Capacidad predictiva de eventos en pacientes con hipertensión arterial mediante el análisis con redes neuronales Artificiales del monitoreo ambulatorio de presión arterial en comparación con la estratificación de riesgo clínica

• Federico Di Gennaro ^[2] ; María P. Catalano ^[2] ; Alejandro García Aguirre ^[2] ; María L. Fernández ^[2] ; Romina Llanos ^[2] ; Santiago Pérez Lloret ^[1] ; Claudio Higa ^[2]
  1. [1] Pontificia Universidad Católica Argentina

     Pontificia Universidad Católica Argentina

     Argentina

     
  2. [2] Sección Hipertensión Arterial, Servicio de Cardiología, Departamento de Medicina Interna, Hospital Alemán de Buenos Aires
• Localización: Revista Argentina de Cardiología (RAC), ISSN-e 1850-3748, ISSN 0034-7000, Vol. 93, Nº. 1, 2025, págs. 33-42
• Idioma: español
• Títulos paralelos:
  • Events Prediction Ability in Patients with Hypertension using Artificial Neural Network Analysis of Ambulatory Blood Pressure Monitoring Compared to Clinical Risk Stratification
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Introducción: No hay evidencia disponible sobre la comparación del valor predictivo de eventos graves en el seguimiento de pacientes hipertensos mediante el análisis con redes neuronales artificiales (RNA) de las mediciones del monitoreo ambulatorio de presión arterial (MAPA) en comparación con la estratificación de riesgo clínica (EC). Material y métodos: Se analizaron estudios de MAPA que incluyeron 27 mediciones cada uno: presión arterial media sistó-lica, diastólica, presión del pulso y frecuencia cardiaca de 24 hs, diurnas y nocturnas; carga hipertensiva; desvíos estándar de presiones y frecuencia cardíaca; ritmo circadiano. La variable dependiente fue el punto final combinado de muerte, acci-dente cerebrovascular, infarto agudo de miocardio, insuficiencia cardíaca e insuficiencia renal. Para la EC de cada paciente se utilizó como modelo el Consenso Argentino de Hipertensión Arterial. Se evaluó la capacidad discriminativa para predecir el punto final con RNA-MAPA y con EC por análisis de regresión logística a través del análisis del área bajo la curva ROC (ABCR). Se compararon ambas ABCR mediante test de De Long. Para los análisis estadísticos y el modelaje de las RNA se usó el programa SPSS 23.0 Statistics. Resultados:Se analizó la información de 491 estudios de MAPA; edad media: 69 ± 14 años, 53 % mujeres, 11,6 % diabéticos, 51% dislipidémicos, media de índice de masa corporal 26 ± 4 kg/m2, 14,3 % fumadores. La mediana del seguimiento fue 6,6 años (rango intercuartílico 4,5-8). El modelo de RNA con mejor capacidad predictiva fue el Perceptrón Multicapa con una capa oculta; arquitectura neuronal (27/7/2). La presión arterial sistólica nocturna presentó una importancia normalizada independiente del 100 % para la determinación del modelo. El ABCR para la discriminación del punto final fue, con el análisis con RNA del MAPA, 0,81 (IC 95% 0,77-0,90); con la estratificación de riesgo clínico fue de 0,67 (IC 95% 0,56-0,77); test de De Long p < 0,001. Conclusión: Observamos una mayor capacidad discriminativa en la predicción de eventos mediante el análisis con RNA de las variables del MAPA vs. la estratificación de riesgo clínico, lo cual constituye una hipótesis de investigación a validar prospectivamente

  • English

    Background: There is no available evidence comparing the predictive value of an artificial neural network (ANN)-based analysis method that integrates ambulatory blood pressure monitoring (ABPM) variables versus clinical risk stratification (CRS) for serious events in hypertensive patients at follow-up. Methods: We analyzed ABPM studies that included 27 measurements each one. The variables were daytime, nighttime and 24-hour mean, systolic and diastolic blood pressure, pulse pressure and heart rate; hypertensive load; standard deviations of pressures and heart rate; circadian rhythm. The dependent variable was the combined endpoint of death, stroke, acute myo-cardial infarction, heart failure and kidney disease. For clinical risk stratification, the Argentine Consensus on Hypertension was used as a model. We evaluated the discriminative ability to predict the endpoint using ANN-ABPM and CRS by logistic regression through the analysis of the area under the receiver operating characteristic curve (AUC-ROC). Both AUC-ROC were compared by De Long test. SPSS 23.0 Statistics was used for statistical analyses and ANN modelling. Results: Data from 491 ABPM studies were analyzed. Mean age was 69 ± 14 years; 53% of population was female; 11.6% had diabetes; 51% had dyslipidemia; mean body mass index was 26 ± 4 kg/m2; 14.3% were smokers. Median follow-up was 6.6 years (interquartile range 4.5-8). The best predictive ANN model was the Multilayer Perceptron one with a hidden layer; neuronal architecture (27/7/2). Nocturnal systolic blood pressure (SBP) had 100% independent normalized importance for modelling. The AUC-ROC for the combined endpoint was 0.81 (95% CI 0.77-0.90) using neural network analysis with ABPM variables, and 0.67 (95% CI 0.56-0.77) using CRS; De Long's test p < 0.001. Conclusion: We observed a higher discriminative ability to predict events at follow-up using ANN analysis with ABPM vari-ables compared to conventional CRS. This observation raises a research hypothesis to be validated prospectively to optimize risk stratification and treatment in hypertensive patients