Després de patir un infart, els pacients no evolucionen tots de la mateixa manera: alguns desenvolupen complicacions cardiometabòliques, d'altres pateixen un deteriorament respiratori progressiu, i uns tercers acaben amb problemes estructurals al cor o als ronyons. Fins ara, les eines de predicció de risc habituals, com l'escala SMART, donaven una xifra de risc global sense explicar-ne gaire el perquè.
Un equip liderat pel doctor Anthony Onoja i la professora Nophar Geifman, de la Universitat de Surrey, ha publicat el 19 d'agost al Journal of the American Medical Informatics Association un estudi que analitza amb aprenentatge automàtic les històries clíniques de 12.701 pacients del UK Biobank que havien patit un infart, seguint la seqüència i el moment en què apareixien noves diagnosis durant els cinc anys posteriors. El sistema va identificar tres trajectòries clarament diferenciades: un 63% dels pacients desenvolupava afeccions cardiometabòliques com hipertensió, diabetis tipus 2 o dislipèmia; un 23%, format sobretot per fumadors, patia un declivi progressiu dels pulmons i del sistema musculoesquelètic; i un 14% desenvolupava malalties estructurals del cor, arrítmies i problemes renals. Aquest últim grup, el dels fumadors, registrava una mortalitat del 44%, més del triple que la del grup majoritari.
La troballa és rellevant perquè, segons explica la mateixa Geifman, l'eina aporta un detall que els sistemes de risc tradicionals no donen: "no només el risc d'un pacient, sinó, crucialment, per què, i on caldria intervenir-hi". Poder anticipar quin dels tres camins seguirà un pacient concret -a partir de diagnosis prèvies i dades demogràfiques ja disponibles a la seva història clínica- podria permetre als equips mèdics adaptar el seguiment i les intervencions abans que apareguin les complicacions més greus, en lloc d'esperar que es manifestin.
Els mateixos investigadors adverteixen que encara estan "al principi d'aquest camí": l'estudi es basa en dades observacionals d'una sola cohort britànica i encara no s'ha validat com a eina d'ús clínic real en hospitals. Caldran assajos posteriors per confirmar si aplicar aquestes prediccions a la pràctica mèdica quotidiana millora de veritat els resultats dels pacients, i no només la capacitat de classificar-los a posteriori.