Predecir el riesgo de ictus isquémico a diez años: un XGBoost que supera a las escalas clásicas pero cuyo riesgo absoluto se derrumba de un hospital a otro

Un equipo de la Universidad de Alabama en Birmingham y de la Icahn School of Medicine at Mount Sinai desarrolla un modelo XGBoost que predice el riesgo de ictus isquémico a diez años combinando datos clínicos, trayectorias de laboratorio y veinte puntuaciones de riesgo poligénico. En la cohorte de desarrollo supera claramente a las escalas de referencia (Framingham revisada, Pooled Cohort Equations), y su capacidad de clasificar a los pacientes se traslada a una cohorte externa de otro hospital. Pero su estimación del riesgo absoluto se derrumba al pasar de un centro a otro — predice unas ocho veces demasiados ictus —, el aporte del genoma es marginal salvo en un subgrupo, y la «raza autodeclarada» casi no añade nada una vez tenida en cuenta la señal poligénica.

El contexto

Predecir quién sufrirá un ictus en diez años sirve para decidir a quién tratar en prevención primaria — estatinas, antihipertensivos, antiagregantes — antes del episodio. Las herramientas históricas, el perfil de riesgo de Framingham revisado (rFSRP) y las Pooled Cohort Equations (PCE) estadounidenses, se apoyan en un puñado de factores introducidos a mano (edad, tensión, tabaco, diabetes, colesterol) combinados por una regresión. Se les conocen dos límites: se calibraron sobre todo en poblaciones blancas e ignoran la ingente información contenida en la historia clínica electrónica (HCE) y en el genoma.

Dos ingredientes recientes prometen hacerlo mejor. Primero, las trayectorias de laboratorio: en lugar de una medición aislada de glucosa o creatinina, se resume la evolución repetida de un marcador (su media, variabilidad, pendiente, recencia). Segundo, las puntuaciones de riesgo poligénico (PRS, por polygenic risk score: un resumen numérico de miles de variantes genéticas asociadas a una enfermedad, calculado a partir del ADN de un individuo). La pregunta abierta, y el objeto de este preprint: ¿aportan realmente algo estos ingredientes más allá de las escalas clásicas y, sobre todo, se mantiene su beneficio cuando cambian el hospital y la composición étnica? La pregunta no es retórica: las PRS se construyen mayoritariamente a partir de estudios genéticos realizados en personas de ascendencia europea, y su transferibilidad a otras ascendencias es el punto débil conocido del campo.

El método

Estudio de cohorte retrospectivo. El modelo se desarrolla en All of Us (AoU), un gran programa de investigación estadounidense: 34 987 adultos de al menos 45 años, con al menos un año de historia clínica antes de la inclusión, anclados a una fecha de referencia (enero de 2010) y seguidos durante diez años; 1920 sufrieron un ictus isquémico (5,5 %). La validación externa se hace en el BioMe Biobank del Mount Sinai en Nueva York: 10 693 participantes, 107 ictus (1,0 %), con una población marcadamente distinta — más hispanos (35 % frente a 12 %) y personas negras (22 % frente a 19 %). El evento medido es el primer ictus isquémico hospitalizado, definido por códigos diagnósticos (CIE-9 y CIE-10); los ictus no isquémicos y los casos solo ambulatorios se excluyen, y los controles deben tener al menos diez años de seguimiento.

El modelo es un XGBoost — un bosque de árboles de decisión construido por gradient boosting, donde cada nuevo árbol corrige los errores de los anteriores; su rasgo útil aquí es que gestiona los valores faltantes sin rellenarlos artificialmente. Los autores apilan tres niveles anidados: M1 (datos clínicos: demografía, comorbilidades, constantes, tratamientos), M2 (M1 + trayectorias de laboratorio) y M3 (M2 + veinte PRS del catálogo público PGS). Entrenan en paralelo dos familias: un modelo «de variables completas» (específico de AoU, con la raza autodeclarada) y un modelo «armonizado» (limitado a las variables comunes a ambas cohortes, para que un único modelo entrenado en AoU funcione tal cual en BioMe). Cada especificación se prueba en versión «ciega a la raza» y «consciente de la raza», y el contraste aísla el aporte propio de la raza declarada.

Se miden por separado dos cualidades del modelo, y ahí está el núcleo del estudio. La discriminación — su capacidad de clasificar un caso futuro por encima de un no caso — mediante el AUROC (área bajo la curva ROC: 0,5 = azar, 1 = perfecto). La calibración — la exactitud del riesgo absoluto anunciado — mediante el cociente observado/esperado (O/E: idealmente 1; por debajo, el modelo sobrestima el riesgo). La calibración se ajusta por Platt scaling en una partición dedicada de AoU y luego se aplica tal cual a BioMe. Los hiperparámetros se afinan por validación cruzada (con Optuna), los intervalos de confianza se obtienen por bootstrap, los AUROC se comparan con la prueba de DeLong y la importancia de las variables se descompone por SHAP. El informe sigue la guía TRIPOD+AI. Finalmente, M3 se compara con rFSRP y las PCE en los subgrupos elegibles para esas escalas.

Los resultados

En la partición de test de AoU (6998 participantes, 384 casos), M3 alcanza un AUROC de 0,813 (IC del 95 % 0,788–0,837). La diferencia con las escalas clásicas es espectacular: +0,164 de AUROC sobre la Framingham revisada, +0,181 sobre las PCE (P < 0,001 en ambos casos). Pero la descomposición es reveladora: añadir las trayectorias de laboratorio (M2 frente a M1) gana de forma significativa (ΔAUROC 0,020; P = 0,016), mientras que añadir las veinte PRS (M3 frente a M2) no gana de forma significativa (ΔAUROC 0,004; P = 0,253). Dicho de otro modo, la mayor parte del avance viene de la historia clínica rica, no del genoma.

El traslado externo cuenta dos historias opuestas. La discriminación se traslada, atenuada: en BioMe, el AUROC de M3 cae a 0,745. La calibración, en cambio, se derrumba: el cociente observado/esperado agregado pasa de 1,00 en AoU a 0,12 en BioMe. En claro, usado tal cual, el modelo predice unas ocho veces más ictus de los que realmente ocurren en la cohorte externa. Recalibrar la ordenada en el origen en BioMe repara la calibración en los participantes afroamericanos (O/E 1,05) e hispanos (0,86), pero no en los euroamericanos (0,43, sobrecorrección residual).

Traducción clínica. En el umbral fijado para el 90 % de especificidad, M3 detecta el 54 % de los ictus futuros frente al 43 % del modelo solo clínico, con un valor predictivo positivo del 25 % frente al 20 % — es decir, con la misma política de cribado, una cuarta parte más de verdaderos positivos y un 10 % menos de falsos positivos. Es una ganancia real de triaje. Pero un modelo cuyo riesgo absoluto se equivoca en un factor de ocho no puede, tal como está, servir para fijar un umbral de tratamiento en un nuevo hospital: clasificaría bien a los pacientes mientras sobretrata masivamente. Sobre el genoma, el aporte de las PRS solo es significativo en uno de los seis cruces cohorte × ascendencia — los hispanos de BioMe (ΔAUROC +0,042; P = 0,003) — y nulo en el resto (estimaciones de −0,019 a +0,012). En cuanto a la raza autodeclarada, solo añade una pequeña ganancia cuando se combina con las PRS (BioMe +0,022, P = 0,035; AoU +0,006, P = 0,053), y nada sin ellas.

Lo que está bien

Una validación externa real sobre una cohorte de ascendencia distinta. Es la excepción y no la regla: los propios autores recuerdan que los modelos de riesgo de ictus rara vez se validan en cohortes de ascendencias diferentes. Aquí, el modelo entrenado en AoU se enfrenta a otro hospital, otra distribución étnica (35 % de hispanos frente a 12 %) y una prevalencia de ictus cinco veces menor. Es exactamente la prueba que el 90 % de los modelos publicados esquiva.

La distinción discriminación/calibración tratada con honestidad. Muchos artículos se detienen en un AUROC halagador. Aquí, los autores muestran negro sobre blanco que la capacidad de clasificar se traslada (AUROC 0,745) pero que el riesgo absoluto se derrumba (O/E 0,12), y lo dicen. El doble marcador es exactamente lo que permite ver que una buena puntuación de clasificación puede dar riesgos absolutos erróneos — la lección más útil del estudio.

Un rigor metodológico cuidado. Informe según TRIPOD+AI, ninguna información posterior a la inclusión introducida en el modelo (sin fuga temporal), ajuste de hiperparámetros por validación cruzada, intervalos de confianza por bootstrap, comparación de AUROC por la prueba de DeLong, importancia de variables por SHAP descompuesta en dominios clínicos. La financiación es pública (National Heart, Lung, and Blood Institute; Alabama Genomic Health Initiative) y los autores declaran la ausencia de conflicto de intereses comercial.

Lo que está menos bien

Un sesgo de población y un único sitio de validación externa. Es el modo de fallo central. BioMe es un único hospital neoyorquino: la calibración solo se sostiene si se rehace centro por centro, e incluso recalibrada falla con los euroamericanos (O/E 0,43). Sobre todo, las PRS, construidas mayoritariamente sobre estudios de ascendencia europea, no se transfieren: su aporte es nulo en cinco de las seis estratos de ascendencia. Un modelo presentado como apto para «poblaciones diversas» cuyo beneficio genómico solo se materializa en los hispanos de una sola cohorte sigue siendo, en ese punto, frágil.

Un comparador débil y una métrica halagadora en primer plano. Dos modos de fallo acumulados — el comparador sesgado y la métrica engañosa. La diferencia de 0,16 a 0,18 de AUROC sobre Framingham y las PCE es real, pero enfrenta un XGBoost alimentado con la historia clínica completa a escalas diseñadas hace una a tres décadas para un puñado de variables introducidas a mano: la comparación está desequilibrada por construcción. El test interno honesto (M3 frente a M2) muestra además que las veinte PRS destacadas casi no añaden nada — la ganancia viene de la HCE, no de la innovación genómica anunciada. Y un AUROC de 0,745 acompañado de un O/E de 0,12 recuerda que una buena clasificación, aislada, no dice nada sobre la exactitud del riesgo anunciado.

Una potencia limitada en los estratos y una reproducibilidad cerrada. BioMe solo cuenta con 107 ictus, repartidos por ascendencia en subgrupos minúsculos: algunos AUROC por ascendencia tienen intervalos de confianza muy amplios (hasta 0,673–0,925), y las conclusiones por grupo se apoyan en pocos eventos. Ampliar la definición de ictus hace caer el AUROC externo a 0,646–0,674, señal de una fuerte sensibilidad al fenotipo elegido. Por último, los datos están bajo acceso restringido (AoU y BioMe), no se publica ningún repositorio de código, y se trata de un preprint aún no revisado por pares, difundido bajo licencia no comercial sin derivados (CC-BY-NC-ND) — la reproducibilidad independiente es, por tanto, limitada.

Lo que cambia

Para la comunidad de investigación, el estudio entrega dos mensajes. Primero, en 2026, el avance en la predicción del ictus viene sobre todo de explotar la historia clínica longitudinal — las trayectorias de laboratorio — mucho más que de las puntuaciones poligénicas, cuya transferibilidad entre ascendencias sigue siendo el cuello de botella sin resolver. Segundo, una lección metodológica directamente reutilizable: validar por separado la discriminación y la calibración en una cohorte externa, y prever una recalibración específica de cada sitio antes de cualquier despliegue.

Para los clínicos, hoy nada es desplegable: el modelo no está calibrado fuera de su centro de origen, no está aprobado y se apoya en un preprint. La idea de una escala de prevención primaria alimentada por la historia clínica es creíble a medio plazo, pero con la condición estricta de una recalibración local — sin ella, los riesgos anunciados serían inutilizables. Para los pacientes y el público general, el estudio ilustra dos reglas de lectura. «Una IA predice el ictus mejor que Framingham» oculta que la ganancia viene sobre todo de la historia clínica, no del genoma, y que un modelo que clasifica bien puede equivocarse en un factor de ocho sobre el riesgo real en otro hospital. Y sobre la cuestión sensible de la raza: el estudio sugiere que la ascendencia genética (vía las PRS) capta la mayor parte de la señal que aportaba la «raza autodeclarada» — un argumento para calibrar por ascendencia en lugar de inscribir la raza como variable en el modelo.

Para saber más

El preprint está disponible en medRxiv (10.64898/2026.06.22.26356280). Sobre la distinción entre clasificar bien y calibrar bien, núcleo de este trabajo, véase nuestro decryptage de un modelo de mortalidad en cuidados intensivos atento a la calibración y a la utilidad clínica; sobre la IA aplicada al ictus desde otros ángulos, los de un modelo de deep learning enfrentado al pronóstico de los neurólogos y de una red de grafos para la mortalidad tras un ictus.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.