Análisis de riesgos de la ruptura del aneurisma intracraneal a través de determinantes sociales de la salud (ARAMISS)

Los aneurismas intracraneales (IA), la malformación arterial intracraneal más común, afecta aproximadamente al 3% de la población global. Se caracterizan por una dilatación de la pared vascular dentro de la región intracraneal, típicamente en una bifurcación. La complicación más temida de IA es la ruptura, que se asocia con una alta morbilidad y mortalidad. Alrededor del 30% de los pacientes enfrentan la muerte o discapacidad severa, e incluso entre aquellos sin secuelas visibles, hasta el 50% sufren discapacidades invisibles como problemas cognitivos. Esto explica la importante carga económica de IAS ruptura, estimada en aproximadamente £ 168 millones anuales en el Reino Unido.

Una forma de reducir esta morbilidad y carga social es identificar a los pacientes con alto riesgo de ruptura para determinar a los que tienen más probabilidades de experimentar la progresión de la enfermedad. Se han desarrollado varias iniciativas, como las puntuaciones de los transcepites, fases y UCAS, para evaluar el riesgo de ruptura en la práctica clínica de rutina. Sin embargo, estos puntajes dependen en gran medida de factores de riesgo modificables y no modificables bien conocidos, como etnia, hipertensión, sexo, edad, tabaquismo e historia de hemorragia subaracnoidea. A pesar de su utilidad, son insuficientes para estratificar de manera confiable el riesgo de ruptura, subestimándolo en aproximadamente un 30%, lo que limita su impacto en la práctica diaria.

Investigaciones recientes han identificado factores de riesgo y protección emergentes, como el síndrome de la apnea del sueño, el control de lípidos y el uso de tratamientos antidiabéticos, reducidos por lípidos o antihipertensivos. Por lo tanto, es necesario volver a visitar el riesgo de ruptura de Ia al considerar estos factores en relación con los ambientes vivos de los pacientes.

Los determinantes sociales de la salud (SDOH) juegan un papel crítico en este contexto. Definidos como las condiciones de vida que influyen en la salud individual y de la población, SDOH incluyen factores amplios como la edad, el origen étnico y el género, así como los comportamientos de adicción, los niveles de ingresos, la exposición ambiental y el estado social. Se estima que contribuyen a más del 80% de los resultados de salud de la población. En enfermedades vasculares, se sabe que SDOH, como bajos niveles de educación, ingresos limitados, aislamiento social y baja actividad física, afectan la gravedad de la enfermedad más allá de los factores de riesgo tradicionales. La OMS estima que las enfermedades vasculares son la principal causa mundial de mortalidad, con 17.7 millones de muertes anuales, la mitad de las cuales se pueden prevenir. Por lo tanto, comprender y abordar SDOH es crucial para los esfuerzos de prevención de la salud pública.

Los estudios iniciales sobre el impacto de SDOH en la ruptura de Ia son limitados, a menudo se centran en determinantes individuales. Se necesita un enfoque más completo para SDH, especialmente dada la falta de pautas de consenso para la gestión de IA. Las opciones terapéuticas actuales, aunque avanzadas, aún tienen morbilidad perioperatoria. El modelado multivariable y las puntuaciones compuestas ponderadas pueden ayudar a abordar la complejidad de los factores clínicos y ambientales.

Los datos de SDH se recopilan rutinariamente en registros médicos y se digitalizan cada vez más a través de sistemas de información hospitalaria. Los almacenes de datos de salud (HDWS), como el del Hospital Universitario Nantes, integran datos estructurados y no estructurados de millones de pacientes, lo que permite su reutilización con fines de investigación. El advenimiento de la inteligencia artificial (IA) ha permitido extraer y analizar estos datos, revelando ideas de información previamente inaccesible.

El procesamiento del lenguaje natural (PNL), una rama de AI, permite la extracción automatizada de información de registros médicos textuales, desbloqueando el potencial de los datos no estructurados dentro de HDWS. Los modelos de vanguardia, como Bert, ChatGPT, Llama y Mistral, pueden procesar y analizar grandes volúmenes de texto. Sin embargo, la aplicación de PNL a los idiomas no ingleses está limitada por la falta de corpus anotados, preocupaciones de privacidad y regulaciones de soberanía de datos.

El Proyecto Aramiss tiene como objetivo investigar la interacción entre SDH y los factores de riesgo conocidos para la ruptura de IA, comparando pacientes con IA no ruptura con aquellos con IAS rupurados. Usando SDH, el proyecto clasificará a los pacientes en grupos de riesgos y analizará espacialmente los datos de los pacientes a través de API como Datagouv. Además, el proyecto se centrará en desarrollar metodologías justas (encontrables, accesibles, interoperables, reutilizables) para compartir sus algoritmos y capacitar corporios con la comunidad biomédica mientras mantiene el cumplimiento regulatorio.