Problema 2804
Las herramientas de predicción del riesgo de accidente cerebrovascular están destinadas a guiar la forma en que los médicos abordan una afección potencialmente mortal, utilizando factores como enfermedades cardíacas y presión arterial alta para controlar qué pacientes podrían beneficiarse de un tratamiento en particular.
Durante años, los médicos han utilizado varios algoritmos diferentes para tratar de capturar el verdadero riesgo de accidente cerebrovascular, incluidos modelos más nuevos que utilizan el aprendizaje automático. Un nuevo análisis, dirigido por investigadores de la Facultad de Medicina de la Universidad de Duke, comparó varios de esos algoritmos de forma directa y descubrió que los nuevos modelos de aprendizaje automático no eran mucho más precisos para predecir el riesgo de accidente cerebrovascular que los algoritmos más simples basados en la autoevaluación. -Factores de riesgo informados y una metodología más antigua. De manera alarmante, el estudio también encontró que todos los algoritmos eran peores para estratificar el riesgo para hombres y mujeres negros que para los blancos.
"Obtuvimos el resultado impactante, para mí, impactante, de que la medida de la discriminación, la capacidad de clasificarlos, fue mucho mejor... para los participantes blancos que para los participantes negros", dijo Michael Pencina, director de Duke AI Health y uno de los los investigadores principales del estudio.
Los investigadores compararon dos modelos desarrollados anteriormente para determinar si un paciente tiene un riesgo alto o bajo de sufrir un accidente cerebrovascular, así como un tercero que estima las tasas de riesgo de 10 años de eventos como ataques cardíacos y accidentes cerebrovasculares, para ver qué tan bien funcionó específicamente. en la predicción de golpes.
Una vez que reunieron todos los datos en los que se basaron esos modelos, dijo Pencina, los investigadores se preguntaron: "¿Qué pasa si desarrollamos sofisticados algoritmos de aprendizaje automático sobre los datos que tenemos?".
Entonces, los investigadores desarrollaron dos modelos de aprendizaje automático que utilizaron datos de múltiples estudios de cohortes basados en EE. UU. que se habían utilizado para desarrollar los algoritmos existentes. Luego, validaron los modelos utilizando datos de otro estudio de cohorte que se ha utilizado en la investigación de accidentes cerebrovasculares. Dadas las limitaciones de los conjuntos de datos con los que tenían que trabajar, los investigadores decidieron observar específicamente qué tan precisos eran los modelos para predecir el riesgo de accidente cerebrovascular en adultos blancos y adultos negros, que tienen un riesgo de accidente cerebrovascular aproximadamente un 50% mayor que sus pares blancos. Los pacientes que se autoidentificaron como negros representaron el 29 % del conjunto de datos total utilizado para analizar el rendimiento de los modelos. Todos los pacientes tenían 45 años o más y nunca habían sufrido un accidente cerebrovascular ni un bloqueo temporal del flujo sanguíneo al cerebro.
Luego, los investigadores examinaron cómo los modelos se desempeñaron en la clasificación de riesgo, u ordenaron a los pacientes según su riesgo de accidente cerebrovascular. A pesar del potencial de los modelos de aprendizaje automático, les fue relativamente mal.
"Puedo bromear diciendo que es casi como Chat GPT, realmente es el mejor método", dijo Pencina, comparando los nuevos modelos de aprendizaje automático con la nueva tecnología. "Y... no pasó nada. No pudieron ayudarnos. No mejoró el rendimiento. No redujo el sesgo".
Con todos los modelos, la precisión fue peor para los hombres y mujeres negros que para sus pares blancos. Eso significa que los afroamericanos, que tienen una probabilidad mucho mayor de sufrir un derrame cerebral, también tienen menos probabilidades de obtener una predicción precisa de su riesgo de derrame cerebral. En la práctica, eso podría llevar a que los pacientes negros obtengan menos recursos para la prevención y el tratamiento del accidente cerebrovascular, incluso cuando tienen un mayor riesgo, o una intervención innecesaria para aquellos con bajo riesgo.
Uno de los algoritmos más simples, que usaba datos autoinformados, funcionó un poco mejor al no sobrestimar o subestimar el riesgo. Este hallazgo le da a Pencina la esperanza de que los algoritmos simples, junto con mejores datos, incluidos los determinantes sociales de la salud, ayudarán a desarrollar evaluaciones de riesgo de accidente cerebrovascular más equitativas.
Alonso Alvaro, profesor de epidemiología en la Escuela de Salud Pública Rollins de la Universidad de Emory, señaló que uno de los problemas con estos modelos es que la mayoría de la población de los estudios es blanca, lo que puede sesgar su desempeño en otras poblaciones.
"Entonces, al final, a pesar de que tiene un puntaje de riesgo que se derivó en una población que tiene personas de múltiples orígenes raciales, está sobrevalorado para que sea más útil para las personas que son de raza blanca", dijo Álvaro.
Chere Gregory, directora médica de neurociencias del Centro Médico Forsyth con sede en Winston-Salem, también señaló que, dado que la raza es una construcción social, "cualquier modelo médico o algoritmo que utilice la raza como variable con frecuencia no podrá predecir adecuadamente los resultados". ."
Para Pencina, el problema no es cuán avanzada es la tecnología de predicción de accidentes cerebrovasculares, sino los conjuntos de datos en sí, que no incluyen información sobre factores de riesgo de accidentes cerebrovasculares como [estrés crónico](https://www.statnews.com/2023/ 02/01/brain-scans-reveal-dispared-impact-of-poverty-toxic-stress-on-black-children/) y determinantes sociales de la salud.
Los expertos señalaron la literatura que muestra que la aplicación de algoritmos de aprendizaje automático a los datos epidemiológicos tradicionales genera resultados similares (sesgos y todo) si la información disponible del paciente no ha cambiado.
"El algoritmo solo puede predecir tanto como los datos que recibe, por lo que no sorprende que no prediga con precisión el riesgo en las comunidades de color. Necesitamos un conjunto de datos que sea más completo que incluya variables desde el sesgo estructural hasta la discriminación y la contaminación del vecindario". ", dijo Bernadette Boden-Albala, directora del Programa de Salud Pública de UC Irvine, a STAT en un correo electrónico.
James Meschia, profesor de neurología en la Clínica Mayo que se especializa en accidentes cerebrovasculares, dijo que tiene la esperanza de que más investigaciones puedan analizar estos factores de riesgo no biológicos. Pero, añadió, el desafío es cómo establecer si existe una correlación directa entre los factores y el ACV y, de ser así, qué impacto tienen esos factores. Esas advertencias pueden hacer que sea más difícil incorporar con precisión dichos factores en un cálculo que, de lo contrario, incluye principalmente mediciones biológicas objetivas.
Si bien los expertos elogiaron la ejecución del estudio de Duke y la gran población de pacientes en los que probó los modelos, dijeron que será crucial para futuros estudios lidiar con una mejor predicción de accidentes cerebrovasculares.
"Podría usar calculadoras de riesgo para informar a los pacientes que, 'ya sabe, de la forma en que lo hace, su riesgo es x, digamos 7 % [durante 10 años],... Si [tratamos] estos factores, podemos reducirlo al 5 %'", dijo, aunque señaló que también podía verlo fracasar, y los pacientes decían: "¡¿Solo el 7 % en 10 años?! Bueno, diablos, no estoy haciendo nada". [como dejar de fumar o hacer ejercicio]".
Pencina sugirió que los registros de salud electrónicos y la asociación con organizaciones de servicios comunitarios en el terreno podrían ayudar a recopilar una gama más diversa de datos para una mejor predicción del riesgo de accidente cerebrovascular en las personas negras.
Dijo que el objetivo final es intervenir y ayudar a los pacientes con mayor riesgo antes de que sufran un derrame cerebral. Él sabe de primera mano lo valioso que podría ser, ya que perdió a sus dos abuelos cuando aún eran jóvenes, después de que lucharon por obtener atención médica para enfermedades cardiovasculares en Polonia.
"La noción de prevención realmente me impactó, porque tuve la sensación de que estas enfermedades podrían haberse prevenido", dijo, con educación, atención adecuada y predicción de riesgos.