¿Se puede predecir mejor el riesgo de accidente cerebrovascular en pacientes con fibrilación auricular?
La fibrilación auricular afecta a más de 58 millones de personas en el mundo y aumenta fuertemente el riesgo de accidente cerebrovascular. Sin embargo, las herramientas actuales para evaluar este riesgo, como las puntuaciones clásicas, siguen siendo poco precisas y no tienen en cuenta las interacciones complejas entre los diferentes factores de salud de los pacientes.
Un equipo de investigadores ha desarrollado nuevos modelos de inteligencia artificial capaces de predecir el riesgo de accidente cerebrovascular en un año en pacientes que acaban de recibir un diagnóstico de fibrilación auricular. Estos modelos utilizan únicamente información fácilmente disponible: la edad, los antecedentes médicos y los medicamentos que toma el paciente. A diferencia de los métodos tradicionales, estas herramientas analizan las relaciones sutiles entre estos elementos para ofrecer una estimación personalizada y más fiable.
Los resultados son convincentes. Los dos modelos probados, uno basado en un enfoque estadístico clásico y el otro en una técnica avanzada de aprendizaje automático, han demostrado una capacidad para distinguir a los pacientes en riesgo con una precisión muy superior a los métodos existentes. Su rendimiento ha sido validado en grupos variados de pacientes, confirmando su fiabilidad en diferentes contextos clínicos. Además, estos modelos permiten ajustar los umbrales de riesgo según las necesidades individuales, lo que es particularmente útil para los pacientes mayores o con varios problemas de salud.
Otra ventaja importante es su facilidad de uso. No requieren análisis de sangre ni pruebas de imagen, que a menudo no están disponibles en el momento del diagnóstico. Esto los hace accesibles en la práctica diaria de los hospitales. Los investigadores también han verificado que estas herramientas funcionan igual de bien para hombres que para mujeres, evitando así los sesgos relacionados con el sexo.
A largo plazo, estos modelos también ayudan a identificar a los pacientes que más se beneficiarían de un tratamiento anticoagulante. Los datos muestran que los pacientes clasificados como de alto riesgo por estas herramientas ven reducido significativamente su riesgo de accidente cerebrovascular si toman estos medicamentos, a diferencia de aquellos identificados por los métodos tradicionales.
Este avance abre el camino a una medicina más personalizada. Los médicos podrían pronto basarse en estas predicciones para adaptar los tratamientos según el perfil único de cada paciente, reduciendo así el número de accidentes cerebrovasculares evitables y mejorando el manejo de la fibrilación auricular.
Sources et crédits
Étude source
DOI : https://doi.org/10.1038/s41746-026-02470-3
Titre : Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation
Revue : npj Digital Medicine
Éditeur : Springer Science and Business Media LLC
Auteurs : Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai