Un modelo de machine learning para predecir preeclampsia utilizando el cociente sflt-1plgf y el nt-probnp como biomarcadores

Resumen

La preeclampsia es un trastorno hipertensivo del embarazo que afecta del 2 al 8% de los embarazos que se caracteriza por la aparición de hipertensión arterial a partir de las 20 semanas de gestación. Como mecanismos causantes de la enfermedad destaca una placentación ineficaz con un remodelado de las arterias uterinas alterado junto con factores maternos predisponentes. Es causa de importante morbilidad y mortalidad, sobretodo si se presenta como PE precoz (antes de las 34 semanas de gestación) que posteriormente (PE tardía). En el suero de las pacientes se observa como consecuencia de ello una elevación de la concentración de factores reguladores de la angiogénesis como las formas solubles del receptor de la tirosina quinasa 1 (sFlt-1) y disminución del factor de crecimiento placentario (PlGF), que, en forma de cociente, se utilizan como marcadores para la predicción. En los últimos años se han desarrollado algoritmos y modelos para confirmar o descartar una PE empleando marcadores bioquímicos y/o biofísicos como estos, junto con la historia clínica, para intentar mejorar el manejo clínico de estas pacientes e intentar evitar la aparición de complicaciones. En este estudio se propone el desarrollo de un modelo de predicción como herramienta de ayuda diagnóstica para confirmar o descartar el diagnóstico de preclampsia, en gestantes con sospecha clínica a partir de las 24 semanas de gestación, mediante un método de machine learning, utilizando el cociente sFlt:PlGF, la fracción N-terminal del propéptido natriurético tipo B (NT-proBNP) (marcador de función cardiovascular) y teniendo en cuenta las semanas de gestación, separando a las pacientes según se encuentren por encima o por debajo de las 34 semanas de gestación y utilizando un set de punto de cortes en lugar de uno solo. También se propone un modelo para predecir el parto en los 10 días siguientes a la determinación de los marcadores, independientemente de la presencia o ausencia de preeclampsia, en gestantes entre 24 y 33+6 semanas de gestación y entre 34 y 36+6. Se realizó un estudio retrospectivo con un total de 1765 pacientes. Mediante este método y utilizando varios puntos de corte, se puede descartar una PE con elevado valor predictivo negativo, siendo el rendimiento mayor en el caso de PE precoz, obteniéndose valores cercanos al 100%. Para confirmar un diagnóstico de PE, también se obtuvieron altos valores predictivos, siendo de nuevo mejor el rendimiento en el caso de las gestantes por debajo de las 34 semanas de gestación. El método permite calcular el riesgo continuo de una paciente poniendo de manifiesto que es necesario separar a las pacientes según la semana de gestación en que se encuentre y que el rendimiento es mejor para preeclampsia precoz que para preeclampsia tardía. Introducir el NT-proBNP como biomarcador mejora el rendimiento diagnóstico ya que permite disminuir el número de falsos positivos. Además, se consigue un buen rendimiento para la predicción del parto en los 10 días siguientes a la determinación de los marcadores, resultando mejor para las gestantes < 34 semanas de gestación que para las que estaban entre las 34 y las 36+6 semanas de gestación.