LABORATORIO DE URGENCIAS

Factores de Predicción del Riesgo Cardiovascular Basados en SCORE para Europa del Este: un estudio multicohorte

                   Taavi Tillmann; Kristi Lall; Oliver Dukes; Giovanni Veronesi;  Hynek Pikhart, Anne Peasey; Ruzena 
                   Kubinova, Magdalena Kozela, Andrzej Pajak, Yuri Nikitin, Sofia Malyutina, Andres Metspalu, Tõnu
                   Esko, Krista Fischer, Mika Kivimäki, Martin Bob

                                                                 European Heart Journal, Vol 41, Issue 35, September 2020, Pages 3325–33,

Las tasas más altas de enfermedades cardiovasculares (ECV) del mundo se encuentran en Europa del Este. Las tasas de mortalidad por enfermedades cardiovasculares estandarizadas por edad (expresadas por 100.000, utilizando datos de 2013 de la base de datos europea de indicadores de mortalidad de la OMS) son de tres a cuatro veces más altas en Rusia (547) en comparación con el Reino Unido (141), Finlandia (187), o Alemania (200). Esto exige una necesidad urgente de fortalecer la prevención primaria en esta región. Un aspecto importante de la prevención primaria es la estratificación del riesgo, que comúnmente se realiza con modelos de predicción computarizados para evaluar el riesgo total de ECV en individuos sanos. La predicción precisa permite que las intervenciones médicas y conductuales, como la promoción de un estilo de vida saludable (por ejemplo, dejar de fumar) y los medicamentos preventivos hipolipemiantes, antihipertensivos o anticoagulantes, se dirijan a las personas de mayor riesgo. Esta agenda puede reducir el tratamiento excesivo y los efectos secundarios para quienes corren un menor riesgo, al tiempo que maximiza las intervenciones oportunas y los beneficios financieros, de salud y de equidad para quienes corren un alto riesgo. Los modelos actuales de predicción de riesgos en Europa del Este están lejos de ser perfectos.

Un inconveniente importante es que hay pocos modelos disponibles gratuitamente calibrados para los países de Europa del Este. El modelo SCORE, derivado del 98% de participantes de Europa occidental, sigue siendo la opción predeterminada en Europa del Este sin recalibración (un método que adapta el algoritmo de riesgo para tener en cuenta las diferencias en el riesgo inicial entre poblaciones). Al menos un análisis multicéntrico ha demostrado que SCORE está mal calibrado para las poblaciones contemporáneas de Europa del Este, con tres a ocho eventos predichos por cada evento observado. Aunque algunos países como Polonia han elaborado modelos calibrados a nivel nacional, dichos modelos específicos de cada país no están disponibles para la mayoría de los países de Europa del Este. Una solución es recalibrar el modelo SCORE original para que se adapte mejor al perfil actual de los países de Europa del Este.

Para abordar esto, nuestro objetivo fue derivar y validar externamente dos nuevos modelos de riesgo para la región de Europa del Este. Primero, evaluamos el rendimiento del modelo SCORE convencional y recalibramos esta herramienta de predicción, de modo que los coeficientes de riesgo y las tasas de riesgo de referencia se optimizaron para los datos de cohortes contemporáneos de los países de Europa del Este. Este procedimiento permite minimizar la subestimación y sobreestimación sistemática del riesgo, proporcionando así estimaciones más precisas del riesgo absoluto. En segundo lugar, probamos si agregar información autoinformada, que es barata y fácil de medir, mejoraría aún más la estratificación del riesgo basada en el SCORE recalibrado. Variables psicosociales (por ejemplo, depresión, estado civil, desempleo) que anteriormente han sido objetivos de investigaciones de predicción de riesgos pero que no han sido validadas en este contexto geográfico. Validamos los dos modelos modificados en una cohorte externa.
En resumen, instalamos un modelo único para hombres y mujeres en todos los países de Europa del Este. A cada participante se le asignó una variable ficticia binaria para indicar si vivía en un país con un riesgo inicial menor o mayor. Instalamos tres modelos:
# Primero, utilizamos el modelo SCORE original
# En segundo lugar, creamos un 'SCORE recalibrado', un modelo con los mismos factores de riesgo que SCORE, pero recalibrado utilizando nuestros datos de derivación. En este modelo, también optimizamos cómo se modelaron los factores de riesgo SCORE existentes. En consecuencia, utilizamos tres categorías para fumar (a diferencia de dos categorías en SCORE) y agregamos un término de colesterol al cuadrado.
# En el tercer paso, creamos el modelo "HAPIEE SCORE", agregando nuevos factores de riesgo que estaban disponibles tanto en nuestras cohortes de derivación como en las de validación. Cada factor de riesgo tenía que ser fácilmente mensurable mediante autoinforme y necesitaba evidencia metaanalítica previa de asociación con ECV a partir de estudios poblacionales.

Se agregaron siete factores de riesgo: índice de masa corporal (IMC) (peso en kg/altura en m2, modelado con un término lineal más un término cuadrado centrado en 23 kg/m2), inactividad física (<150 min por semana), nivel educativo (secundaria terciaria o primaria, modelado con diferencias de riesgo iguales entre estas categorías), situación laboral (empleado, desempleado, jubilado), estado civil (soltero, viudo/divorciado, casado/conviviendo), posible depresión (≥16 en el cuestionario CESD-20 ), y el uso de medicamentos antihipertensivos y su interacción con la presión arterial sistólica.
En resumen, el conjunto de datos de derivación era tres veces mayor que el conjunto de datos de validación, lo que metodológicamente podría ser apropiado. En comparación con la cohorte de derivación, la cohorte de validación tuvo un perfil de riesgo de ECV más favorable en algunos dominios (por ejemplo, edad, sexo, tabaquismo, presión arterial, empleo), mientras que desfavorable en otros (por ejemplo, depresión, estado civil soltero, inactividad física).

Al comparar la PUNTUACIÓN original con la PUNTUACIÓN HAPIEE final, el NRI categórico fue +0,07 (P = 0,005) y +0,14 (P = 0,006) en los datos de validación). En los datos de derivación, el NRI fue impulsado por mejoras en la especificidad. En los datos de validación, el NRI fue impulsado por mejoras en la sensibilidad.

Nuestros datos tenían un poder estadístico limitado para explorar en qué medida esta mejora fue impulsada por la recalibración o la adición de nuevos factores de riesgo. Parecía que ambos cambios desempeñaron un papel, ya que potencialmente la recalibración del modelo original provocó mejoras ligeramente mayores en el NRI categórico (+0,03 y +0,09 en datos de derivación y validación), en comparación con el beneficio de agregar siete nuevos factores de riesgo al modelo recalibrado. modelo (+0,03 y +0,06, respectivamente).

Los hallazgos tienen dos implicaciones para la salud pública y la práctica clínica: en primer lugar, nuestro algoritmo SCORE recalibrado puede ser más preciso que el algoritmo SCORE original, para uso clínico predeterminado en algunos países de Europa del Este. En segundo lugar, las directrices de la Sociedad Europea de Cardiólogos recomiendan una “evaluación adicional de los factores de riesgo si dicho factor de riesgo mejora la clasificación del riesgo [p. ej. mediante cálculo de un índice neto de reclasificación] y si la evaluación es factible en la práctica diaria». Se encontraron variables de autoinforme para mejorar la clasificación del riesgo.
Los hallazgos proporcionan a los médicos y expertos en salud pública dos algoritmos de predicción de riesgos basados en SCORE validados para Europa del Este y refuerzan aún más el argumento de que los factores psicosociales pueden tener relevancia en la vida real. Ya existe una gran base de evidencia que sugiere que los factores de riesgo psicosocial (como la educación, el empleo, el estado civil, el empleo y la depresión) están fuertemente asociados con las ECV. Los factores psicosociales pueden ser causas anteriores de conductas de salud (como fumar), efectos causales más directos o representar consecuencias de enfermedades preclínicas.

Si se integra en la práctica preventiva de rutina, la evaluación de los factores psicosociales puede ayudar además a normalizar las actitudes del público y de los médicos hacia estas variables como factores de riesgo cardiovascular legítimos junto con el tabaquismo, la presión arterial y los lípidos.