Un nuevo índice de envejecimiento desarrollado mediante aprendizaje automático alcanzó un área bajo la curva (AUC) de 0,937 para predecir la mortalidad cardiovascular a cinco años y superó el rendimiento de otros indicadores de edad biológica. La investigación analizó información de 6.896 adultos y evaluó una herramienta que integra variables clínicas, metabólicas, renales y sociales para identificar diferencias en el riesgo de mortalidad.
El modelo, denominado CKMAI (Cardiovascular-Kidney-Metabolic Aging Index), fue desarrollado por los investigadores mediante el análisis de más de 100 modelos estadísticos y de aprendizaje automático. Los resultados publicados mostraron un desempeño superior al de tres índices utilizados como comparadores para estimar el riesgo de mortalidad general, cardiovascular y la presencia de estadios avanzados del síndrome cardiovascular-renal-metabólico.
El índice de envejecimiento alcanzó una AUC de 0,937 para mortalidad cardiovascular
La capacidad predictiva del CKMAI se evaluó mediante el área bajo la curva dependiente del tiempo, un indicador estadístico que permite determinar qué tan bien un modelo distingue entre personas que experimentarán un desenlace y aquellas que no lo presentarán durante un periodo determinado. Para mortalidad cardiovascular, los investigadores documentaron una AUC de 0,904 a tres años y de 0,937 tanto a cinco como a diez años. En mortalidad por cualquier causa, los resultados fueron de 0,893, 0,907 y 0,890, respectivamente, lo que mostró un rendimiento consistente en los diferentes horizontes de seguimiento.
La comparación con otros indicadores evidenció diferencias en la discriminación del riesgo cardiovascular a cinco años. Mientras el CKMAI alcanzó una AUC de 0,937, el índice PhenoAge registró 0,902; el modelo de edad biológica de Klemera-Doubal (KDM), 0,801; y el índice cardiometabólico convencional (CMI), 0,525.
Estas diferencias fueron estadísticamente significativas en las comparaciones realizadas. El análisis también encontró mejoras en los indicadores de reclasificación del riesgo y discriminación integrada, utilizados para valorar si un nuevo modelo aporta información predictiva frente a las herramientas existentes.
Una cohorte de 6.896 adultos permitió desarrollar y evaluar el modelo
La investigación utilizó información de la Encuesta Nacional de Examen de Salud y Nutrición de Estados Unidos (NHANES), correspondiente al periodo 2005-2018. Después de aplicar los criterios de selección y disponibilidad de información, la cohorte quedó conformada por 6.896 participantes, con una mediana de edad de 48 años.
Los investigadores dividieron la población en dos conjuntos independientes para desarrollar y evaluar el modelo. El primero incluyó 4.827 personas para entrenamiento, mientras que el segundo reunió a 2.069 participantes para comprobar su rendimiento predictivo. Durante una mediana de seguimiento de 9,2 años se documentaron 660 fallecimientos por cualquier causa, de los cuales 201 correspondieron a causas cardiovasculares.
La distribución de los participantes según el estadio cardiovascular-renal-metabólico permitió identificar diferentes condiciones de riesgo:
- Estadios 0 y 1: 506 y 1.118 participantes, respectivamente.
- Estadio 2: 4.105 personas, equivalentes al 59,5 % de la cohorte.
- Estadio 3: 374 participantes con enfermedad cardiovascular subclínica o un riesgo cardiovascular elevado conforme a la clasificación utilizada.
- Estadio 4: 793 personas con enfermedad cardiovascular clínica dentro del continuo cardiovascular-renal-metabólico.
Los participantes de los estadios más avanzados presentaron, en general, mayor edad, índice de masa corporal, circunferencia abdominal y frecuencia de hipertensión, diabetes y enfermedad renal crónica.
Dieciocho variables permiten evaluar componentes del riesgo cardiovascular y renal
El CKMAI integra 18 variables seleccionadas mediante un procedimiento que evaluó su estabilidad y capacidad predictiva. Los investigadores partieron de 44 variables candidatas y conservaron aquellas que aportaban información consistente sobre mortalidad y riesgo cardiovascular-renal-metabólico elevado.
Entre los componentes incluidos en el modelo se encuentran:
- Características demográficas y sociales: edad, sexo, grupo étnico, educación, situación marital e ingreso relativo del hogar.
- Parámetros hematológicos: ancho de distribución eritrocitaria (RDW), volumen corpuscular medio, proporción de linfocitos y recuento de leucocitos.
- Indicadores renales: tasa de filtración glomerular estimada, creatinina sérica, nitrógeno ureico y relación albúmina-creatinina urinaria.
- Otros factores clínicos: albúmina sérica, fosfatasa alcalina, antecedentes de diabetes y tabaquismo.
La edad cronológica presentó el mayor peso normalizado dentro del modelo, seguida del RDW, el sexo y determinadas variables socioeconómicas. El análisis también identificó contribuciones de indicadores relacionados con la función renal, el estado nutricional y las características hematológicas. La combinación de estas variables permitió construir un indicador específico para el síndrome cardiovascular-renal-metabólico, en lugar de utilizar exclusivamente una medida general de envejecimiento biológico.
El modelo también identificó pacientes en estadios avanzados de riesgo
Además de predecir mortalidad, los investigadores examinaron la capacidad del CKMAI para identificar personas en estadios 3 y 4 del síndrome cardiovascular-renal-metabólico, considerados de alto riesgo dentro de la clasificación utilizada.
Para este desenlace, el modelo alcanzó una AUC de 0,790, superior a PhenoAge (0,767), KDM (0,720) y el índice cardiometabólico convencional (0,599). En los modelos estadísticos completamente ajustados, el incremento del CKMAI mantuvo una asociación significativa con la mortalidad general, con un hazard ratio (HR) de 1,08 por unidad del índice y un intervalo de confianza del 95 % entre 1,07 y 1,10. Para mortalidad cardiovascular, el HR ajustado fue de 1,06, con un intervalo entre 1,03 y 1,09.
Estos resultados corresponden a asociaciones estadísticas y no significan que cada incremento del índice produzca directamente un aumento de la mortalidad. La investigación evaluó su capacidad para identificar diferencias de riesgo entre participantes con distintas características clínicas.
¿Qué aporta este hallazgo a la gestión del riesgo cardiovascular?
La identificación de pacientes con diabetes, hipertensión arterial y enfermedad renal crónica constituye un componente importante de la gestión del riesgo cardiovascular. Sin embargo, la coexistencia de estas condiciones y la variabilidad de su evolución plantean dificultades para estimar la probabilidad de desenlaces adversos mediante indicadores aislados.
En Colombia, esta situación adquiere contexto con los resultados divulgados por la Cuenta de Alto Costo., quienes informaron que 7.074.181 personas registraban hipertensión, diabetes tipo 2 o enfermedad renal crónica y que el 43,04 % convivía con dos o más de estas condiciones.
Aunque esos datos corresponden a la población colombiana y no formaron parte de la investigación de PLOS Medicine, permiten dimensionar la importancia de contar con herramientas de estratificación clínica que consideren simultáneamente factores cardiovasculares, metabólicos y renales.
El CKMAI representa una aproximación investigativa a ese problema. Su valor principal está en la información predictiva adicional observada frente a los índices comparados, especialmente para diferenciar pacientes con mayor probabilidad de mortalidad cardiovascular.
¿Qué se necesita para incorporar el índice en la evaluación clínica?
Los investigadores realizaron una validación temporal dentro de los ciclos de NHANES y una evaluación externa preliminar en una cohorte hospitalaria china de 261 pacientes. En esta última, el modelo alcanzó una AUC de 0,789 para identificar estadios cardiovasculares-renales-metabólicos de alto riesgo, aunque no se evaluó su capacidad para predecir mortalidad por ausencia de seguimiento de ese desenlace. La investigación señala la importancia de ampliar la validación a cohortes geográficamente independientes y de estudiar si las intervenciones guiadas por el índice producen mejores resultados en los pacientes.
En el caso del CKMAI, los hallazgos publicados constituyen evidencia sobre rendimiento predictivo y discriminación estadística. Su eventual incorporación a la práctica asistencial dependerá de nuevas validaciones y de demostrar que su utilización contribuye a mejorar las decisiones clínicas y los desenlaces de los pacientes.
Consulte aquí el estudio
