Un modelo predictivo de preeclampsia a partir de datos clínicos y bioquímicos / A Predictive Model of Preeclampsia from Clinical and Biochemical Data

RESUMEN

RESUMEN Introducción: La preeclampsia es uno de los síndromes en mujeres embarazadas que afecta al menos 3 - 8 por ciento de todos los embarazos. Objetivo: Desarrollar un modelo predictivo de preeclampsia a partir del estado redox en embarazadas, que clasifique a las mujeres pertenecientes a los grupos de gestantes preeclámpticas y gestantes sanas. Métodos: Se realizó un estudio analítico transversal. Los parámetros bioquímicos y clínicos se evaluaron utilizando el análisis de componentes principales para identificar las variables más influyentes en la aparición de preeclampsia. Los seleccionados como las variables más importantes fueron evaluados por el análisis discriminante lineal de Fisher. Resultados: El análisis de componentes principales determinó la varianza del set de datos, mostrando la relación con los procesos de peroxidación lipídica, metabolismo de proteínas, daño a tejidos y microangiopático, considerados factores en la fisiopatología de la preeclampsia. Las variables más influyentes fueron usadas para modelar una función discriminante capaz de clasificar gestantes sanas y preeclámpticas. El valor de Lambda de Wilks y el alto autovalor asociado a la función discriminante muestran el poder discriminante del modelo. La ecuación obtenida fue validada con el método Leave one out y reveló un excelente poder clasificatorio del mismo. Conclusiones: El modelo predictivo puede ser considerado como apropiado para clasificar los casos de preeclampsia, y muestran a los biomarcadores como buenos candidatos para la clasificación y como potenciales indicadores predictivos de preeclampsia(AU)

ABSTRACT

ABSTRACT Introduction: Preeclampsia is one of the syndromes in pregnant women that affects at least 3 - 8 percent of all pregnancies. Objective: To develop a predictive model of preeclampsia from the redox state in pregnant women, which allows to classify them in groups of preeclamptic pregnant women and healthy pregnant women. Methods: A cross-sectional analytical study was performed. Biochemical and clinical parameters were evaluated using principal component analysis to identify the most influential variables in the occurrence of preeclampsia. Those selected as the most important variables were evaluated by Fisher's linear discriminant analysis. Results: The main component analysis determined the variance of the data set, showing the relationship with lipid peroxidation processes, protein metabolism, tissue damage and microangiopathy, considered factors in the pathophysiology of preeclampsia. The most influential variables were used to model a discriminant function capable of classifying healthy and preeclamptic pregnant women. Wilks Lambda value and the high eigenvalue associated with the discriminant function show the discriminant power of the model. The equation obtained was validated with the Leave one out method and revealed excellent classifying power. Conclusions: The predictive model can be considered as appropriate to classify pre-eclampsia cases, and to show biomarkers as good candidates for classification and as potential predictive indicators of pre-eclampsia(AU)