Estratificación del riesgo en la unidad de dolor torácico

El conocimiento del pronóstico de un individuo enfermo ha sido un deseo constante del médico desde los primeros tiempos. La angustia, ante la incertidumbre que provoca la enfermedad en el propio paciente y su familia, nos obliga a aventurar el futuro. En los últimos años, la estratificación del riesgo ha adquirido un nuevo sentido al constituir la base para seleccionar el tratamiento en un determinado paciente, especialmente cuando el tratamiento puede salvar la vida pero entraña un riesgo que en ocasiones puede superar el beneficio esperado. El paciente con dolor torácico que acude a urgencias representa el paradigma de esta situación: puede estar en riesgo de muerte inminente o tener una condición banal; su tratamiento puede incluir una intervención cardíaca o requerir simplemente un ansiolítico. Así pues, discernir su riesgo y pronóstico es una necesidad.

Con la incorporación de las técnicas estadísticas a la investigación médica se desarrollaron numerosas fórmulas para predecir el pronóstico de los pacientes coronarios. Los primeros algoritmos, descritos en pacientes con infarto agudo de miocardio por Schnur (1953), Peel (1962) y Norris (1969), que incluían exclusivamente variables clínicas, gozaron de una cierta popularidad pero se mostraron poco prácticos y con un gran margen de error. Los intentos posteriores, en los que se incorporaron nuevas variables clínicas y parámetros hemodinámicos o angiográficos, aunque más exactos, tampoco han resuelto el problema de la estratificación del riesgo2 .

En las unidades de dolor torácico, el problema de la predicción del riesgo cobra un interés especial e incluso tiene trascendencia económica. Por este motivo se han desarrollado nuevas formas de predicción, en un intento de seleccionar los individuos de alto riesgo que requieren ingreso en el hospital y un tratamiento más agresivo, mientras es posible dar de alta a pacientes de bajo riesgo directamente desde urgencias; aquí también los resultados están lejos de ser satisfactorios.

En una publicación reciente, Doukky y Calvin3 señalaban las dificultades para desarrollar un modelo de predicción correcto. En primer lugar, se requiere partir de una muestra de pacientes elevada y que sea representativa de la condición clínica en estudio. Además, deben incluirse en el análisis todas las variables importantes y se debe analizar su contribución independiente mediante técnicas estadísticas adecuadas. Los eventos que constituyen el objetivo de la predicción deben tener relevancia clínica, por ejemplo, la muerte, el infarto de miocardio o el accidente cerebrovascular. Es necesario, además, que el número de estos eventos en el seguimiento sea suficiente para permitir un cálculo estadístico adecuado; es con este fin que a menudo se utilizan de manera errónea variables combinadas de menor trascendencia. Finalmente, el modelo debe probarse en una población independiente de similares características; un estudio reciente mostraba que alguno de los modelos propuestos, como el GRACE, perdía la capacidad de discriminación cuando se aplicaba en una población diferente, menos seleccionada4 .

Podríamos añadir a estas condiciones que la fórmula sea de fácil aplicación y que de la predicción se deriven consecuencias terapéuticas relevantes.

Lógicamente, la información que proporciona un nuevo modelo debe ser superior a la simple observación clínica o los métodos ya disponibles, demostrándolo en un análisis estadístico adecuado, por ejemplo, el método ROC. Así, en un estudio en el que se analizaba la puntuación de Goldman para predecir la presencia de cardiopatía isquémica en pacientes con dolor torácico en urgencias, el área bajo la curva (ROC) era de 0,68 para la predicción de los médicos y de 0,76 para el algoritmo de Goldman calculado mediante un sistema computarizado. Aunque el trabajo concluía que este método era mejor, es indudable que su contribución era escasa5 .

Finalmente, y puesto que todos los modelos de predicción son imperfectos y su sensibilidad y especificidad no se aproximan al 100%, cuando se diseña el estudio debe anticiparse cuál es el objetivo y qué se va a primar. Por ejemplo, en la unidad de dolor torácico, cualquier fórmula debería tener un elevado valor predictivo negativo con el fin de dar de alta sólo a los pacientes con muy bajo riesgo; por el contrario, si se desea seleccionar a pacientes para un tratamiento complejo y con un tasa elevada de complicaciones, el valor predictivo positivo debe primar.

En el presente número de Revista Española de Cardiología se exponen 2 trabajos en los que se aborda el problema de la predicción del riesgo en pacientes con dolor torácico que acuden a urgencias. De distinta forma, ambos estudios son un ejemplo de las dificultades antes expuestas.

En el primero de ellos, García Almagro et al6 analizan el valor de la puntuación TIMI para evaluar el pronóstico en una amplia serie de 1.254 de estos pacientes. Durante el seguimiento de 6 meses, 25 fallecieron o presentaron un infarto de miocardio. El análisis se lleva a cabo por separado en los 911 pacientes dados de alta desde urgencias y en los 343 ingresados, 2 poblaciones muy diferentes, como demuestran sus características basales y la puntuación de TIMI; de hecho, entre los que fueron remitidos directamente a su domicilio, la tasa de muerte o infarto fue muy baja, de 7 pacientes (0,7%), en comparación con el 3,7% de los ingresados. Claramente, en el primer grupo, el número de eventos es demasiado bajo, y es por ello probablemente que los autores incluyen la revascularización en la variable combinada principal, lo que dificulta el análisis estadístico. Además,