Red neuronal multicapa para estimar disfunción sistólica en hospitalizados con insuficiencia cardíaca usando variables clínicas y biomarcadores accesibles

Resumen

Introducción: La evaluación de la fracción de eyección del ventrículo izquierdo es clave en insuficiencia cardíaca, pero su medición por ecocardiografía no siempre es accesible en entornos clínicos con recursos limitados.

Objetivo: Desarrollar un modelo de red neuronal para predecir FEVI reducida usando variables clínicas y bioquímicas habituales en hospitalizados con insuficiencia cardíaca.

Materiales y método: Estudio de corte utilizando una base de datos secundaria con 584 pacientes. La variable dependiente fue la fracción de eyección del ventrículo izquierdo (FEVI). Se desarrolló un modelo de red neuronal tipo perceptrón multicapa,utilizando como variables predictoras: PNB, troponina, hemoglobina, IMC, edad, TFG y creatinina. Se comparó su rendimiento con un modelo de regresión logística binaria, y ambos fueron evaluados mediante área bajo la curva (AUC), sensibilidad,especificidad, valor predictivo positivo (VPP) y negativo (VPN), y precisión global del modelo.

Resultados: La red neuronal alcanzó una precisión del 75,3 % en la prueba y 73,5 % en el entrenamiento, con sensibilidad del 72 %, especificidad del 78,2 %, AUC de 0,811 y odds ratio de 8,07. El PNB fue el predictor más influyente, seguido de hemoglobina, troponina, TFG, edad, IMC y creatinina. En comparación, la regresión logística binaria mostró menor rendimiento (exactitud: 54,8 %; sensibilidad: 44,9 %; especificidad: 62,5 %; AUC: 0,65), especialmente en el valor predictivo negativo (82,9 % en el modelo neuronal vs. 56 %).

Conclusiones: El modelo neuronal predijo eficazmente FEVI reducida usando variables clínicas comunes, superando a la regresión logística, y puede ser útil en contextos sin acceso inmediato a ecocardiografía.