Modelos de predicción del riesgo de insuficiencia cardíaca tras un infarto de miocardio
Una revisión sistemática realizada por investigadores que se desempeñan en la Universidad de Medicina China de Changchun, que estudió modelos de predicción del riesgo de insuficiencia cardíaca en pacientes que sufrieron un infarto agudo de miocardio, fue publicada en la edición del 25 de julio de 2025 de Medicina de Baltimore*, será hoy el tema de la NOTICIA DEL DÍA.
En la introducción a su trabajo, los autores señalaron que el infarto agudo de miocardio (IAM) es una enfermedad cardiovascular común.
En los últimos años, con la aplicación de la intervención coronaria percutánea (ICP), la dilatación aórtica con balón y la trombólisis, la tasa de mortalidad de los pacientes con IAM ha disminuido; sin embargo, algunos estudios han demostrado que la tasa de mortalidad de los pacientes con IAM es anormalmente alta después del alta, lo que puede deberse a la insuficiencia cardíaca (IC) causada por el IAM.
La IC postinfarto se define como la IC que se produce en pacientes con IAM durante la hospitalización o después del alta hospitalaria.
Según una encuesta, la incidencia de IC en pacientes con IAM durante la hospitalización varía del 14% al 36%, y dentro de 1 año después del alta, aproximadamente el 25% de los pacientes con IAM desarrollan IC.
Un estudio de cohorte prospectivo que incluyó a 4504 pacientes consecutivos con IAM y un tiempo de seguimiento medio de 1 año demostró que el 41,4% de ellos desarrollarían IC, con un riesgo elevado de muerte y un mal pronóstico.
Por lo tanto, aunque la tasa de éxito del rescate de pacientes con IAM ha aumentado drásticamente, la incidencia de IC después del IAM no ha disminuido significativamente, lo que da como resultado altas tasas de rehospitalización y mortalidad, y un mal pronóstico a largo plazo.
Los modelos de predicción de riesgo pueden predecir la aparición de IC después de un IAM, lo que, por un lado, puede ayudar a los profesionales de la salud a identificar grupos de alto riesgo y tomar a tiempo medidas de protección adecuadas para los pacientes.
Por otro lado, pueden hacer que los pacientes y sus familias tengan claridad sobre sus propias condiciones y tengan un cierto sentido de autoprotección.
En los últimos años, los modelos de predicción de IC después de un IAM han aparecido uno tras otro, y muchos factores, como la edad, los vasos enfermos múltiples, la fracción de eyección, la insuficiencia renal y los factores inflamatorios, pueden usarse como factores predictivos.
Sin embargo, no se han realizado estudios para evaluar sistemáticamente diferentes modelos de predicción, y aún no se conocen el rendimiento predictivo y la eficacia de estos modelos.
Por lo tanto, este estudio evaluó sistemáticamente los modelos de predicción de riesgo de IC después de un IAM y evaluó el rendimiento de predicción y el efecto de diferentes modelos de predicción con el objetivo de proporcionar una base de referencia para la práctica clínica y la investigación científica.
Reiterando lo dicho para resumir, este estudio tuvo como objetivo evaluar sistemáticamente el modelo de predicción de riesgo de insuficiencia cardíaca después de un infarto de miocardio, evaluar su desempeño y efecto de predicción y proporcionar una base de referencia para la práctica clínica y la investigación científica.
Se realizaron búsquedas computarizadas en CNKI, WanFang Data, China Science and Technology Journal Database (VIP), China Biology Medicine Database, PubMed, Web of Science, Cochrane Library, Embase y otras bases de datos para recuperar todos los estudios sobre modelos de predicción de riesgo de insuficiencia cardíaca después de un infarto de miocardio desde el momento de la construcción de la biblioteca hasta el 1 de junio de 2023.
Dos investigadores examinaron de forma independiente la literatura, extrajeron la información y evaluaron el riesgo de sesgo en los estudios incluidos.
Se incluyeron un total de 28 estudios, de los cuales 25 fueron retrospectivos y 3 prospectivos, todos realizados en China y en pacientes con infarto agudo de miocardio.
Veintidós estudios se modelaron mediante regresión logística, 5 estudios se modelaron mediante regresión de Cox y 1 estudio se modeló mediante regresión de subconjunto completo.
Veintiocho estudios tuvieron un área bajo la curva característica de trabajo de los sujetos o una estadística C entre 0,6 y 0,9, y solo 2 estudios se dividieron en grupos de modelado y validación para su auditoría externa.
Los predictores más comunes en los modelos predictivos fueron la edad, la puntuación de Gensini, el nivel de proteína C reactiva ultrasensible, múltiples vasos enfermos, la fracción de eyección del ventrículo izquierdo y la puntuación GRACE, entre otros.
La puntuación de Gensini es una herramienta para evaluar la gravedad de la enfermedad arterial coronaria (EAC) mediante angiografía.
Se calcula asignando valores a las estenosis (estrechamientos) de las arterias coronarias según su ubicación y grado de obstrucción, y luego sumando estos valores para obtener una puntuación total.
Una puntuación más alta indica una enfermedad más grave.
La heterogeneidad y el riesgo de sesgo fueron altos en los modelos de predicción, con un riesgo de sesgo alto en 26 modelos e incierto en 2.
Catorce de los 28 modelos tuvieron una alta aplicabilidad general.
Al discutir los hallazgos señalados, los autores afirmaron que en los últimos años, ha habido un auge en la investigación sobre modelos predictivos y de diagnóstico, y ha habido un creciente interés en la construcción y el uso de modelos.
Los proveedores de atención médica y los formuladores de políticas recomiendan cada vez más el uso de modelos predictivos en las guías de práctica clínica, lo que proporciona cierto valor de referencia para los médicos.
A través de esta revisión sistemática, los autores chinos encontraron que los modelos de predicción de riesgo para IC después de IAM generalmente tienen cierta eficacia predictiva.
Los valores de AUC que oscilan entre 0,631 y 0,985 indican que los modelos tienen una buena capacidad discriminatoria.
Sin embargo, también existen problemas como la alta heterogeneidad de los modelos, el alto riesgo de sesgo y la validación externa insuficiente.
Esta evaluación sistemática incluyó 28 estudios sobre modelos de predicción del riesgo de IC tras un IAM, realizados principalmente en pacientes con IAM.
El AUC de los modelos validados internamente en los 28 estudios osciló entre 0,631 y 0,985, lo que indicó que el rendimiento predictivo general de los modelos fue mejor y que pudieron identificar a los pacientes con alto riesgo de IC tras un IAM en una etapa temprana.
Sin embargo, 26 estudios se clasificaron como de alto riesgo de sesgo y 2 estudios se clasificaron como poco claros; por lo tanto, es necesario explorar más a fondo su aplicabilidad clínica.
En términos de métodos de modelado, la mayoría de los estudios utilizaron regresión logística o métodos de regresión de Cox, y 5 estudios tuvieron un AUC de predictor individual entre 0,6 y 0,7, 4 estudios tuvieron un AUC mayor que 0,9, y todo el resto de los modelos tuvieron un AUC mayor que 0,7, lo que sugiere que la eficacia predictiva general de los modelos estuvo bien diferenciada con alta precisión.
Solo 2 de 28 estudios fueron validados externamente, y solo el 90% de los modelos fueron desarrollados, lo que afecta su mayor difusión y aplicación en la clínica en el futuro.
Los resultados de este estudio mostraron que la edad, la puntuación de Gensini, la PCR ultrasensible, los vasos enfermos múltiples, la fracción de eyección del ventrículo izquierdo y la puntuación GRACE fueron los predictores comunes en el modelo de predicción del riesgo de IC después del IAM.
La edad, como predictor común, puede reflejar la tendencia a que, con el aumento de la edad, la función cardíaca se deteriore gradualmente y aumente el riesgo acumulado de enfermedades cardiovasculares.
Los médicos deben priorizar la evaluación y el manejo del riesgo de IC en pacientes mayores con IAM y tomar medidas de intervención oportunas.
Asimismo, se recuerda a los médicos la importancia de monitorear estrechamente los indicadores físicos y químicos de los pacientes, determinar la ubicación y el número de vasos sanguíneos enfermos y realizar con prontitud las puntuaciones de Gensini y GRACE para determinar el riesgo de desarrollar IC.
Se deben tomar las medidas terapéuticas adecuadas para prevenir la aparición de IC.
La mayoría de los estudios se realizaron en todos los pacientes con IAM, pero algunos se realizaron en subconjuntos como pacientes con IAM con elevación del segmento ST, pacientes ancianos con IAM y pacientes con IAM con manifestaciones de VRM (ventricular remodeling) en la ecografía cardíaca, lo que puede hacer que el tamaño de la muestra de la inclusión sea incompleto y tenga cierto impacto en el modelo de predicción.
En segundo lugar, aunque este estudio estableció la métrica de resultado como la ocurrencia de FA, hubo estudios con diferentes tiempos de seguimiento (6, 12, 24, 36 y 60 meses), lo que afectó el modelo predictivo y lo hizo heterogéneo.
Los estudios futuros deben unificar la población de estudio y estandarizar los indicadores de resultado para minimizar la heterogeneidad.
Además, los modelos incluidos en este estudio se dividen en modelos univariados y multivariados, lo que está determinado principalmente por los diferentes propósitos de la investigación.
El modelo univariado solo pretende explorar el impacto de una sola variable en la incidencia de IC después de un IAM.
Sin embargo, el modelo multivariado está diseñado principalmente para explorar todos los factores posibles que influyen en la incidencia de IC después de un IAM.
Dos métricas comúnmente utilizadas para evaluar el rendimiento de los modelos de predicción son la discriminación y la calibración.
La discriminación se refiere a la capacidad de un modelo de predicción para discriminar entre eventos de resultados y generalmente se expresa como AUC, que varía de 0,5 a 1.
Cuanto mayor sea el valor, mejor será la capacidad discriminatoria.
El AUC está estrechamente relacionado con el diseño del estudio, las diferencias en la población del estudio, etc., y por lo tanto puede variar ampliamente entre los estudios
La calibración se refiere a la precisión del modelo de predicción para predecir el riesgo de un resultado y refleja la consistencia entre los resultados predichos y reales.
En este estudio, solo Fei et al y Li et al utilizaron la prueba de Hosmer-Lemeshow para evaluar la calibración del modelo, y los valores P fueron mayores de .05, lo que indica que el modelo predijo el riesgo del resultado con buena precisión, que no fue significativamente diferente del valor real.
El resto de los estudios no evaluaron la calibración y no fue posible juzgar la precisión del modelo para predecir el riesgo del resultado; por lo tanto, se debe tener precaución al promover el uso del modelo.
Se requiere precaución para promover esta aplicación.
Los valores de AUC en este estudio fueron todos mayores de 0,6, lo que sugiere que estos modelos tenían buenas propiedades discriminatorias.
Aunque el valor de AUC de la investigación de Zhang es 0,985, lo que indica que el modelo se desempeña sobresalientemente para distinguir entre pacientes con y sin IC, también puede implicar que existen problemas como sobreajuste o anomalías de datos en el modelo.
En aplicaciones clínicas, dichos modelos pueden ajustarse demasiado bien a los datos de entrenamiento y su capacidad de generalización en nuevas muestras debe verificarse más a fondo.
Los modelos predictivos deben validarse en poblaciones externas antes de que puedan usarse clínicamente.
De los 28 modelos de predicción incluidos en este estudio, solo los estudios de Fei et al. y Li et al., divididos en un grupo de modelado y un grupo de validación, validaron externamente los modelos.
Los resultados indicaron que los modelos de predicción predecían mejor y con mayor precisión.
Los modelos predictivos deben intentar elegir estudios de cohorte prospectivos al diseñarlos para que la medición de predictores y resultados sea más precisa y confiable, lo que facilitará su futura promoción y aplicación.
En este estudio, se utilizaron principalmente estudios de cohorte retrospectivos, y los datos obtenidos fueron propensos a sesgos, lo que hizo imposible juzgar la precisión de la información y afectó la confiabilidad del modelo.
Zhang, Li et al, y Xin et al utilizaron estudios de cohorte prospectivos, lo que en cierta medida aumentó la confiabilidad del modelo.
En segundo lugar, el tamaño de la muestra de muchos estudios fue pequeño y los resultados obtenidos estarán sesgados, lo que lleva a la baja calidad general del modelo.
Un tamaño de muestra suficiente puede hacer que la información obtenida sea más realista y confiable.
Además, al procesar y analizar los datos, no se mencionó el tratamiento de los datos faltantes, ni el tratamiento de los problemas complejos en los datos, y la investigación futura debe centrarse en estos puntos.
La IC es una complicación común en pacientes con IAM que afecta seriamente su calidad de vida y pronóstico a largo plazo.
La aparición de IC después del IAM se puede evitar hasta cierto punto utilizando predictores.
Los resultados de este estudio muestran que el modelo de predicción construido por Zhang Jiajia, Wang Yating, Sun Runmin, Li Wenling y otros tiene alta precisión y buen efecto de predicción, y los predictores utilizados en su modelo, incluyendo la puntuación GRACE, la fracción de eyección del ventrículo izquierdo y la edad, son más comunes y fáciles de obtener y usar, lo que puede ayudar mejor a los médicos a identificar a los pacientes de alto riesgo lo antes posible y tomar las medidas adecuadas para hacerles frente.
Sin embargo, vale la pena señalar que en este estudio, la puntuación GRACE, la fracción de eyección del ventrículo izquierdo, la edad y otros predictores fueron comunes y fácilmente disponibles.
Sin embargo, vale la pena señalar que la mayoría de los modelos de predicción construidos en la literatura son de baja calidad y heterogéneos.
Los estudios futuros deben seguir estrictamente las especificaciones de informes TRIPOD para mejorar la calidad de los modelos proporcionando descripciones objetivas en 22 aspectos, incluidos el título y el resumen, el prefacio, los métodos, los resultados, el análisis estadístico y la discusión.
Las limitaciones de este estudio radican principalmente en los siguientes aspectos.
En primer lugar, todos los estudios incluidos se realizaron en China, por lo que los resultados deben considerarse con cautela al generalizarlos a otras regiones.
En segundo lugar, el tabaquismo es un factor de riesgo común de enfermedad cardiovascular, y no se recopilaron datos relacionados con el tabaquismo en ninguno de los 28 estudios.
Esto podría haber influido en los hallazgos, por lo que los estudios futuros deberían centrarse en estos factores durante la recopilación de datos.
En tercer lugar, debido a la alta heterogeneidad de los estudios, no se realizó un metaanálisis de los resultados de los diferentes estudios.
En cuarto lugar, la gran mayoría de los modelos solo se desarrollaron y carecían de validación externa.
En quinto lugar, este estudio consideró la aparición de IC como evento desenlace y excluyó los modelos de predicción con eventos de variables finales compuestas, como muerte y reingreso, lo que podría llevar a la exclusión de estudios de alta calidad.
Dado que la mayoría de la literatura incluida adoptó estudios de cohorte retrospectivos y la heterogeneidad significativa entre los estudios, esto ha limitado, en cierta medida, la evaluación exhaustiva de la precisión de los modelos de predicción en este estudio.
En resumen, los resultados de este estudio sugieren que la eficacia predictiva del modelo de predicción del riesgo de IC post-IM es, en general, buena, y que la edad, la puntuación de Gensini, la PCR ultrasensible y la presencia de múltiples vasos sanguíneos enfermos son predictores comunes de dicho modelo.
Sin embargo, la calidad del modelo debe mejorarse debido a la gran heterogeneidad en los diferentes estudios, el alto riesgo de sesgo y la falta de datos externos para validarlo, lo que dificulta en cierta medida su popularización en aplicaciones clínicas.
En futuras investigaciones, se deben priorizar los diseños de estudios de cohorte prospectivos para medir con mayor precisión los predictores y los resultados, y reducir el riesgo de sesgo.
Asimismo, aumentar el tamaño de la muestra puede contribuir a mejorar la estabilidad y la fiabilidad de los modelos, permitiéndoles reflejar mejor las características de la población objetivo.
Es fundamental adherirse estrictamente a las directrices de informes TRIPOD para mejorar la calidad de los modelos de predicción del riesgo de IC post-IAM.
Mediante la construcción de modelos de predicción con excelente rendimiento, alta aplicabilidad y buena generalización, se puede ayudar a los profesionales sanitarios a identificar la aparición de IC post-IAM en una etapa temprana.
En última instancia, esto mejorará la calidad de vida de los pacientes con IAM y mejorará su pronóstico a largo plazo.
* Shang H, Wang J, Cong Y, Chen H, Cui Y, Guo J. Risk prediction models for heart failure after myocardial infarction: A systematic review. Medicine (Baltimore). 2025 Jul 25;104(30):e43480. doi: 10.1097/MD.0000000000043480. PMID: 40725875; PMCID: PMC12303465.
