Valor incremental de la variabilidad de los factores de riesgo para la predicción del riesgo cardiovascular en personas con diabetes tipo 2*.
Médicos del Remo Unido, utilizando resultados de registros médicos electrónicos de atención primaria de su país analizaron el valor incremental de la variabilidad de los factores de riesgo para la predicción del riesgo cardiovascular en personas con diabetes tipo 2*.
La prevalencia de comorbilidades entre las personas con diabetes tipo 2 está aumentando en el Reino Unido y en todo el mundo, y presenta desafíos para el control efectivo de la diabetes.
La enfermedad cardiovascular (ECV) es una causa importante de muerte o discapacidad entre las personas con diabetes tipo 2 y los adultos con diabetes tipo 2 tienen un riesgo dos veces mayor de desarrollar ECV, independientemente de otros factores de riesgo de ECV establecidos.
Identificar a las personas con mayor riesgo de ECV en etapas tempranas es fundamental para la prevención de la ocurrencia de peor evolución o la ocurrencia de eventos.
Además, la evaluación del riesgo de ECV es importante para orientar la intensificación de las intervenciones y establecer objetivos de tratamiento para la presión arterial, los lípidos y la glucosa en personas con diabetes tipo 2.
Con este fin, se han desarrollado modelos de predicción del riesgo de ECV específicos para personas con diabetes tipo 2 y recomendados para uso clínico en varias guías nacionales.
Sin embargo, la mayoría de los modelos usan mediciones únicas de predictores de riesgo y solo unos pocos [p. the United Kingdom Prospective Diabetes Study (UKPDS) incorporan medidas repetidas mediante el uso de medios.
Además, una mayor variabilidad en los factores de riesgo [p. presión arterial sistólica (PAS), colesterol, hemoglobina glucosilada (HbA1c)] se asocia con un mayor riesgo de ECV, independientemente de los factores en sí, y pueden considerarse componentes adicionales en los modelos de evaluación de riesgos.
Es necesario investigar las ganancias potenciales del uso de la variabilidad de los factores de riesgo en los datos longitudinales para la predicción del riesgo de ECV entre las personas con diabetes tipo 2.
Los beneficios del uso de registros de salud electrónicos (EHR, por sus siglas en inglés) para la evaluación del riesgo de ECV y las subsiguientes decisiones personalizadas de atención médica son bien reconocidos.
Dichos beneficios pueden ser mayores entre la población con diabetes debido a la mayor frecuencia de las evaluaciones de salud de rutina que en la población general.
Por lo tanto, el objetivo de este estudio fue evaluar si la utilización de la variabilidad dentro de la persona de los predictores medidos repetidamente de una gran base de datos de EHR representativa de la población podría proporcionar un valor adicional a la predicción del riesgo de ECV entre las personas con diabetes tipo 2 en comparación con los modelos estándar.
Los modelos de predicción del riesgo de enfermedades cardiovasculares (ECV) para personas con diabetes tipo 2 son herramientas importantes para guiar la intensificación de las intervenciones para la prevención de las ECV.
El objetivo propuesto fue evaluar el valor agregado de incorporar la variabilidad de los factores de riesgo en la predicción del riesgo de ECV para las personas con diabetes tipo 2.
Se utilizaron datos de registros de salud electrónicos (EHR, por sus siglas en inglés) de 83 910 adultos con diabetes tipo 2 pero sin enfermedades cardiovasculares preexistentes del enlace de datos de investigación de práctica clínica del Reino Unido para 2004–2017.
Utilizando un enfoque de modelado histórico, se desarrollaron y validaron modelos de Cox específicos para cada sexo, incorporando predictores y trayectorias convencionales más la variabilidad de la presión arterial sistólica (PAS), el colesterol total y de lipoproteínas de alta densidad (HDL) y la hemoglobina glucosilada (HbA1c).
Dichos modelos se compararon con modelos más simples utilizando los últimos valores o medias únicos observados.
Las desviaciones estándar (DE) de la PAS, el colesterol HDL y la HbA1c se asociaron con un mayor riesgo de ECV (P < 0,05).
Los modelos que incorporaron trayectorias y variabilidad de predictores continuos demostraron una mejora en la discriminación del riesgo (índice C (concordancia) = 0,659, IC del 95 %: 0,654–0,663) en comparación con el uso de los últimos valores observados (índice C = 0,651, IC del 95 %: 0,646–0,656) o medias (índice C = 0,650, IC 95%: 0,645-0,655).
La inclusión de las DE de la PAS produjo la mayor mejora en la discriminación (aumento del índice C = 0,005, IC del 95 %: 0,004–0,007) en comparación con la incorporación de las DE del colesterol total (aumento del índice C = 0,002, IC del 95 %: 0,000–0,003 ), HbA1c (aumento del índice C = 0,002, IC del 95 %: 0,000–0,003) o colesterol HDL (aumento del índice C = 0,003, IC del 95 %: 0,002–0,005).
Como conclusión, la incorporación de la variabilidad de los predictores de los EHR proporciona una mejora modesta en la discriminación del riesgo de ECV para las personas con diabetes tipo 2. Dado que las medidas repetidas están fácilmente disponibles en los EHR, especialmente para pacientes con diabetes monitoreados regularmente, esta mejora podría lograrse fácilmente.
Hasta donde se sabe, este fue el primer estudio que investigó y comparó metodologías que incorporpnn mediciones longitudinales de múltiples predictores de riesgo juntos, especialmente la inclusión de HbA1c y sus desviaciones standard en la predicción del riesgo de ECV para personas con diabetes tipo 2.
El beneficio adicional en la mejora discriminativa del modelo puede ayudar a guiar mejor la implementación de intervenciones terapéuticas intensivas para pacientes con diabetes tipo 2 con mayor riesgo de ECV.
Tal aumento de la capacidad predictiva también puede ser informativo para establecer objetivos de tratamiento en serie de control de la presión arterial, los lípidos y la glucosa en función de los niveles de riesgo de ECV para ayudar a controlar la diabetes.
El uso de datos de EHR representativos nacionales, el gran tamaño de la muestra, la gran cantidad de eventos de ECV y el largo período de seguimiento mejoraron aún más la confiabilidad de los resultados del estudio para la predicción del riesgo de ECV a 10 años.
Además, el marco histórico optimizó el uso de mediciones repetidas de predictores de riesgo por edad y permitió la estimación de niveles de predictores de riesgo variables según la edad.
Sin embardo, este estudio también tuvo varias limitaciones potenciales.
En primer lugar, los modelos de Cox se derivaron entre aquellos con datos completos sobre predictores de riesgo para realizar comparaciones directas sobre el uso de mediciones repetidas con los últimos valores observados únicos o valores medios de factores de riesgo y evaluar el valor agregado de la variabilidad dentro de la persona.
Esto puede restringir la generalización de los resultados a personas con valores faltantes, que también pueden tener características diferentes (por ejemplo, es más probable que las personas más jóvenes tengan valores faltantes).
Los resultados de estos análisis de sensibilidad del ajuste de los modelos multivariados de efectos mixtos a personas con al menos un valor observado de cualquier factor de riesgo (que representan el 90 % de todos los individuos y, por lo tanto, incluyen a aquellos con información de factor de riesgo mucho más escasa) mostraron un desempeño discriminatorio razonable.
Sin embargo, se necesita más trabajo para evaluar completamente el valor de la variabilidad dentro de la persona en estos individuos.
En segundo lugar, el modelo multivariado de efectos mixtos requería suposiciones adicionales (p. ej., distribución normal multivariada para predictores de riesgo) que simplemente usar los últimos valores o medias observados.
Sin embargo, tiene la ventaja de manejar valores faltantes que son comunes en los EHR y permite la extensión de estos métodos a una población más grande con información incompleta.
En tercer lugar, el índice C (índice de concordancia) general en estos análisis osciló entre 0,65 y 0,67, lo que no presenta una capacidad de discriminación destacada.
Un metaanálisis anterior de los modelos de predicción del riesgo de ECV desarrollados para personas con diabetes también demostró resultados similares con un índice C combinado de 0,67 (IC del 95 %: 0,66, 0,69).
La mala discriminación puede deberse en parte a que las personas con diabetes son más homogéneas con características compartidas para un mayor riesgo de ECV que la población general.
Por lo tanto, podría ser difícil lograr una alta discriminación. Esto subraya la necesidad de identificar e incorporar nuevos biomarcadores para pacientes con diabetes e investigar modelos de riesgo para el riesgo de eventos CVD recurrentes en esta población de «alto riesgo» en el trabajo de predicción futuro.
Como conclusiones los autores destacan que este estudio destacó el beneficio de utilizar información de mediciones anteriores longitudinales de PAS, colesterol y HbA1c para mejorar la predicción del riesgo de ECV y guiar la intensificación de las intervenciones terapéuticas para personas con diabetes tipo 2.
La incorporación de la variabilidad dentro de la persona de los predictores de riesgo proporciona una mejora moderada en la discriminación del riesgo de ECV para las personas con diabetes tipo 2.
Con la disponibilidad cada vez mayor y la mejora de la calidad de los datos de EHR recopilados de forma rutinaria, este enfoque puede ser fácil y eficiente de aplicar en función de los datos que ya existen en los EHR.
La información añadida de las mediciones longitudinales de predictores de riesgo se puede integrar en futuros modelos de predicción de riesgos y ayudar a mejorar la prevención de ECV y el control de la diabetes para la población con diabetes tipo 2.
* Xu Z, Arnold M, Sun L, Stevens D, Chung R, Ip S, Barrett J, Kaptoge S, Pennells L, Di Angelantonio E, Wood AM. Incremental value of risk factor variability for cardiovascular risk prediction in individuals with type 2 diabetes: results from UK primary care electronic health records. Int J Epidemiol. 2022 Dec 13;51(6):1813-1823. doi: 10.1093/ije/dyac140. PMID: 35776101; PMCID: PMC9749723.
