LABORATORIO DE URGENCIAS

Predicción Dinámica del Riesgo en Miocardiopatía Amiloide por Transtiretina

 
                                                           Marianna Fontana,MD,PhD; Julian D. Gillmore,MD,PhD; Scott D. Solomon
                                                                                        * National Amyloidosis Centre, University College London, London, United Kingdom
                                                                                        * Cardiovascular Division, Brigham and Women’s Hospital, Harvard Medical School, Boston,Mass. USA

                                                                                                           JAMA Cardiol - Published Online: August, 2026
                                                                                                                  doi: 10.1001/jamacardio.2026.3503

La estratificación del riesgo en la miocardiopatía amiloide por transtiretina (ATTR-CM) se ha basado durante mucho tiempo en dos sistemas de estadificación desarrollados hace más de una década: el del Centro Nacional de Amiloidosis (NAC) y el de Mayo Clinic, ambos basados ​​en biomarcadores cardíacos y la función renal. Estos sistemas han sido útiles en el campo médico, ofreciendo armas para diagnostico y pronósticos reproducibles y accesibles, pero con opciones terapéuticas limitadas.
La  pregunta clínica principal era: "¿Con qué rapidez se deteriorará este paciente?". Esta pregunta los médicos tenían poca capacidad para modificar la respuesta.
El panorama ha cambiado radicalmente. La ATTR-CM es ahora una enfermedad tratable, con un arsenal terapéutico cada vez mayor capaz de alterar la progresión de la enfermedad y mejorar la supervivencia. En consecuencia, el papel de la predicción del riesgo está cambiando.
En lugar de simplemente identificar a los pacientes con mayor riesgo, los médicos necesitan cada vez más comprender cómo cambia el riesgo con el tiempo, si el tratamiento modifica la trayectoria esperada de la enfermedad y cuándo puede ser necesaria una intervención terapéutica adicional. Este cambio establece un nuevo referente para los modelos de pronóstico. Ya no deberían limitarse a describir el pronóstico al momento del diagnóstico, sino reflejar la relación evolutiva entre la enfermedad y el tratamiento.
En este contexto, Baj y sus colegas presentan un estudio oportuno y técnicamente riguroso. Utilizando datos de 850 pacientes de centros suizos y austriacos, una de las cohortes de ATTR-CM más grandes reunidas para el pronóstico basado en aprendizaje automático (ML), los autores desarrollaron un modelo de bosque aleatorio de supervivencia para el resultado compuesto de mortalidad por todas las causas y hospitalización por insuficiencia cardíaca. Evaluado mediante un marco de validación cruzada interna-externa, el modelo demostró una discriminación consistentemente buena en 3 cohortes (índice C de Harrell de 0,72 a 0,77), con valores del área bajo la curva ROC (AUC) a un año de 0,78 a 0,81, superando a los sistemas de estadificación NAC y Mayo en la mayoría de las comparaciones.
La calibración fue aceptable a 1 y 2 años, con la atenuación esperada a los 3 años en la cohorte con un seguimiento  corto.
Cabe felicitar a los autores por poner el modelo a disposición del público de forma gratuita a través de la plataforma web AiTTRIX. El valor de los modelos de predicción depende no solo de su rendimiento estadístico, sino también de su accesibilidad.
Al compartir abiertamente el algoritmo, los investigadores han eliminado una barrera importante para la adopción clínica, la validación independiente y el desarrollo colaborativo futuro.
Varios aspectos del estudio merecen especial reconocimiento. La estrategia de validación cruzada interna-externa, en la que cada centro se mantuvo iterativamente como una cohorte de validación independiente, proporciona una evaluación más rigurosa de la transportabilidad que la validación interna convencional por sí sola y tiene en cuenta adecuadamente la heterogeneidad entre centros. Asimismo, el análisis de explicabilidad mediante survSHAP refuerza la confianza en el modelo al demostrar que los predictores más influyentes (péptido natriurético tipo B / N-terminal [NT-proBNP], edad, tasa de filtración glomerular estimada, clase funcional de la New York Heart Association y terapia específica para amiloide) son clínicamente intuitivos y biológicamente plausibles.
La magnitud de la mejora con respecto a los sistemas de estadificación existentes también es clínicamente significativa. El índice C de Harrell superó al de los sistemas NAC y Mayo hasta en un 10 %, y las mejoras en el AUC a un año alcanzaron el 21 % en cohortes individuales. Igualmente importante, el modelo demostró un rendimiento satisfactorio en el subgrupo de pacientes que recibieron terapia modificadora de la enfermedad (una población en la que se ha demostrado que los sistemas de estadificación convencionales pierden capacidad discriminatoria) y la estratificación del riesgo fue más precisa, con una supervivencia libre de eventos a tres años en el grupo de bajo riesgo derivado del modelo que alcanzó entre el 85 % y el 91 % en todas las cohortes, en comparación con el 68 % al 90 % para las categorías más bajas de NAC y Mayo.
Quizás la observación más importante, sin embargo, sea la inclusión de la terapia específica para el amiloide como un factor independiente que contribuye a la predicción del riesgo. Esto refleja un cambio fundamental en el campo. Los sistemas de estadificación NAC y Mayo se desarrollaron en una época en la que el pronóstico estaba determinado en gran medida por la gravedad de la enfermedad al momento del diagnóstico, debido a la falta de terapias modificadoras de la enfermedad eficaces.
Hoy en día los pacientes con ATTR-CM reciben cada vez más tratamientos capaces de modificar sustancialmente su evolución clínica posterior. Por consiguiente, el pronóstico ya no depende simplemente de las características de la enfermedad en el momento del diagnóstico, sino que se ve influenciado progresivamente por los tratamientos que reciben los pacientes y por su respuesta a dichos tratamientos.
Esto representa una importante evolución conceptual en la predicción de riesgos. Los modelos de riesgo tradicionales asumen implícitamente que el pronóstico es prácticamente fijo al inicio y, por lo tanto, puede estimarse utilizando la información recopilada al momento del diagnóstico. Sin embargo, cada vez más, el riesgo es dinámico. Evoluciona a lo largo del curso de la enfermedad a medida que se inician, intensifican, combinan o modifican las terapias.
Dos pacientes con características basales idénticas pueden seguir trayectorias completamente diferentes según su respuesta terapéutica.
En consecuencia, los futuros modelos de riesgo no solo deberían estimar el pronóstico basal, sino actualizarlo continuamente, reflejando el equilibrio cambiante entre la progresión de la enfermedad y el beneficio terapéutico.
En este contexto, la principal contribución del presente estudio va más allá de su mejora en la discriminación con respecto a los sistemas de estadificación existentes. Al incorporar la exposición al tratamiento, los autores reconocen que el pronóstico ya no es estático y que la intervención terapéutica se ha convertido en un determinante integral del resultado. El estado del tratamiento sigue siendo una representación bastante simple de esta interacción, pero establece un principio importante: la predicción de riesgos debe evolucionar a medida que evoluciona el tratamiento.
El marco AiTTRIX proporciona una plataforma ideal para esta próxima etapa de desarrollo. A medida que los conjuntos de datos longitudinales maduren y se disponga de biomarcadores específicos para cada tratamiento, los modelos de aprendizaje automático podrían evolucionar desde una clasificación pronóstica puntual hacia estimaciones de riesgo actualizadas continuamente y recalibradas a lo largo del curso de la enfermedad del paciente. En lugar de generar una única predicción al momento del diagnóstico, los modelos futuros podrían convertirse en herramientas clínicas dinámicas que aprendan de imágenes seriadas, biomarcadores y la respuesta al tratamiento, lo que permitiría refinar el pronóstico a medida que se disponga de nueva información.
Si Consideramos un paciente con amiloidosis cardíaca por transtiretina (ATTR-CM) clasificado como de bajo riesgo al momento del diagnóstico y que inició terapia modificadora de la enfermedad. Dos años después, su NT-proBNP ha aumentado un 30 %, su distancia recorrida en la prueba de caminata de 6 minutos ha disminuido y ha requerido dos intensificaciones no planificadas de diuréticos; sin embargo, según la estadificación convencional, permanece en la misma categoría que al momento del diagnóstico, ya que no se han superado los umbrales para la transición de estadio.
Un modelo dinámico recalibrado en cada visita de seguimiento podría reconocer esta trayectoria como una de deterioro progresivo a pesar del tratamiento, señalar la divergencia entre la respuesta esperada y la observada, e impulsar una consideración más temprana de la intensificación del tratamiento o la adición de un segundo fármaco.
Los sistemas de estadificación estática (NAC y Mayo) se desarrollaron en la era preterapéutica, basándose en biomarcadores y la función renal medida al diagnóstico para generar una etapa pronóstica fija; su limitación radica en la menor capacidad discriminatoria en poblaciones tratadas actualmente.
La predicción global basada en aprendizaje automático, ejemplificada por AiTTRIX, incorpora el estado del tratamiento junto con los biomarcadores convencionales y mejora la discriminación, pero el riesgo se sigue estimando en un único punto temporal basal a partir de marcadores predominantemente posteriores. La predicción dinámica del riesgo (la próxima generación) busca actualizar continuamente las estimaciones de riesgo a lo largo del curso de la enfermedad mediante la integración de datos secuenciales específicos del dominio, como el volumen extracelular, la transtiretina circulante y la respuesta longitudinal al tratamiento, lo que permite que la pregunta clínica pase de quién está en riesgo a si la terapia está modificando la trayectoria esperada. eGFR: tasa de filtración glomerular estimada; ML: aprendizaje automático; NAC: Centro Nacional de Amiloidosis; NT-proBNP: péptido natriurético tipo B N-terminal; NYHA: Asociación del Corazón de Nueva York.
Esta evolución cambiaría radicalmente el papel de la predicción del riesgo. En lugar de limitarse a identificar a los pacientes de alto riesgo, los modelos dinámicos podrían ayudar a los médicos a determinar si la terapia está logrando la reducción de riesgo esperada, identificar a los pacientes cuya evolución se desvía de las expectativas a pesar del tratamiento e informar las decisiones sobre la intensificación del tratamiento o la terapia combinada. De esta forma, la predicción de riesgos pasaría de ser principalmente descriptiva a convertirse en un componente integral de la toma de decisiones terapéuticas.
Baj y colaboradores⁴ han demostrado que la predicción global del riesgo en la amiloidosis cardíaca por transtiretina (ATTR-CM) puede realizarse de forma rigurosa, transparente y en un formato fácilmente accesible para los médicos.
El siguiente reto es asegurar que estos modelos evolucionen junto con los pacientes a los que están diseñados para servir, reflejando continuamente los efectos cambiantes de la terapia a lo largo del curso de la enfermedad.