Machine learning para la estratificación del riesgo de ansiedad y depresión en pacientes con hipertensión y/o enfermedad coronaria

Qué problema aborda

La ansiedad y la depresión en pacientes con hipertensión y/o enfermedad coronaria son condiciones que se asocian con resultados adversos significativos. Sin embargo, existe una carencia de herramientas objetivas para la estratificación del riesgo en esta población, lo que dificulta la identificación y el manejo adecuado de estos trastornos.

Qué hicieron los autores

Los autores desarrollaron ocho modelos de machine learning (ML) para evaluar la factibilidad de la estratificación del riesgo de ansiedad y depresión moderadas a severas en pacientes con hipertensión y/o enfermedad coronaria. Utilizaron datos del 2023 Psychology and Behavior Investigation of Chinese Residents (PBICR), un estudio transversal basado en autoinformes. Los pacientes fueron divididos aleatoriamente en conjuntos de entrenamiento (70%) y prueba (30%) para la validación interna. Se aplicó la regresión LASSO para seleccionar características relevantes para la construcción de los modelos.

Qué encontraron

La cohorte final incluyó a 4,006 pacientes elegibles, de los cuales 2,805 fueron asignados al conjunto de entrenamiento y 1,201 al de prueba. A partir de 43 características iniciales, se seleccionaron 15 predictores mediante regresión LASSO. El modelo de Random Forest (RF) mostró el mejor rendimiento en la discriminación del riesgo en el conjunto de entrenamiento (AUROC = 0.837) y mantuvo un rendimiento aceptable en el conjunto de prueba (AUROC = 0.838). Los análisis SHAP identificaron la salud familiar, la toma de riesgos y la calidad de vida como los correlatos más fuertes. Además, el análisis de curva de decisión (DCA) sugirió un beneficio neto en los umbrales de riesgo del 10 al 40%.

Limitaciones

El estudio tiene limitaciones significativas, ya que el modelo propuesto para la estratificación del riesgo es hipotético y no ha sido validado prospectivamente. Además, la falta de validación externa y el diseño basado en autoinformes limitan la aplicabilidad clínica de los hallazgos. Se requiere una validación prospectiva en cohortes independientes para confirmar la utilidad de los modelos desarrollados.

Lectura final

Este estudio representa un avance en la búsqueda de herramientas objetivas para la identificación de pacientes con riesgo de ansiedad y depresión en el contexto de enfermedades cardiovasculares. Aunque los resultados son prometedores, es esencial realizar más investigaciones para validar estos modelos antes de su aplicación clínica. La integración de la inteligencia artificial en la medicina podría ofrecer nuevas estrategias para mejorar la atención y el manejo de la salud mental en poblaciones vulnerables.