA) y Machine Learning (ML), que pueden permitir en el futuro mejorar nuestra capacidad de investigación clínica y dirigir de manera más precisa las terapias que proporcionamos a nuestros pacientes, y las redes neuronales artificiales son un claro ejemplo de ello7-12.

El objetivo de este trabajo es diseñar un Indicador de Mortalidad para todas las formas del SCA en UCI (ARIAM) a partir de las variables que puedan estar presentes en momento del ingreso en UCI, con los datos del Registro ARIAM y empleando un modelo predictivo supervisado (red neuronal).

Se incluyó a un total de 18.123 pacientes con SCA que ingresaron en el SMI, de los cuales 865 fueron eliminados debido a la falta de alguna variable o errores en la recogida de los datos. Estos pacientes pertenecen a 64 hospitales españoles, de todos los niveles y repartidos por toda la geografía. La mortalidad global de los pacientes incluidos fue de 3,5% (603 pacientes).

De las 30 variables analizadas (tabla 2) donde se incluían datos socio-demográficos, constantes vitales al ingreso, determinaciones analíticas, tratamientos y técnicas realizadas y lugar de atención médica, etc. La prevalencia de algunas de estas características en los pacientes que fallecieron fueron: 4,6% de sexo femenino, una media de edad de 73,5±11 años frente a los 64,8 años de los pacientes que fueron dados de alta, antecedentes médicos de HTA (4,1%), dislipidemia (3,6%), alteración electrocardiográfica tipo SCACEST (4,3%), situación clínica de Killip IV (36%), PA sistólica (110,9±35mmHg), FC (87±27 lpm), cifras de creatinina (1,62±1,3mg/dl) o hemoglobina (12,6±2,3g/dl). El tipo estrategia terapéutica, ICP primaria (3,5%) o fibrinólisis (6,1%).

En relación con el evento, 19 variables presentaron diferencias estadísticamente muy significativas (p <0,001) (tabla 3). El tipo estrategia terapéutica, ICP primaria o fibrinólisis, también fue significativo (p <0,001).

Modelo de predicción supervisada (MPS) (anexo 4)

El nuevo indicador ARIAM mostró una media de 0,0257 (IC del 95%, 0,0245-0,0267) en los pacientes dados de alta de UCI y de 0,27085 (IC del 95%, 0,2533-0,2886) en los que fallecieron, con una p <0,001. Este indicador derivado de la función softmáx de la capa de salida puede ser interpretado fácilmente como una probabilidad de fallecer: así, un valor 0,0835 indica que la probabilidad de fallecer será del 8,35%.

En el modelo conseguido todas las variables introducidas mostraron un cierto valor predictivo, siendo muy alto (IVn> 20%) para: la creatinina, Killip, edad, parada cardiorrespiratoria, PA sistólica, vasculopatía, frecuencia cardiaca, primer contacto médico, peso, hemoglobina, insuficiencia cardiaca, ECG y estrategia inicial (fig. 2).

Figura 2.

Ranking de variables por IV del MPS.

(1.02MB).

Métricas de rendimiento

Respecto de las métricas de rendimiento para toda la serie (con un punto de corte del indicador> 0,04), merecen destacarse los siguientes datos: especificidad 88,19% y valor predictivo negativo 99,19% (anexo 5).

El área ROC del modelo conseguido fue de 0,918 (IC del 95%, 0,907-0,930); este estadístico «c» comparado con otros 2 indicadores (GRACE, TIMI) como predictores de mortalidad del SCA en el SMI fue: ARIAM 0,918 (IC del 95%, 0,907-0,930) vs. GRACE 0,889 (IC del 95%, 0,874-0,903; p <0,05) y vs. TIMI 0,763 (IC del 95%, 0,741-0,784, p <0,01) (fig. 3).

Figura 3.

Áreas ROC ARIAM vs. GRACE y TIMI.

(0.34MB).

Se realizó el test de Fagan para conocer la relevancia clínica del score. El resultado positivo del indicador ARIAM indica que la probabilidad de muerte aumenta al 19% (IC del 95%, 18-20%), mientras que, en caso negativo, la probabilidad disminuye al 0,9% (IC del 95%, 0,8-1,01%) (anexo 6).

A nivel mundial, la enfermedad cardiovascular es la causa más frecuente de muerte, morbilidad y coste sanitario en España, y su frecuencia está en aumento a consecuencia del envejecimiento de la población. Actualmente causa casi 1,8 millones de muertes al año en Europa, lo que corresponde al 20% de todas las muertes, con grandes variaciones entre países1,13,14. La asistencia sanitaria del SCA consume una gran cantidad de recursos en España por lo que una correcta estratificación del riesgo puede ser primordial a día de hoy3.

Se espera de un score pronóstico, que además de establecer un criterio de diagnóstico, de manejo o como su nombre lo indica de pronóstico, sean fáciles de utilizar y midan un resultado con la suficiente entidad clínica15. Tanto en las actuales guías de práctica clínica, como en los indicadores de calidad de la SEMICYUC, se recomienda una valoración precoz del riesgo a todo paciente con SCA mediante la escala GRACE13,16.

Las escalas pronósticas deben ser empleadas para la población para la que se diseñaron; así, un indicador creado para población general no será válido para el SMI y viceversa15. En este sentido, las herramientas hasta la fecha (GRACE y TIMI) presentan limitaciones importantes ya que ninguno de ellos se relaciona específicamente con la mortalidad al ingreso en el SMI, sino a los 6 meses o a los 14 días, respectivamente17-21. TIMI, además, cuenta con diferencias en cuanto a las características clínicas de los pacientes incluidos: No incluye pacientes con shock cardiogénico (Killip IV) y, además, dado que se diseñó basándose en un estudio de tratamientos fibrinolíticos, no incluye a pacientes tratados mediante revascularización percutánea primaria, que a día de hoy es la terapia más frecuente en este tipo de pacientes17-22.

Para que un score sea práctico en la clínica es necesario que incluya las variables que han demostrado ser más relevantes a la hora de predecir el evento. Además, debe ser un score novedoso, reproducible y fácilmente actualizable. El ARIAM utiliza 19 variables al ingreso donde se incluyen datos socio-demográficos, analíticos y constantes clínicas14,16. Este nuevo score ha demostrado buena discriminación de la mortalidad al ingreso, superando a otras escalas anteriormente utilizadas.

Los pacientes con un score ARIAM positivo tendrán una probabilidad de fallecer del 19% a causa del SCA. El modelo diseñado tuvo una exactitud/precisión (diagnostic accuracy) del 96,81% en el conjunto de aprendizaje y del 96,79% en el de validación. La probabilidad de mortalidad aumentará a más del 19% cuando el ARIAM es positivo y será <1% cuando es negativo, por tanto, mostró muy buena discriminación para el evento objeto del estudio e implicará priorización en la estrategia de tratamiento. Al contrario, un ARIAM negativo identificará los pacientes de riesgo bajo y permitirá orientar el cribado y las estrategias de prevención.

El área bajo la curva ROC de nuestro indicador es incluso superior al área ROC de GRACE, por lo que permite discriminar la mortalidad de forma más precisa18.

Posiblemente el diseño de nuevas variables sintéticas creadas a partir de los tiempos registrados en el ARIAM pueda aumentar la rentabilidad del modelo. Un ejemplo de ello es el análisis del tiempo inicio del dolor torácico-llegada a la UCI, que, aunque no se ha demostrado como predictor independiente de mortalidad en UCI (al existir gran dispersión en los datos de la muestra), sí que muestra diferencias interesantes que convendría analizar con más detalle en futuros trabajos16.

Este nuevo modelo mejora las limitaciones potenciales de los scores actuales ya que permite la estratificación del riesgo de forma temprana. En los últimos años, se han desarrollo nuevos scores, como el M-CARS, ante la necesidad de actualización de los existentes, pero a pesar de ello, cuenta con importantes desventajas frente al modelo que proponemos: no ser específico de pacientes con SCA y haber sido diseñado mediante un estudio unicéntrico, por lo que la generalización del M-CARS a otras poblaciones puede suponer una importante limitación23.

Nuestro trabajo presenta 2limitaciones. La primera, común a cualquier score de riesgo, pese a discriminar bien los grupos de riesgo, no necesariamente predice correctamente el riesgo individual. La segunda inherente a los métodos de aprendizaje automático, que pueden funcionar muy bien en nuestros conjuntos de aprendizaje y validación (validez interna), pero es necesario desplegar el modelo a nuevas series de datos o registros web (validez externa o prospectiva) para así validar el nuevo score en poblaciones futuras.

El indicador ARIAM, creado a partir de una RNA, es un score asistencial clínico más adecuado a la población actual, más exacto, reproducible y actualizable de forma periódica y que supone una herramienta muy útil en los SMI a la hora de valoraciones clínicas o servir de referencia en estudios de calidad. Este nuevo score puede ser de utilidad a la hora de elaborar comparaciones con otros scores predictivos previos que fomenten nuevas investigaciones.

Los autores de este trabajo son los investigadores principales de sus hospitales y han contribuido con un mayor número de casos en los cortes del Registro ARIAM incluidos en el estudio.

El diseño y la redacción del estudio han sido realizados por JJAB, ARG y HLG y corregida por el resto de los autores, que están de acuerdo con su contenido.

El registro ARIAM-SEMICYUC está financiado al 100% por la Sociedad Española de Medicina Intensiva, Crítica y Unidades Coronarias.

Los autores declaran no tener conflicto de intereses, ni haber recibido ningún tipo de apoyo financiero para la realización del estudio.