Inicio » Actualidad »

Diseñado un algoritmo que personaliza el riesgo cardiovascular en personas sanas

El algoritmo EN-PESA contribuirá a personalizar el riesgo cardiovascular, lo que se traducirá en tratamientos y planes de seguimiento más personalizados. El modelo de aprendizaje automático está basado en variables como la edad, tensión arterial, dieta y marcadores medibles en análisis de sangre y orina.

Investigadores del Centro Nacional de Investigaciones Cardiovasculares (CNIC) han diseñado un algoritmo que personaliza el riesgo cardiovascular de individuos de mediana edad y sanos, en función de su edad, tensión arterial, dieta y marcadores medibles en análisis de sangre y orina.

El algoritmo, denominado EN-PESA, podría servir como una herramienta para calcular el grado de aterosclerosis subclínica –caracterizada por el depósito de sustancias lipídicas en las paredes de las arterias–, especialmente en las personas con un mayor riesgo. Según los científicos, “contribuirá a personalizar más el riesgo cardiovascular, lo que se traducirá en tratamientos y planes de seguimiento más personalizados”.

Según los investigadores, los algoritmos de aprendizaje máquina están llamados a revolucionar la práctica clínica en los próximos años, desde el diagnóstico hasta la prevención y el tratamiento

El estudio, que se publica en The Journal of American College of Cardiology (JACC), forma parte del proyecto colaborativo PESA-CNIC-SANTANDER, cuyo investigador principal es Valentín Fuster. Se inició en 2010 y se ha renovado hasta 2030, y constituye uno de los estudios de prevención cardiovascular más importantes del mundo.

“Los algoritmos de aprendizaje máquina –Machine-Learning– están llamados a revolucionar la práctica clínica en los próximos años, desde el diagnóstico hasta la prevención y el tratamiento, gracias a una

mejor cuantificación del riesgo, que podrá ser calculado de manera personalizada y muy precisa utilizando toda la información disponible del individuo”, asegura Enrique Lara Pezzi, director de la investigación y jefe de grupo de Regulación Molecular de la Insuficiencia Cardiaca del CNIC.

El éxito de estos algoritmos se basa en el uso de grandes cantidades de datos recolectados y procesados de manera sistemática en un alto número de individuos. Desde el inicio del trabajo se han recogido y analizado más de 4.000 parámetros relacionados con la caracterización de la aterosclerosis usando avanzadas técnicas de imagen, el estilo de vida, el perfil bioquímico y molecular, así como la condición médica de más de 4.000 empleados del Banco Santander que participan voluntariamente en este proyecto.

Mejorar el manejo de personas ‘sanas’

El algoritmo es capaz de identificar un pequeño conjunto de variables fácilmente medibles en atención primaria. Los parámetros incluyen la edad, presión arterial e información recogida de manera rutinaria en análisis de sangre y orina y en cuestionarios dietéticos.

Estas variables, apunta Xavier Rosselló, investigador del CNIC y cardiólogo del Hospital Universitario Son Espases de Palma de Mallorca, “permiten predecir la extensión de aterosclerosis subclínica y la progresión de la enfermedad vascular en individuos de mediana edad, sanos que habían sido clasificados de riesgo bajo o intermedio según las escalas tradicionales de riesgo cardiovascular”.

“EN-PESA utiliza un modelo de aprendizaje máquina llamado Elastic Net que permite utilizar de manera no sesgada un número alto de variables, lo que posibilita la identificación de nuevos predictores más allá de los factores de riesgo tradicionales”, señala Fátima Sánchez Cabo, jefa de la Unidad de Bioinformática del CNIC.

La información de estos predictores, añade, se usa además de manera cuantitativa, “sin necesidad de simplificaciones dicotómicas del tipo “colesterol alto: sí/no”, lo que mejora la predicción y tiene en cuenta las características específicas de cada persona para personalizar su perfil de riesgo cardiovascular”.

Los autores concluyen que “gracias a este algoritmo se puede mejorar el manejo clínico de personas aparentemente sanas y con un bajo riesgo cardiovascular según los marcadores tradicionales, pero que presentan una extensión generalizada de aterosclerosis subclínica o una probabilidad alta de que la enfermedad progrese significativamente a corto plazo”.

Importancia de la detección precoz

Lo más habitual es que la enfermedad aterosclerótica se detecte en estadios avanzados, cuando ya ha provocado eventos clínicos como infarto de miocardio, accidente cerebrovascular u otros.

Además, el tratamiento de este tipo de patologías, cuando ya ha dado síntomas, resulta limitado ya que en un elevado porcentaje los individuos afectados ven disminuida su calidad de vida y, por otro lado, supone un elevado coste económico para el sistema sanitario. De ahí la relevancia de la detección precoz.

Referencia:

Fátima Sánchez-Cabo, Xavier Rossello, Valentín Fuster, Fernando Benito, Jose Pedro Manzano, Juan Carlos Silla, Juan Miguel Fernández-Alvira, Belén Oliva, Leticia Fernández-Friera, Beatriz López-Melgar, José María Mendiguren, Javier Sanz, Jose María Ordovás, Vicente Andrés, Antonio Fernández-Ortiz, Héctor Bueno, Borja Ibáñez, José Manuel García-Ruiz, Enrique Lara-Pezzi. Machine Learning Improves Cardiovascular Risk Definition for

 

 

Deja un comentario

Este sitio se reserva el derecho de la publicación de los comentarios. No se harán visibles aquellos que sean denigrantes, ofensivos, difamatorios, que estén fuera de contexto o atenten contra la dignidad de una persona o grupo social. Recomendamos brevedad en sus planteamientos.

*

code

...
Lic. Karen Magda Peña Rodríguez
Editora Principal | Licenciada en Bibliotecología e Información Científica.

Últimos Comentarios

© 2008 - 2024 Infomed Holguín - Centro Provincial de Información de Ciencias Médicas