ARTÍCULO
ORIGINAL
Uso de IA en riesgo cardiovascular
USO DE HERRAMIENTAS DE IA PARA PREDECIR RIGIDEZ
ARTERIAL EN POBLACIONES CON FACTORES DE RIESGO CARDIOVASCULAR
USING
AI TOOLS TO PREDICT ARTERIAL STIFFNESS IN POPULATIONS WITH CARDIOVASCULAR RISK FACTORS
Cintia Galli1, Lucrecia Loprete2,
Gonzalo García3, Parag Chatterjee3, Leandro Cymberknop3,
Ricardo Armentano3, Alejandra Celenza4
1) Ingeniería Cardiovascular, Facultad Regional Buenos
Aires Universidad Tecnológica Nacional, Regional Buenos Aires, Argentina. Edad
Vascular Hospital Santojanni, CABA
2) Cesación tabáquica Hospital Santojanni, CABA.
3) Ingeniería Cardiovascular, Facultad Regional Buenos
Aires Universidad Tecnológica Nacional, Regional Buenos Aires, Argentina.
4) Consultorios externos Hospital Santojanni, CABA.
Recibido
en su forma original: 27 de febrero de 2025
En su
forma corregida: 07 de mayo de 2025
Aceptación
final: 11 de mayo de 2025
Cintia
Nora Galli
Ingeniería
Cardiovascular, Facultad Regional Buenos Aires Universidad Tecnológica
Nacional, Regional Buenos Aires, Argentina. Edad Vascular Hospital Santojanni,
Capital Federal, Argentina.
ORCID:
0000-0001-5954-4588
E-mail: cngalli@gmail.com
ABSTRACT
Introduction: Smoking is a well-established cardiovascular
risk factor that contributes to arterial stiffness, accelerating processes such
as atherosclerosis. Pulse wave velocity (PWV) is a noninvasive measure that
reflects vascular health and helps to detect subclinical damage. Objectives: To describe the
variables associated with PWV in the study population, evaluate its association
with smoking and ex-smoking, and use machine learning (ML) techniques to
identify complex associations not evident in conventional statistical analyses. Materials and Methods: A descriptive
cross-sectional study was conducted in the vascular age and smoking cessation
clinic of Santojanni Hospital. PWV was measured in 136 patients, analyzing
clinical and demographic variables, emphasizing current or past smoking
history. Results: PWV showed a
positive correlation mainly with age, chronic kidney disease (CKD), and
arterial hypertension (AH). Although no significant differences were found
between smokers and non-smokers initially, when excluding comorbidities such as
hypertension and CKD, smokers and ex-smokers were found to have significantly
higher PWV. The use of machine learning identified that, although hypertension
and CKD are important factors, the number of pack years and age influenced
arterial stiffness more. Conclusions: The study highlights
the detrimental effects of smoking on vascular health and the usefulness of PWV
in assessing cardiovascular risk. ML techniques allowed the identification of
complex interactions, revealing that smoking amplifies the impact of other risk
factors. Smoking cessation could improve PWV, reinforcing the importance of
continuous monitoring to prevent cardiovascular events.
Keywords: Arterial stiffness; chronic
kidney disease; smoking; machine learning
RESUMEN
Introducción: El tabaquismo es
un factor de riesgo cardiovascular bien establecido, que contribuye a la
rigidez arterial, acelerando procesos como la aterosclerosis. La velocidad de
onda de pulso (VOP) es una medida no invasiva que refleja la salud vascular y
es útil para detectar daños subclínicos. Objetivos: Describir las
variables asociadas a la VOP en la población estudiada, evaluar su asociación
con el tabaquismo y ex tabaquismo, y utilizar técnicas de aprendizaje
automático (AA) para identificar asociaciones complejas no evidentes en los
análisis estadísticos convencionales. Materiales y Métodos: Se realizó
un estudio descriptivo de corte transversal en el consultorio de edad vascular
y de cesación tabáquica del Hospital Santojanni. Se midió la VOP en 136
pacientes, analizando variables clínicas y demográficas, con énfasis en el
antecedente de tabaquismo actual o pasado. Resultados: La VOP mostró una
correlación positiva principalmente con la edad, la enfermedad renal crónica
(ERC) y la hipertensión arterial (HTA). Aunque no se encontraron diferencias
significativas entre fumadores y no fumadores inicialmente, al excluir
comorbilidades como HTA y ERC, se observó que los tabaquistas y ex tabaquistas
tenían una VOP significativamente mayor. El uso de aprendizaje automático
identificó que, aunque la HTA y la ERC son factores importantes, el número de
pack years y la edad influyeron más en la rigidez arterial. Conclusiones:
El estudio resalta los efectos perjudiciales del tabaquismo sobre la salud
vascular y la utilidad de la VOP para evaluar el riesgo cardiovascular. Las
técnicas de AA permitieron identificar interacciones complejas, revelando que
el tabaquismo amplifica el impacto de otros factores de riesgo. La cesación
tabáquica podría mejorarla VOP, reforzando la importancia de un monitoreo
continuo para prevenir eventos cardiovasculares.
Palabras clave: Rigidez arterial;
enfermedad renal crónica; tabaquismo; machine learning
INTRODUCCIÓN
El tabaquismo es uno de los principales factores de
riesgo cardiovascular (FRCV) a nivel global, y su impacto sobre el sistema
vascular ha sido ampliamente documentado (1). El consumo de tabaco
genera múltiples alteraciones en la pared arterial, resultando en una pérdida
progresiva de elasticidad y un incremento en la rigidez arterial. Este proceso
contribuye al desarrollo y aceleración de la aterosclerosis, afectando la
capacidad de las arterias para distenderse y contraerse con cada latido
cardíaco. La rigidez arterial incrementa la resistencia periférica, elevando la
presión arterial y generando una mayor sobrecarga cardíaca, predisponiendo a
los pacientes a enfermedades como hipertensión, insuficiencia cardíaca y
eventos cardiovasculares graves, como infarto de miocardio y accidente
cerebrovascular (2).
La velocidad de onda de pulso (VOP) es un marcador
confiable y no invasivo de rigidez arterial, considerado uno de los mejores
indicadores disponibles para la evaluación precoz del daño vascular subclínico (3).
Se define como la velocidad a la que se propaga una onda de presión a través
del árbol arterial y está directamente relacionada con la elasticidad de las
paredes arteriales (4). Cuanto más rígidas son las arterias, mayor
es la velocidad de propagación de la onda de pulso. En comparación con métodos
tradicionales de evaluación del RCV, la VOP tiene la ventaja de ser una técnica
sencilla, reproducible y aplicable en diversas poblaciones, incluyendo
fumadores (5). La VOP permite detectar alteraciones tempranas en la
pared arterial, incluso antes de que se manifiesten otros signos clínicos de
enfermedad cardiovascular (6).
Diversos estudios han demostrado que el tabaco ejerce
un efecto directo sobre la función endotelial y la estructura arterial,
favoreciendo la inflamación crónica, la disminución de óxido nítrico y la
formación de placas ateroscleróticas, contribuyendo al aumento de la rigidez
arterial (7). Estos efectos pueden medirse eficazmente mediante la
VOP, utilizada en estudios previos para evaluar el impacto del tabaquismo en la
rigidez arterial en diferentes grupos poblacionales. En fumadores, la VOP
tiende a estar significativamente alterada debido a los cambios vasculares
inducidos por el tabaco, lo que subraya su utilidad como herramienta diagnóstica
y de estratificación del RCV (8). Por lo tanto, la medición de la
VOP en fumadores puede proporcionar información crucial sobre la salud arterial
y la edad vascular, reflejando el daño acumulado causado por el tabaquismo.
Este estudio propone evaluar las asociaciones entre
tabaquismo, otras variables clínicas y demográficas, y la rigidez arterial
medida a través de la VOP, con el objetivo de identificar posibles FR no
tradicionales. Asimismo, se explora la utilidad de técnicas de aprendizaje
automático (AA) para mejorar la precisión en la predicción de la rigidez
arterial y el RCV en fumadores.
Además, este trabajo busca incorporar herramientas de
inteligencia artificial (IA) y AA, cada vez más frecuentes en la práctica
médica. Mediante estas técnicas avanzadas, es posible encontrar asociaciones
ocultas que pueden no ser evidentes con métodos estadísticos tradicionales,
como pruebas de hipótesis o modelos de regresión. Este enfoque allana el camino
hacia una medicina de precisión, donde la toma de decisiones clínicas se basa
en un análisis de datos más profundo y personalizado, permitiendo así una
identificación y gestión de riesgos más efectiva y adaptada a las
características individuales de los pacientes.
OBJETIVOS
Objetivos Primarios
1) Describir las variables clínicas y demográficas
asociadas a la VOP en la población estudiada.
2) Evaluar si existe una asociación entre el
antecedente de tabaquismo y ex tabaquismo con los valores de la VOP.
Objetivo Secundario
1) Desarrollar un pipeline de AA (Machine Learning
(ML)) para identificar nuevas asociaciones entre las distintas variables
clínicas y demografías y la VOP.
MATERIALES Y MÉTODOS
Diseño del Estudio
Se llevó a cabo un estudio descriptivo y de corte
transversal entre marzo y agosto de 2024 en consultorios de Edad Vascular del
Hospital Santojanni. Se realizaron 136 mediciones de VOP a pacientes derivados
del consultorio de Cesación Tabáquica (n=65) y pacientes propios de Edad
Vascular (n=71). Las mediciones incluyeron la velocidad de onda de pulso
carotídeo-femoral derecha (CFD) e izquierda (CFI), utilizando un método
estandarizado y validado para evaluar rigidez arterial.
Criterios de Inclusión
• Pacientes mayores de 18 años derivados del
consultorio de cesación tabáquica.
• Pacientes mayores de 18 años derivados al
consultorio de Edad Vascular con antecedentes de tabaquismo.
Criterios de Exclusión:
• Presencia de arritmia al momento de la medición.
• Imposibilidad de medir la VOP por razones clínicas,
como obesidad severa o amputaciones.
Procedimiento
Las mediciones de VOP se realizaron mediante
tonometría de alta precisión, un método no invasivo que evalúa la rigidez
arterial en las arterias carótida y femoral. Se recogieron datos clínicos y
demográficos, como edad, índice de masa corporal (IMC), hipertensión arterial
(HTA), enfermedad renal crónica (ERC), dislipemia (DLP) y hábitos tabáquicos
(TBQ).
Para el análisis estadístico, se emplearon pruebas
adecuadas a cada variable. Para variables continuas con distribución normal, se
utilizó la prueba t de Student para comparaciones de medias; para variables no
paramétricas, la prueba de Mann-Whitney, se expresaron los resultados como
media con su desvio estándar (ds) y mediana con el rango intercuartilo (RIQ)
respectivamente. Las correlaciones se evaluaron mediante coeficientes de
Spearman y Pearson. La fuerza de asociación se midió a través del índice rho en
el caso del coeficiente de Spearman, y mediante r para el coeficiente de
Pearson.
Todos los análisis se realizaron con un nivel de significancia
estadística de p < 0.05. Los datos fueron procesados en R y se utilizó
Python para desarrollar los modelos de AA. Se probaron cinco modelos de
regresión en el pipeline de ML para predecir la VOP CFI y CFD:
• Regresión Lineal Múltiple (RLM)
• Decisión Tree Regression (árbol de decisión)
•
Random Forest Regression (RFR)
•
Support Vector Regression
• Gradient Boosting Regression
• XGBoost Regression
La precisión de los modelos se expresó a través del
Error Cuadrático Medio (MSE) y el coeficiente de determinación R².
Importancia de las características (Feature Importance -FI)
La cuantificación de las variables que influyen en el
modelo se calculó con Random Forest Regressor (RFR), que mide cuánto contribuye
cada variable a reducir el error de predicción (MSE). Los valores están
normalizados, sumando 1 o el 100%, reflejando la importancia relativa de cada
característica. La desviación estándar (DS) del MSE indica la consistencia de
las predicciones. Un MSE bajo con una DS pequeña sugiere un modelo preciso y
estable.
RESULTADOS
Se analizaron los datos de 136 pacientes atendidos en
el consultorio de Edad Vascular del Hospital Santojanni, donde se midió la VOP
CFD e CFI. A continuación, se describen las variables asociadas con la VOP en
toda la base de pacientes, sin discriminar el estado de TBQ o ex TBQ.
La VOP CFD mostró un comportamiento no paramétrico,
con una mediana de 13.29 m/s (RIQ 3.92), mientras que la VOP CFI se comportó
como una variable paramétrica, con una media de 12.60 m/s (RIQ 3.95). A continuación,
se describen las variables que modifican de manera estadísticamente
significativa la VOP en función de los diferentes grupos de pacientes.
Edad
La edad de los pacientes, una variable cuantitativa
continua no paramétrica, presentó una mediana de 61.56 años (RIQ 16.64). Se
encontró una correlación lineal positiva de leve a moderada entre la edad y la
VOP CFD, con un coeficiente de Spearman (rho) de 0.48 (p < 0.05). Para la
VOP CFI, la correlación fue moderada, con una rho de 0.53 (p < 0.05).
IMC
El IMC, una variable cuantitativa continua
paramétrica, tuvo una media de 28.13 kg/m² (DS 6.16). Se observó una
correlación lineal positiva leve entre el IMC y la VOP CFD (rho = 0.18, p <
0.05), y entre el IMC y la VOP CFI (rho = 0.20, p < 0.05).
Variables hemodinámicas
Todas las tensiones arteriales (TAS, TAD, TAM)
mostraron una asociación estadísticamente significativa con la VOP CFD y CFI.
La TAS fue la variable con mayor correlación, con una rho de 0.44 para la CFD y
0.48 para la CFI. No se encontró una relación significativa entre la frecuencia
cardíaca (FC) y las VOP.
Antecedentes personales
HTA
El 58% de los pacientes (n = 79) tenía diagnóstico de
HTA. Estos pacientes mostraron una VOP CFD significativamente más elevada que
los pacientes no hipertensos (mediana de 13.95 m/s, RIQ 4.28 vs. 12.40 m/s, RIQ
3.11; p < 0.005). La VOP CFI también fue mayor en los hipertensos (mediana
de 14.37 m/s, RIQ 2.7 vs. 12.18 m/s, RIQ 2.7; p < 0.005).
Enfermedad Renal Crónica (ERC)
El 42% de los pacientes (n = 57) tenía ERC. Estos
pacientes presentaron una VOP CFD más elevada (mediana de 14.67 m/s, RIQ 4.13
vs. 12.50 m/s, RIQ 3.14; p < 0.005), lo cual también se observó en la VOP
CFI (mediana de 14.44 m/s, RIQ 4.85 vs. 12.36 m/s, RIQ 3.1; p < 0.005).
DLP
El 57% de los pacientes (n = 78) presentó DLP. Estos
pacientes tuvieron una VOP CFD significativamente mayor que los no DLP (mediana
de 13.70 m/s, RIQ 3.98 vs. 12.13 m/s, RIQ 3.98; p < 0.05). Sin embargo, no
se encontró una diferencia significativa en la VOP CFI (p = 0.11).
Hiperuricemia
El 12% de los pacientes (n = 17) tenía hiperuricemia.
Estos pacientes presentaron una VOP CFI significativamente mayor que los normouricémicos
(mediana de 15.10 m/s, RIQ 4 vs. 12.49 m/s, RIQ 4.02; p < 0.05). No hubo
diferencia significativa en la VOP CFD.
TBQ
El 47% de los pacientes (n = 65) había fumado alguna
vez. De estos, 26 pacientes (19%) eran TBQ y 39 (28%) ex TBQ
No se encontraron diferencias estadísticamente
significativas en la VOP CFD (mediana de 11.89 m/s, RIQ 4.77 vs. 13.62 m/s, RIQ
3.55) ni en la VOP CFI (mediana de 11.99 m/s, RIQ 3.69 vs. 13.10 m/s, RIQ 4.08)
entre los pacientes tabaquistas y no tabaquistas.
No se encontró una correlación lineal estadísticamente
significativa entre los PYT de los TBQ y la VOP CFD o CFI. Test de Spearman: p
= 0.62 para CFD y p = 0.95 para CFI, con asociaciones lineales positivas leves
de 0.10 en CFD y asociación lineal negativa leve de 0.012 en CFI.
Comparación entre TBQ y no TBQ
No se hallaron diferencias significativas en la edad,
IMC ni tensiones arteriales (TAS, TAD, TAM) entre los grupos. Tampoco hubo
diferencias en la proporción de hiperuricemia, DLP, ERC o HTA en este grupo de
pacientes. Ver Tabla 1.
Al analizar a los pacientes TBQ y ex TBQ juntos,
tampoco se encontraron diferencias significativas en la VOP CFD (mediana de
12.9 m/s, RIQ 4.08 vs. 13.72 m/s, RIQ 3.79) ni en la VOP CFI (mediana de 12.56
m/s, RIQ 3.39 vs. 12.84 m/s, RIQ 4.87) contra los pacientes que nunca habían
fumado.
• La mediana de edad de los TBQ y ex TBQ fue de 65.18
años (RIQ 13.67) versus 60.27 años para los no TBQ (RIQ 17.45), sin diferencia
estadísticamente significativa.
• El IMC promedio de los TBQ y ex TBQ fue de 28.21
kg/m² (DS 6.58) y de 27.72 kg/m² (DS 5.53) para los no tabaquistas, sin
diferencia estadísticamente significativa.
• Tampoco hubo diferencias significativas en las TAS,
TAD o TAM.
• La TAS en TBQ y ex TBQ fue de una mediana de 123.8
mm Hg (RIQ 22.9) versus 125.3 mm Hg (RIQ 31.66) con una p de 0.80.
No hubo diferencias significativas en la proporción de
hiperuricemia y DLP.
Si se observó una diferencia estadísticamente
significativa en la proporción de pacientes con ERC y una tendencia estadística
en la proporción de pacientes con HTA entre los TBQ y ex TBQ versus los no
tabaquistas:
• ERC en TBQ y ex TBQ: 29% (19 de 65) versus 53% (37
de 69) en no tabaquistas (p = 0.007)
• HTA en TBQ y ex TBQ: 49% (32 de 65) versus 65% (45
de 69) en no tabaquistas. (p = 0.08)
Al excluir a los pacientes con ERC y HTA de ambos
grupos, se encontró que los pacientes TBQ y ex TBQ tenían una VOP CFD
significativamente mayor (mediana de 12.50 m/s, RIQ 4.05 vs. 10.75 m/s, RIQ
3.38; p = 0.03) y una VOP CFI significativamente mayor (mediana de 12.43 m/s,
RIQ 2.54 vs. 10.52 m/s, RIQ 2.69; p = 0.03) en comparación con los pacientes
que nunca fumaron.
Tabla 1: Características basales de pacientes TBQ y ex TBQ vs pacientes no TBQ
|
TBQ y ex TBQ
|
No TBQ
|
p
|
VOP CFD
|
12.91 (4.08)
|
13.72 (3.79)
|
0.66
|
VOP CFI
|
12.56 (3.3)
|
12.84 (4.87)
|
0.73
|
EDAD
|
65.18 (13.67)
|
60.27 (17.45)
|
0.1
|
IMC
|
18.86 (8.06)
|
26.98 (7.41)
|
0.65
|
TAS
|
123.8 (22.91)
|
125.3 (31.66)
|
0.80
|
TAD
|
77.67 (14.91)
|
78 (17)
|
0.28
|
TAM
|
93.04 (15)
|
93.77 (14.5)
|
0.62
|
FC
|
78.83 (16.83)
|
75 (20)
|
0.61
|
HTA
|
33 (51%)
|
24 (35%)
|
0.08
|
ERC
|
46 (70%)
|
32 (46%)
|
0.007
|
DLP
|
26 (70%)
|
32 (46%)
|
0.56
|
Hiperuricemia
|
59 (91%)
|
59 (85)
|
0.61
|
Desarrollo de modelo de aprendizaje automático
A continuación, describimos el proceso de implementación
del modelo de AA, que se llevó a cabo utilizando Python para analizar la
relación entre las variables clínicas de relevancia encontradas hasta el
momento y la VOP.
1. Correlaciones Iniciales
Como primer paso, se calcularon las correlaciones
entre 18 variables clínicas y demográficas asociadas a la VOP, tanto CFD como
CFI, basándonos en la literatura científica y en el análisis exploratorio de
nuestra base de datos. Las variables incluyeron: edad, IMC, TAS, TAM, TAD, FC,
HTA, ERC, enfermedad coronaria (EC), insuficiencia cardíaca (IC), accidente
cerebrovascular isquémico (ACVi), accidente cerebrovascular hemorrágico (ACVh),
enfermedad vascular periférica (EVP), diabetes mellitus tipo 2 (DM2), DLP,
hiperuricemia y PYT, este último como una medida acumulativa de tabaquismo.
Las principales correlaciones encontradas fueron:
• Edad presentó una correlación de 0.459 con CFD y
0.520 con CFI.
• TAS mostró una correlación de 0.467 con CFD y 0.456
con CFI.
• TAM tuvo una correlación de 0.438 con CFD y 0.394
con CFI.
• TAD presentó una correlación de 0.358 con CFD y
0.293 con CFI.
• HTA tuvo una correlación de 0.331 con CFD y 0.300
con CFI.
• PYT, que representa la carga tabáquica acumulada,
mostró una correlación baja con la VOP: 0.054 con CFD y 0.008 con CFI, pero se
mantuvo en el análisis debido a su relevancia para el presente trabajo. Gráfico
1 y 2.
Gráfico 1: Correlación de
variables con la velocidad de onda de pulso carotídeo femoral izquierda
CFI: V0P Carotídeo femoral izquierda, CFD: VOP carotídeo femoral
derecha, TASP: presión arterial sistólica, TAMP: presión arterial
media, HTA: hipertensión arterial, TADP: presión arterial
diastólica, ERC: enfermedad renal crónica, BMI: Índice de masa
corporal, DLP: dislipemia, FCP: frecuencia cardíaca, DM2:
diabetes mellitus tipo 2, IAM: infarto agudo de miocardio, PYT:
pack years totales, EC: enfermedad coronaria, IC: insuficiencia
cardíaca
Gráfico 2: Correlación de variables con la velocidad de onda de pulso carotídeo
femoral derecha
CFI: V0P Carotídeo
femoral izquierda, CFD: VOP carotídeo femoral derecha, TASP:
presión arterial sistólica, TAMP: presión arterial media, HTA:
hipertensión arterial, TADP: presión arterial diastólica, ERC:
enfermedad renal crónica, BMI: Índice de masa corporal, DLP:
dislipemia, FCP: frecuencia cardíaca, DM2: diabetes mellitus tipo
2, IAM: infarto agudo de miocardio, PYT: pack years totales,
EC: enfermedad coronaria, IC: insuficiencia cardíaca
2) Resultados de los Modelos de AA
Para el análisis de la VOP CFD, el modelo con mejor
rendimiento fue el RFR
• Modelo de predicción RFR: este modelo presentó un
MSE de 5.66 y un R2 de 0,32, lo que indica que el modelo explica el 32.5% de la
varianza de los valores de CFD. Aunque este valor no es muy alto es el mejor
entre todos los modelos probados para este conjunto de datos. El MSE
relativamente bajo sugiere que las predicciones son más precisas en comparación
con otros modelos evaluados. Gráfico 3.
Para la VOP CFI, el modelo que mejor rendimiento tuvo
fue la Regresión lineal múltiple (RLM).
Gráfico 3: Error Cuadrático
Medio (MSE) de los 5 modelos de regresión probados para predecir la velocidad
de onda de pulso carotídeo femoral derecha
• Mejor modelo RLM, presentó un MSE de 3.46 y una R2
de 0.51, lo que indica que explica aproximadamente el 51.4% de la varianza en
los valores de CFI. Este resultado es moderado y sugiere un ajuste
razonablemente bueno. Además, el MSE bajo muestra una precisión de predicción
aceptable. Gráfico 4.
Gráfico 4: R2 de los 5
modelos de regresión probados para predecir la velocidad de onda de pulso carotídeo
femoral derecha
3. Importancia de las Variables (Feature Importance)
Posteriormente, se implementó un modelo de RFR para
evaluar la importancia de cada variable en la predicción de la VOP. Los
resultados mostraron que las variables con mayor influencia en el modelo
fueron:
• Edad: fue la variable con mayor importancia,
contribuyendo con un 28.7% en la predicción de CFD.
• TAM: con un 20.6% de importancia.
• TAS: con un 12.4% de importancia.
• TAD: con un 9.1% de importancia.
• IMC: que aportó un 8.5%.
• FC: contribuyó con un 8.0%.
• PYT: tuvo una importancia del 5.0%, lo que indica
una relación no lineal moderada entre la carga tabáquica acumulada y la rigidez
arterial. Gráfico 5 y 6.
Gráfico 5: Importancia de
las variables en la predicción de la velocidad de onda de pulso carotídeo femoral
derecha mediante el RFR
TAMP: presión arterial
media, TASP: presión arterial sistólica, TADP: presión arterial
diastólica, BMI: Índice de masa corporal, FCP: frecuencia
cardíaca, PYT: pack years totales, ERC: enfermedad renal crónica,
DLP: dislipemia, HTA: hipertensión arterial, DM2: diabetes
mellitus tipo 2, IC: insuficiencia cardíaca, IAM: infarto agudo
de miocardio, EC: enfermedad coronaria
Gráfico 6: Importancia de
las variables en la predicción de la velocidad de onda de pulso carotídeo
femoral derecha mediante el RFR
TASP: presión arterial
sistólica, TAMP: presión arterial media, BMI: Índice de masa
corporal FCP: frecuencia cardíaca, TADP: presión arterial
diastólica, PYT: pack years totales, ERC: enfermedad renal
crónica, DLP: dislipemia, HTA: hipertensión arterial, DM2:
diabetes mellitus tipo 2, IAM: infarto agudo de miocardio, IC:
insuficiencia cardíaca, EC: enfermedad coronaria
DISCUSIÓN
El consumo de tabaco genera cambios en la pared
vascular a través de diversos mecanismos, como se ha documentado en la
literatura (7). Estos incluyen:
• Estrés oxidativo: la generación de radicales libres
produce daño directo a las células de la pared arterial.
• Inflamación crónica: los procesos inflamatorios
perpetuados incrementan la rigidez arterial.
• Aceleración de la aterosclerosis: el tabaquismo
favorece la formación de placas que disminuyen la elasticidad vascular.
• Disminución de óxido nítrico: compromete la
vasodilatación, reduciendo la flexibilidad arterial.
Estos mecanismos contribuyen al incremento de la
rigidez arterial, que se puede medir mediante el aumento de la VOP (9).
La relación entre la edad cronológica y la edad vascular ha sido ampliamente
discutida. La VOP elevada indica una mayor rigidez arterial, lo cual sugiere
que la edad vascular es mayor que la biológica, impactando directamente en el
RCV y prediciendo eventos a largo plazo (10).
Los efectos del tabaquismo sobre la rigidez arterial,
reflejados en un aumento de la VOP, resultarían en una edad vascular elevada,
incrementando el riesgo de eventos cardiovasculares y mortalidad (11).
Se ha demostrado que la cesación tabáquica puede llevar a una regresión de los
valores de VOP, reduciendo el riesgo cardiovascular (12).
En cuanto a la relación entre edad vascular y
cronológica, Heffernan et al. demostraron que la VOP es un parámetro útil para
predecir mortalidad y la consideraron el estándar de oro para estimar la edad
arterial, especialmente en grandes cohortes (14).
Los hallazgos de nuestro estudio concuerdan con la
literatura. Las variables más asociadas con el aumento de la VOP en nuestra
base de datos fueron edad, HTA y ERC. Estas asociaciones son consistentes tanto
en los análisis convencionales como en las técnicas de AA.
No obstante, no encontramos una asociación
significativa entre DM2 y la VOP mediante métodos convencionales ni aprendizaje
automático, lo cual difiere de algunos reportes en la literatura. Esto podría
deberse a las características de nuestra población o al número limitado de
pacientes diabéticos en la muestra.
Las variables hemodinámicas como TAS, TAD y TAM
mostraron una correlación significativa con la VOP, en concordancia con
estudios previos.
Inicialmente, no encontramos diferencias
significativas en la VOP entre fumadores y no fumadores, tanto en el análisis
de medias como de medianas. Sin embargo, al ajustar el análisis eliminando
pacientes con HTA y ERC, la diferencia se volvió significativa. Esto sugiere que
el tabaquismo impacta directamente la rigidez arterial cuando se aísla de otras
comorbilidades.
El uso de AA permitió comprender mejor las relaciones
entre variables clínicas y VOP, revelando patrones no lineales que los análisis
estadísticos convencionales podrían haber pasado por alto.
En este estudio, se probaron múltiples modelos para
predecir la VOP CFD y CFI. Entre ellos, el RFR fue el mejor para CFD, con un
MSE de 5.66 y un R² de 0.32, explicando un 32% de la variabilidad. Para CFI, el
mejor desempeño fue el modelo de RLM, con un MSE de 3.46 y un R² de 0.51.
Los modelos lograron predecir la rigidez arterial con
precisión moderada. Sin embargo, métricas como R² y MSE indican margen de
mejora. Una limitación es la falta de más datos, lo que permitiría probar
modelos más complejos.
El AA identificó que, aunque HTA y ERC aumentan la
rigidez arterial, la edad y el tabaquismo acumulado fueron más influyentes. Las
técnicas de AA pueden capturar interacciones no lineales que los métodos
tradicionales no detectan.
En el análisis convencional, la VOP fue mayor en
pacientes con HTA y ERC. No obstante, en el modelo de AA, su importancia
relativa disminuyó cuando se consideró el tabaquismo. Esto puede explicarse por
su papel en potenciar otros factores de riesgo a través de inflamación y estrés
oxidativo.
Una limitación del estudio es su naturaleza
transversal, lo que impide establecer causalidad. Aunque se encontraron
asociaciones significativas entre VOP y tabaquismo tras ajustes, no podemos
afirmar la dirección del impacto sin un seguimiento longitudinal. Además, el
estudio no fue diseñado específicamente para evaluar el tabaquismo, sino para
generar bases de datos amplias en poblaciones con múltiples comorbilidades.
Futuras investigaciones con diseños prospectivos
permitirán evaluar mejor estas relaciones y mejorar la robustez de los modelos
predictivos.
CONCLUSIÓN
El uso de IA, como su herramienta de AA, está
transformando la interpretación de grandes bases de datos clínicas, permitiendo
una medicina más precisa y personalizada. En Argentina, la incorporación de
estas tecnologías es clave para avanzar hacia un sistema de salud
informatizado, donde la generación y análisis de Big data mejore la atención
médica y la toma de decisiones clínicas. Este trabajo demuestra la importancia
de contar con bases de datos robustas y la integración de herramientas de IA
para obtener resultados más precisos y útiles en la práctica clínica.
Por otro lado, se demostró que los FRCV tradicionales
como la Edad, HTA, ERC y el TBQ generan cambios en la pared vascular que puede
ser detectado precozmente con marcadores no tradicionales, como es la VOP, de
fácil realización y no invasiva.
BIBLIOGRAFÍA
1) Tsai T, Tarazi RC. Cigarette smoking
and vascular stiffness. Hypertension. 2006;47(6):1080-2.
2)
Ben-Shlomo Y, Spears M, Boustred C, May M, Anderson SG, Benjamin EJ, et al.
Aortic pulse wave velocity improves cardiovascular event prediction: an
individual participant meta-analysis of prospective observational data from
17,635 subjects. J Am Coll Cardiol.
2014;63(7):636-46.
3) Galli C, Paniagua M, Camus JM, Ayala M, Cabrera
Fischer EI. Estudio no invasivo de las propiedades mecánicas de las arterias:
énfasis en la velocidad de la onda del pulso, distensibilidad y compliance
arterial. Rev
Cardiol Paraguaya. 2005;3(3):227-32.
4)
Wilkinson IB, MacCallum H, Flint L, Cockcroft JR, Newby DE, Webb DJ. The
influence of heart rate on augmentation index and central arterial pressure in
humans. J Physiol. 2002;525(1):263-70.
5)
Laurent S, Cockcroft J, Van Bortel L, Boutouyrie P, Giannattasio C, Hayoz D, et
al. Expert consensus document on arterial stiffness: methodological issues and
clinical applications. Eur Heart J. 2006;27(21):2588-605.
6) Graf S, Pessana F, Craiem D, Galli C, Armentano R. Velocidad de la
onda del pulso
medida con un prototipo experimental: bases para un
estudio longitudinal. Proyecciones.
2007;
5(2): 53-59.
7)
Gu Y, Li Z, Han X. Smoking, alcohol consumption, and risk of arterial
stiffness: a two-sample Mendelian randomization study. Rev Cardiovasc Med.
2024;25(7):255. doi: 10.31083/j.rcm2507255.
8)
Hansen TW, Li Y, Boggia J, Thijs L, Richart T, Staessen JA. Prognostic value of
aortic pulse wave velocity as index of arterial stiffness in the general
population. Circulation. 2006;113(5):664-70.
9)
Díaz A, Galli C, Tringler M, Ramírez A, Cabrera Fischer EI. Reference values of
pulse wave velocity in healthy people from urban and rural Argentinean
population. Int J Hypertens. 2014;
2014:653239. doi: 10.1155/2014/653239.
10) Galli CN, Cymberknop L, Armentano R.
Caracterización de la rigidez arterial en
pacientes con enfermedad renal crónica en estadios
pre-diálisis. Rev
Nefrol Arg.
2023;21(3):
1-10.
11)
Vallée A. Association between tobacco smoking and alcohol consumption with
arterial stiffness. J Clin Hypertens. 2023;25:757-67.
12)
Higashi Y. Smoking cessation and vascular endothelial function. Hypertens
Res. 2023;46:2670-8. doi: 10.1038/s41440-023-01455-z.
13)
Hahad O, Schmitt V, Arnold N. Chronic cigarette smoking is associated with
increased arterial stiffness in men and women: evidence from a large
population-based cohort. Clin Res Cardiol. 2023;112:270-84. doi:
10.1007/s00392-022-02092-1.
14)
Heffernan K, Wilmoth J, London A. Association between tobacco smoking and
alcohol consumption with arterial stiffness. Innov Aging.
2022;6(7):1-12. doi: 10.1093/geroni/igac056