Predicción de riesgo de sufrir un síndrome coronario agudo mediante un algoritmo de Machine Learning (ANGINA) / A Machine Learning Algorithm to Predict Risk for Acute Coronary Syndrome

RESUMEN Introducción: Las consultas por dolor torácico son frecuentes en los servicios de emergencias médicas (SEM). Aún no se ha identificado una estrategia diagnóstica que utilice tanto los datos objetivos como los subjetivos del dolor. Objetivos: Evaluar un clasificador de machine learning para predecir el riesgo de presentar un síndrome coronario agudo (SCA) sin elevación del segmento ST, en pacientes que consultan a un SEM con dolor torácico. Material y métodos: Se analizaron 161 pacientes que consultaron al SEM con dolor torácico. Se registró mediante un clasificador de machine learning las variables objetivas y subjetivas de caracterización del dolor. Resultados: La edad promedio fue de 57 mas/menos 12, 72,7% masculinos eran de sexo masculino y 17,4 % presentaban evento coronario previo. El 57,8% presentaba un síndrome coronario agudo con una incidencia de IAM de 29,8%, de los cuales requirieron revascularización por ATC el 35%, y CRM el 9,9% en el período de seguimiento a 30 días. Como modelo de clasificación se utilizó un Random Forest Classifier que presentó un área bajo la curva ROC de 0,8991, sensibilidad de 0,8552, especificidad de 0,8588 y una precisión de 0,8441. Las variables predictoras más influyentes fueron peso (p = 0,002), edad (p = 5,011e-07), intensidad del dolor (p = 3,0679e-05), tensión arterial sistólica (p = 0,6068) y características subjetivas del dolor (p = 1,590e-04). Conclusiones: Los clasificadores de machine learning son una herramienta útil a fin de predecir el riesgo de sufrir un síndrome coronario agudo a 30 días de seguimiento.

ABSTRACT Background: Consultations for chest pain are common in emergency medical services (EMS). A diagnostic strategy using both objective and subjective pain has not been identified yet. Objective: To evaluate a machine learning classifier as a tool for prediction of the risk of presenting a non-ST segment elevation acute coronary syndrome (ACS) in patients consulting an SEM with chest pain. Methods: 161 patients consulting SEM with chest pain were analyzed. Objective variables of the patient and subjective variables of pain characterization were recorded during the triage stage by means of a machine learning classifier. Results: The mean age was 57.43±12 years, 75% male and 16% had prior cardiovascular disease. 57.8% presented an ACS with an incidence of 29.8%, which 35% required PCI and 9.9% CRM in a 30-day follow-up period. A Random Forest Classifier was used as a classification model. The Random Forest Classifier presented an area under the ROC curve of 0.8991, sensitivity of 0.8552, specificity of 0.8588 and precision of 0.8441. The most strongest predictor variables were weight (p=0.002), age (p=5.011e-07), pain intensity (p=3.0679e-05), systolic blood pressure (p = 0.6068) and subjective pain characteristics (p=1.590e-04). Conclusions: Machine learning classifiers are a useful tool for predicting the risk of acute coronary syndrome at 30 days follow-up period.

Resultados de los primeros pacientes con sospecha de síndrome coronario agudo evaluados con el algoritmo de 1 hora propuesto por la Sociedad Europea de Cardiología / Results of the First Patients with Suspected Acute Coronary Syndrome Evaluated with the 1-hour Algorithm Proposed by the European Society of Cardiology

RESUMEN Introducción: La Sociedad Europea de Cardiología recomienda para la evaluación del dolor torácico un algoritmo con medición seriada de dos troponinas de alta sensibilidad separadas por una hora. Sin embargo, la alta eficacia y seguridad solo se han estimado según supuestos basados en modelos teóricos. Probamos por primera vez su desempeño en nuestro medio cuando se integra en la rutina diaria. Métodos: Estudio prospectivo unicéntrico que incluyó a pacientes no seleccionados que presentaban sospecha de infarto sin elevación del ST en el servicio de emergencias, a los que se les practicó el algoritmo SEC 0/1h utilizando troponina T de alta sensiblidad. Se evaluó el comportamiento en términos de incidencia a 30 días de los eventos de infarto agudo de miocardio, muerte cardiovascular y el combinado de infarto agudo de miocardio, muerte o revascularización coronaria. Resultados: Se incluyeron 1351 pacientes con una edad media de 61 ± 14 años, 12,4% de diabéticos y 35,8% de evento coronario previo. La tasa de infarto agudo de miocardio fue del 11% con una mortalidad del 0,29%. De acuerdo con la aplicación del algoritmo, 917 pacientes fueron catalogados como "externar" (67%); 270, como "observar" (20%); y 164, como "internar" (13%). La tasa del evento infarto agudo de miocardio resultó del 0,3% en "externar"; del 7%, en "observar"; y del 77,4%, en "internar" (p < 0,001). Por su lado, la muerte o revascularización coronaria resultó de 7,7% en "externar"; del 17,7%, en "observar"; y del 80,4%, en "internar" (p < 0,001). Conclusiones: El algoritmo de 1 hora presentó una buena capacidad para estratificar a pacientes que consultan con sospecha de infarto agudo de miocardio con un gran valor predictivo negativo para excluir el evento de infarto a los 30 días, aunque dicho valor disminuye cuando el evento considerado es la necesidad de revascularización coronaria.

ABSTRACT Background: The European Society of Cardiology (ESC) recommends an algorithm for the evaluation of chest pain with serial measurement of two high sensitivity troponins separated by one hour. However, the high efficacy and safety of the algorithm has only been estimated according to assumptions based on theoretical models. We tested for the first time its performance in the real world by incorporating it into the daily routine of our center. Methods: This is a prospective, single center study using the ESC 0/1h algorithm with high sensitivity troponin T on unselected patients who presented at the emergency department with suspected non-ST-segment elevation acute myocardial infarction. Efficacy and safety were assessed in terms of the 30-day incidence of acute myocardial infarction, cardiovascular death and the composite of acute myocardial infarction, death or coronary revascularization. Results: A total of 1,351 patients were included in the study. Mean age was 61±14 years, 12.4% were diabetics and 35.8% had previous history of coronary events. The rate of acute myocardial infarction was 11% and the rate of mortality 0.29%. According to the application of the algorithm, 917 patients were catalogued as "rule out" (67%), 270 as "observe" (20%) and 164 as "rule in" (13%). The rate of acute myocardial infarction was 0.3% in "rule out", 7% in "observe" and 77.4% in "rule in" (p <0.001). Moreover, death or coronary revascularization was 7.7% in "rule out", 17.7% in "observe" and 80.4% in "rule in" (p <0.001). Conclusions: The 1-hour algorithm showed a good capacity to stratify patients presenting with suspicion of acute myocardial infarction and a high negative predictive value to exclude infarction at 30 days, although this capacity decreases when the event considered is the need for coronary revascularization.

Evaluación de un nuevo algoritmo diagnóstico para el síndrome coronario agudo con determinación de troponina T de alta sensibilidad / Evaluation of a New Diagnostic Algorithm for Acute Coronary Syndrome Using High-Sensitivity Troponin T Assay

Introducción El dolor precordial representa el 5% al 10% de las consultas anuales en los departamentos de emergencias; su diagnóstico suele ser dificultoso y a ello se le suma el problema que implican la externación de pacientes con patología coronaria aguda o las internaciones innecesarias. Esto ha llevado al desarrollo de diferentes sistemáticas para la evaluación de estos pacientes. Objetivo Validar en términos de seguridad y tiempos de estadía hospitalaria un nuevo algoritmo incorporado en nuestro centro que incluye la medición de troponina T de alta sensibilidad en pacientes con sospecha de síndrome coronario agudo. Material y métodos Se incluyeron 528 pacientes que consultaron en el servicio de emergencias con sospecha de síndrome coronario agudo y se les realizó el protocolo de unidad de dolor. Se analizaron variables clínicas, de laboratorio y el resultado de las pruebas funcionales efectuadas. En todos los pacientes se efectuó seguimiento a los 30 días. Resultados El 90,7% de los pacientes fueron externados luego de la observación y al seguimiento el 1,25% había presentado un evento cardíaco, representado por angioplastia coronaria e internación por síndrome coronario agudo; la especificidad del algoritmo global para el diagnóstico de síndrome coronario agudo fue del 97% y el valor predictivo negativo fue del 99%. El tiempo de estadía en el servicio de emergencias del total de los pacientes fue de 4,5 ± 2,5 horas. Conclusión El nuevo algoritmo incorporado en nuestro centro con determinación de troponina T de alta sensibilidad en pacientes con sospecha de síndrome coronario agudo demostró que es seguro al evitar la externación de pacientes que cursaban un síndrome coronario agudo y, a la vez, requiere una corta estadía hospitalaria en el servicio de emergencias.

Introduction Chest pain represents 5 to 10% of annual visits to emergency departments. Its diagnosis is sometimes difficult, with the added problem of inappropriate discharge of patients with acute coronary syndrome or unnecessary hospitalizations. This has led to the development of different algorithms for the evaluation of these patients. Objective The aim of this study was to validate, in terms of safety and length of hospital stay, a novel algorithm incorporated in our center, which includes measurement of high-sensitivity troponin T in patients with suspected acute coronary syndrome. Methods The study included 528 consecutive patients attending the emergency department with suspected acute coronary syndrome and evaluated according to the chest pain unit protocol. Clinical and laboratory variables and functional tests were analyzed. Follow-up at 30 days was performed in all the patients. Results After observation, 90.7% of the patients were discharged and 1.25% presented a cardiovascular event during follow-up, represented by percutaneous coronary intervention and hospitalization due to acute coronary syndrome. The specificity of the global algorithm for the diagnosis of acute coronary syndrome was 97% with a negative predictive value of 99%. Emergency department length of stay was 4.5 ± 2.5 hours for all the patients. Conclusion The novel algorithm incorporated in our center with measurement of high-sensitivity troponin T in patients with suspected acute coronary syndrome has proved to be safe, as it prevents the discharge of patients with acute coronary syndrome and at the same time reduces emergency department length of stay.