Diseño e implementacion de nuevas herramientas para el diagnóstico de la diabetes mellitus

Resumen

Introducción y objetivos: La diabetes (DM) en una patología cada vez más frecuente. En pacientes con enfermedad cardiovascular se asocia a un peor pronóstico y a una mayor comorbilidad. Su diagnóstico precoz posibilita el inicio de medidas de prevención secundaria que han demostrado reducir el riesgo de eventos isquémicos. Aunque es conocido que la sobrecarga oral de glucosa (SOG) es el mejor método de despistaje, ésta no es muy usada en la práctica clínica. El objetivo de esta tesis es descubrir herramientas que permitan optimizar el diagnostico de diabetes en pacientes con enfermedad coronaria. Material y métodos: Realizamos SOG a los pacientes no diabéticos sometidos a intervencionismo coronario durante el periodo de reclutamiento de 7 meses. Los pacientes fueron seguidos durante tres años. Mediante estadística clásica y técnicas de inteligencia artificial establecimos modelos/scores de riesgo para la prevalencia e incidencia de DM. Comprobamos su precisión diagnóstica y su calibración. Posteriormente realizamos una comparación y validación interna de estos modelos. Resultados: Población total n=580. La distribución del estado glucometabólico fue (IC 95%): DM conocida 28.8% (25.2-32.6), nueva DM 16.2% (13.1-19.8), prediabetes 25.5% (21.8-29.5) y regulación normal de glucosa 29.5% (25.5 -33.7). Un total de 51 pacientes fueron diagnosticados con DM oculta (solo por SOG). Después de 3 años de seguimiento, la incidencia fue de 43,6 casos / 1000 pacientes por año (IC del 95%: 26,8 a 60,4).En los modelos predictores de riesgo las variables relacionadas con el metabolismo glucídico como la hemoglobina glicosilada o la glucemia basal fueron las de mayor peso estadístico. El score de prevalencia por regresión logística presenta un área bajo la curva (AUC) fue de 0,801 (IC 95% 0,738-0,864), p<0,001 frente a AUC 0,840 (IC 95% 0,789-0,91), p<0,001 conseguido con Random Forest. Ambos modelos presentan una sensibilidad superior al 85% y un valor predictivo negativo del 95%. Basado en estos modelos construimos un algoritmo diagnostico con una sensibilidad del 91% y una especificidad del 58%, VPN 96% y VPP 39% . El AUC es de 0,854 (IC 95% 0,804-0,904), p<0,001. Al estudiar la incidencia de DM el algoritmo Xtreme Gradient Boost [AUC de 0,922 (IC 95% 0,843-0,999 p<0,001)] ofrece mayor capacidad diagnóstica que otros métodos aplicados. En los modelos de incidencia, un score (por regresión logística)>=4 puntos (sensibilidad 65%, especificidad 89%) y el algoritmo XGBoost (sensibilidad 97,7%, especificidad 55,5%), localizan un grupo de pacientes con una probabilidad alta (mayor del 40%) de desarrollar DM. Conclusiones: La prevalencia de DM no conocida y la incidencia de DM son elevadas en pacientes sometidos a intervencionismo coronario. El mejor método para el diagnostico de DM en pacientes coronarios es el screening con glucemia basal y hemoglobina glicosilada seguido de una SOG si las pruebas anteriores no son diagnósticas. Nuestros modelos de riesgo permiten optimizar y realizar un menor numero de pruebas de SOG con una elevada capacidad diagnóstica. Un algoritmo diagnóstico, como aplicación práctica de estos modelos, permite un diagnostico preciso de la existencia de nueva DM. Mediante el análisis de los modelos de incidencia se identifica un grupo de pacientes de alto riesgo que se pueden beneficiar de un programa de intervención multidisciplinar. Los modelos establecidos por machine learning (Extreme Gradient Boost o Random Forest) son más precisos que los que desarrollados por estadística clásica.