Nueva ecuación de aprendizaje automático mejora la evaluación del colesterol LDL

La evaluación precisa del colesterol de lipoproteínas de baja densidad (LDL) es fundamental para el manejo del riesgo cardiovascular, pero los métodos de cálculo pueden subestimar los valores en algunos pacientes. Los laboratorios utilizan ampliamente ecuaciones para estimar el colesterol LDL a partir de los perfiles lipídicos de rutina, lo que orienta las decisiones de tratamiento para reducir el riesgo.

La subestimación puede llevar a perder oportunidades de tratamiento, particularmente en personas con colesterol LDL bajo y triglicéridos altos. Nuevos hallazgos demuestran que una ecuación simplificada de aprendizaje automático puede igualar la precisión de un método establecido en millones de muestras.

Investigadores de la Facultad de Medicina de la Universidad Johns Hopkins evaluaron una versión simplificada y basada en aprendizaje automático de la ecuación de Martin-Hopkins, utilizada por laboratorios de EUA y otros países para estimar el colesterol LDL. El cálculo actualizado y su código se publicaron en JAMA Cardiology. El método se diseñó para ser ampliamente accesible, de modo que los laboratorios clínicos puedan implementarlo sin añadir complejidad.

El método reemplaza solo el componente de triglicéridos utilizado en el cálculo original, lo que permite a los laboratorios sustituirlo por el término correspondiente en la ecuación Friedewald, de larga data. Los investigadores evaluaron el rendimiento comparando el colesterol LDL derivado de la ecuación con los resultados obtenidos mediante ultracentrifugación, un método de medición de investigación estándar de oro. Los autores destacan que el código es abierto y transparente para facilitar su uso en distintos sistemas de información de laboratorio

El estudio se basó en la Very Large Database of Lipids (una base de datos de gran tamaño sobre lípidos) y analizó 4,9 millones de muestras de adultos y pacientes pediátricos de EE. UU., con una mediana de colesterol LDL de 114 mg/dL. Se utilizaron más de 3,2 millones de muestras para entrenar el modelo de aprendizaje automático y 1,6 millones para las pruebas.

Los investigadores también analizaron su desempeño en dos conjuntos de validación adicionales: una base de datos de un laboratorio de referencia y otra procedente de un ensayo clínico con pacientes que habían utilizado inhibidores de PCSK9. La exactitud se comparó con la ecuación original de Martin-Hopkins, así como con las ecuaciones de Sampson-NIH, Sampson-NIH modificada y Friedewald.

En toda la cohorte, la versión basada en aprendizaje automático mostró una estrecha concordancia con el cálculo original, con una diferencia promedio mínima de 0,5 mg/dL. Ambas ecuaciones de Martin-Hopkins clasificaron correctamente el 90 % de las muestras en la categoría terapéutica correspondiente, frente al 86 % con Sampson-NIH, el 85 % con Sampson-NIH modificada y el 83 % con Friedewald.

En un subgrupo clave con triglicéridos de 200–399 mg/dL y colesterol LDL inferior a 70 mg/dL, la ecuación de aprendizaje automático clasificó correctamente el 84 % de las muestras, frente al 83 % con la ecuación original, el 72 % con Sampson-NIH modificada, el 61 % con Sampson-NIH y el 40 % con Friedewald.

“Hemos optimizado el cálculo del colesterol LDL y hecho que esta ecuación sea accesible y más fácil de implementar para todos los laboratorios”, dijo Seth Martin, M.D., M.H.S., autor principal del estudio y director del Programa de Trastornos Lipídicos Avanzados y del Laboratorio de Salud Digital del Centro Ciccarone de Johns Hopkins para la Prevención de Enfermedades Cardiovasculares. "Nuestro objetivo es permitir que los médicos y los pacientes tomen mejores decisiones sobre el inicio de tratamientos que previenen infartos y accidentes cerebrovasculares y salvan vidas".

“Esta ecuación actualizada no solo es sumamente precisa, sino que también es transparente y puede ser adoptada fácilmente por los laboratorios. Queríamos evitar crear una ecuación de ‘caja negra’ que sea opaca o invisible para la mayoría de los usuarios”, dijo Mark Marzinke, Ph.D., autor del estudio, director médico responsable de estas pruebas en los Laboratorios Centrales del Hospital Johns Hopkins y profesor de patología y medicina en Johns Hopkins.

Enlaces relacionados
Johns Hopkins University School of Medicine

Visitar la expo >

Miembro Oro

Automatic Hematology Analyzer

CF9600

Software de laboratorio
Acusera 24•7

Food Allergy Screening ELISA Kit

Allerquant 14G B ELISA

HPV Test

Allplex HPV28 Detection