Introducción
Dr. Juan José Gómez Doblas
Presidente del Comité Científico del Congreso
Vicepresidente de la SEC
Comités ejecutivo, organizador y científico
Comité de evaluadores
Listado de sesiones
Índice de autores
Introducción y objetivos: El riesgo de ictus y hemorragia en la fibrilación auricular (FA) se estima por lo general empleando las escalas CHA2DS2-VASc y HAS-BLED. Sin embargo, estas escalas tienen limitaciones como la inclusión únicamente de ciertos factores de riesgo y el empleo de puntos de corte muy estáticos para la edad. El objetivo de este estudio fue investigar si es posible diseñar nuevos modelos de predicción de riesgo de ictus y hemorragia mediante el uso de herramientas de inteligencia artificial.
Métodos: Se incluyeron pacientes con FA estables en tratamiento con AVK durante 6 meses. A lo largo de 6 años, se registraron todos los ictus isquémicos/ataque isquémico transitorio (AIT) y las hemorragias mayores (criterios ISTH). Para el tratamiento de los datos, se testaron modelos de máquinas de soporte vectorial, random forest, XGBoost y redes neuronales (perceptrón multicapa). Para mitigar el desbalanceo de clases, se utilizaron técnicas de undersampling mediante el algoritmo Condensed Nearest Neighbour. Se empleó el F1-score como medida de precisión de los nuevos modelos.
Resultados: Se incluyeron 1.361 pacientes (50,9% mujeres; edad mediana 76 [RIC 71-81] años; CHA2DS2-VASc y HAS-BLED medios de 4,0 ± 1,7 y 2,9 ± 1,2). Tanto para la predicción de ictus isquémico/AIT como para hemorragia mayor, los nuevos modelos se nutrieron de las siguientes variables basales: sexo, edad, peso, talla, filtrado glomerular, hábito tabáquico, alcoholismo, uso de antiagregantes, insuficiencia cardiaca, hipertensión arterial, diabetes, ictus/AIT/embolismo previo, cardiopatía isquémica, arterioesclerosis, arteriopatía periférica, hemorragia previa, enfermedad renal, y hepatopatía. Tras poner en práctica distintas técnicas, el mejor modelo predictivo para ictus isquémico/AIT obtuvo un F1-score del 27,22% utilizando máquinas de soporte vectorial y undersampling como técnica de balanceo de datos. Para hemorragia mayor, el mejor modelo obtuvo un F1-score del 46,24% utilizando máquinas de soporte vectorial y undersampling como técnica de balanceo de datos.
Conclusiones: Mediante inteligencia artificial se han podido diseñar dos modelos de predicción de ictus isquémico y hemorragia mayor que emplean factores de riesgo clásicos y sencillos de registrar en la práctica clínica diaria.