Prevalencia de la estenosis aórtica: estudio con perspectiva de género mediante inteligencia artificial

Abstract

[ES] Introducción y objetivos: La estenosis aórtica (EA) constituye la valvulopatía más frecuente en nuestro medio; afección cuya prevalencia se estima en aumento debido al envejecimiento de la población. Asocia además una gran carga de enfermedad, ya que una vez establecida, la EA acaba siendo grave en el 50% de los casos. El objetivo de este trabajo consiste en determinar, por un lado, la prevalencia de la EA en la provincia de Salamanca y, por otro, que factores se le asocian y si éstos son diferentes entre géneros. Material y métodos: El presente es un estudio descriptivo, transversal, cuya muestra es la base de datos del estudio SALMANTICOR, con 2063 individuos. Para un primer análisis descriptivo de la cohorte se empleó la estadística clásica mediante el programa SPSS. En un segundo análisis, se desarrollaron diferentes modelos predictivos de inteligencia artificial de aprendizaje automático empleando la regresión logística y el random forest en grupos temáticos de variables. Mediante permutation importance se determinaron las variables más relevantes en cada uno de ellos para elaborar un modelo final de predicción. Por último, se dividió la cohorte en mujeres y hombres para elaborar modelos independientes. Resultados: La prevalencia de la EA en la cohorte es del 3,3%. Según la estadística inferencial, esta patología se asocia con la edad, hipertensión arterial, diabetes, dislipemia, insuficiencia renal y el tabaquismo. Las prevalencias fueron similares entre ambos sexos. Los modelos desarrollados con aprendizaje automático con mayor predicción fueron los que incluían factores de riesgo clásicos, antecedentes y datos de la exploración física. El modelo final obtuvo un área bajo la curva ROC de 0,840 con el clasificador random forest. En el desarrollo y evaluación exclusivos con mujeres, el poder de predicción ascendió hasta un AUC de 0,879, mientras que en varones se perdió poder de predicción, con un 0,809 de AUC en el mejor de los casos. Conclusiones: El uso de inteligencia artificial ha permitido elaborar un modelo con capacidad de predicción para la EA. En este estudio se refleja que el poder de predicción aumenta al elaborar un modelo específico para la población femenina. La menor potencia del modelo específico para varones sugiere la existencia de nuevos determinantes desconocidos con un mayor peso en esta población.

[EN] Background and objectives: Aortic stenosis (AS) represents the most common valve disease in developed countries and its prevalence is expected to increase due to the population ageing. It also carries a great morbidity, since once it is established, up to 50% of cases will end up being severe. The aim of this project is to determine, on the one side, the prevalence of AS in the province of Salamanca and, on the other side, what factors are associated and whether these are different between genders. Material and methods: This is a descriptive, cross-sectional study, whose database is the one obtained from the SALMANTICOR study, consisting of 2063 individuals. Initially, a descriptive analysis was carried out with the SPSS program using classical statistics. Secondly, different predictive models were developed with artificial intelligence, machine learning algorithms, using random forest and logistic regression on thematic clusters of variables. Through the permutation importance method, the most significant variables were determined and were later used in a final predictive model. Lastly, the cohort was divided to develop specific models for each gender. Results: AS has a 3,3% prevalence in this sample. According to inferential statistics, this disease is linked to ageing, hypertension, diabetes, dyslipidemia, renal failure and smoking. Prevalences were similar in both sexes. The machine learning models with better predictive power were those of classical cardiovascular risk factors, medical history, and physical exam findings. The final model achieved a 0,840 AUC using random forest. The model exclusively developed with women had an even better predictive power, with a 0,879 AUC; whereas the model for men lost some of that predictive power with a AUC of 0,809 in the best of cases. Conclusions: The use of artificial intelligence allowed for the development of a model capable of predicting the presence of AS. This study found that designing a specific model for women bettered the predictive power of the algorithm. The more discrete results in the model specifically developed for men suggest the existence of other factors related to aortic stenosis in this population yet to be found.