La insuficiencia cardíaca es un concepto genérico que se emplea cuando el corazón no puede bombear la sangre por el organismo de manera adecuada. Las formas actuales de clasificar la insuficiencia cardíaca no predicen con precisión las probabilidades de progresión de la enfermedad.

Para el estudio, publicado en ´Lancet Digital Health´, los investigadores analizaron datos anónimos detallados de más de 300 000 personas de 30 años o más que fueron diagnosticadas con insuficiencia cardíaca en el Reino Unido durante un lapso de 20 años.

A partir de varios métodos de aprendizaje automático, los investigadores identificaron cinco subtipos: inicio temprano, inicio tardío, relacionado con la fibrilación auricular (la fibrilación auricular es una afección que causa un ritmo cardíaco irregular), metabólico (vinculado a la obesidad pero con una baja tasa de enfermedad cardiovascular) y cardiometabólico. (relacionado con la obesidad y las enfermedades cardiovasculares).

Los investigadores encontraron diferencias entre los subtipos en el riesgo de muerte de los pacientes en el año posterior al diagnóstico. Los riesgos de mortalidad por todas las causas al año fueron: aparición temprana (20 %), aparición tardía (46 %), relacionada con la fibrilación auricular (61 %), metabólica (11 %) y cardiometabólica (37 %).

Los subtipos se establecieron sobre la base de 87 (de 635 posibles) factores que incluyen la edad, los síntomas, la presencia de otras afecciones, los medicamentos que estaba tomando el paciente y los resultados de las pruebas (p. ej., de la presión arterial) y evaluaciones (p. ej., , de la función renal).

Mejorar las predicciones

El equipo de investigación también desarrolló una aplicación que los médicos podrían usar para determinar qué subtipo tiene una persona con insuficiencia cardíaca, lo que podría mejorar las predicciones de riesgo futuro e informar las conversaciones con los pacientes.

La autora principal, la profesora Amitava Banerjee, del Instituto de Informática de la Salud de UCL) indicó que "buscamos mejorar la forma en que clasificamos la insuficiencia cardíaca, con el objetivo de comprender mejor el curso probable de la enfermedad y comunicárselo a los pacientes. Actualmente, es difícil predecir cómo progresa la enfermedad para pacientes individuales. Algunas personas permanecerán estables durante muchos años, mientras que otras empeorarán rápidamente. Una mejor distinción entre los tipos de insuficiencia cardíaca también puede conducir a tratamientos más específicos y puede ayudarnos a pensar de una manera diferente sobre las posibles terapias. En este nuevo estudio, identificamos cinco subtipos utilizando múltiples métodos de aprendizaje automático y múltiples conjuntos de datos".

Para evitar el sesgo de un solo método de aprendizaje automático, los investigadores utilizaron cuatro métodos separados para agrupar los casos de insuficiencia cardíaca. Aplicaron estos métodos a los datos de dos grandes conjuntos de datos de atención primaria del Reino Unido, que eran representativos de la población del Reino Unido en su conjunto y también estaban vinculados a los ingresos hospitalarios y los registros de defunción. (Los conjuntos de datos fueron Clinical Practice Research Datalink (CPRD) y The Health Improvement Network (THIN), que cubren los años 1998 a 2018).

El equipo de investigación entrenó las herramientas de aprendizaje automático en segmentos de los datos y, una vez que seleccionaron los subtipos más sólidos, validaron estas agrupaciones utilizando un conjunto de datos separado.

El equipo también analizó los datos genéticos de 9573 personas con insuficiencia cardíaca del estudio UK Biobank. Encontraron un vínculo entre subtipos particulares de insuficiencia cardíaca y puntajes de riesgo poligénico más altos (puntajes de riesgo general debido a los genes en su conjunto) para afecciones como la hipertensión y la fibrilación auricular

El próximo paso a dar es ver si esta forma de clasificar la insuficiencia cardíaca puede marcar una diferencia práctica para los pacientes, si mejora las predicciones de riesgo y la calidad de la información que brindan los médicos, y si cambia el tratamiento de los pacientes. "También necesitamos saber si sería rentable. La aplicación que hemos diseñado necesita ser evaluada en un ensayo clínico o investigación adicional, pero podría ayudar en la atención de rutina", concluyó la prof Amitava Banerjee

.