Investigadores evalúan la precisión de una nueva herramienta para ayudar a identificar a las personas con alto riesgo de fractura de cadera utilizando datos sanitarios y demográficos recopilados de forma rutinaria. - TAOKINESIS/PIXABAY
MADRID, 2 Sep. (EUROPA PRESS) -
Una herramienta de aprendizaje automático creada a partir de datos del registro nacional de salud sueco puede predecir el riesgo de fractura de cadera con alta precisión y sin evaluación presencial, e identifica a muchas más personas en riesgo que las prácticas actuales de detección clínica, según un estudio de la Universidad de Gotemburgo, Suecia, publicado en la revista de acceso abierto ‘PLOS Medicine’.
Las fracturas de cadera están asociadas con una discapacidad, enfermedad y muerte importantes en los adultos mayores, pero las herramientas de predicción de riesgos existentes generalmente requieren una evaluación presencial del paciente, que incluye mediciones como el índice de masa corporal e información sobre el estilo de vida, lo que dificulta la detección a gran escala.
Los investigadores analizaron datos de un registro nacional de 3.542.647 personas mayores de 50 años en Suecia, a quienes siguieron durante un máximo de diez años. Durante el período de estudio, 142.327 participantes sufrieron una fractura de cadera. Utilizando más de 100.000 variables extraídas de diagnósticos, medicamentos, procedimientos y datos demográficos y socioeconómicos, el equipo de investigación desarrolló y probó un método de aprendizaje profundo denominado FRACTURE-ML.
Al probarse con datos de un grupo de personas distinto, no incluido en el desarrollo del modelo original, FRACTURE-ML demostró una buena capacidad de discriminación entre las personas que sufrieron una fractura de cadera y las que no, con un área bajo la curva (AUC) de 0,89 un año antes, y solo ligeramente peor con un AUC de 0,85 al predecir cinco años después. Una versión simplificada que utiliza solo 35 variables tuvo un rendimiento casi igual de bueno. En comparación con los métodos de cribado actuales utilizados en la práctica clínica sueca, FRACTURE-ML identificó casi siete veces más personas en riesgo de fractura de cadera en un plazo de dos años (sensibilidad 0,84 frente a 0,12), con solo una modesta reducción en la especificidad (0,79 frente a 0,98).
Dado que el modelo se basa exclusivamente en datos de registro, carece de información sobre factores del estilo de vida, como el tabaquismo y el consumo de alcohol, que también pueden influir en el riesgo de fracturas. Los autores señalan que aún se necesitan validaciones en otros países y estudios que evalúen su implementación en situaciones reales.
"Los resultados demuestran que es posible predecir el riesgo de fractura de cadera a nivel poblacional sin interacción directa con los pacientes --afirma el autor principal, Kristian Axelsson, de la Universidad de Gotemburgo--. Este enfoque podría ayudar a dirigir las medidas preventivas de manera más eficiente y, potencialmente, reducir el número de fracturas de cadera".
El también autor, Mattias Lorentzon, de la misma universidad añade: "FRACTURE-ML identificó con precisión a las personas con alto riesgo de fractura de cadera utilizando datos sanitarios y poblacionales recopilados de forma rutinaria, sin necesidad de una evaluación clínica presencial. Esto podría hacer que los programas de cribado a gran escala sean más eficientes y ayudar a que la atención preventiva llegue a las personas antes de que se produzca una fractura de cadera".
"Las fracturas de cadera tienen graves consecuencias para la independencia, la salud y la supervivencia. Una herramienta que permita identificar a las personas de alto riesgo directamente a partir de los datos existentes podría facilitar una intervención más temprana y, potencialmente, reducir la incidencia de fracturas de cadera en la población", señalan ambos autores.
Un hallazgo importante fue que un modelo reducido que utiliza solo 35 predictores tuvo un rendimiento casi tan bueno como el modelo de aprendizaje automático mucho más grande. Esto sugiere que se puede lograr un alto rendimiento predictivo con una herramienta relativamente práctica e interpretable. Al utilizar la información ya disponible en los registros nacionales, FRACTURE-ML podría ayudar a que la atención de las fracturas de cadera pase de reaccionar después de una lesión a prevenirla desde el principio.
"El aprendizaje automático tuvo un rendimiento excelente, pero los modelos estadísticos tradicionales, cuidadosamente desarrollados, lograron una precisión similar. Por lo tanto, el avance clave podría radicar menos en un algoritmo en particular y más en un mejor uso de los datos completos recopilados de forma rutinaria”, finalizan los expertos.
