Diseño y población de estudio

Se realizó un estudio observacional, retrospectivo, en una cohorte de pacientes con diagnóstico de hipertensión arterial (HTA) atendidos en el servicio de cardiología ambulatoria de una institución privada de la Ciudad Autónoma de Buenos Aires, Argentina, durante el período comprendido entre 2017 y 2022. Se incluyeron de manera consecutiva pacientes adultos mayores de 18 años con diagnóstico de HTA que contaban con evaluación clínica completa y estudio ecocardiográfico. En el contexto de la práctica clínica habitual, un subgrupo de pacientes fue evaluado para apnea obstructiva del sueño (AOS) mediante polisomnografía según criterio clínico y disponibilidad. Se excluyeron aquellos pacientes con datos incompletos en las variables de interés, así como aquellos con estudios de sueño no concluyentes o técnicamente inadecuados. Asimismo, se excluyeron pacientes con enfermedades respiratorias crónicas graves, insuficiencia cardíaca avanzada o condiciones que pudieran interferir en la correcta interpretación de los estudios de sueño.

Definiciones

Se definió hipertensión arterial según las directrices actuales (10,11) y en relación con los valores de la monitorización ambulatoria de la presión arterial (MAPA): presión arterial nocturna (período pasivo) ≥120/70 mmHg, presión arterial diurna (período activo) ≥135/85 mmHg y promedio de 24 h ≥ 130/80 mmHg. Se consideró patrón non-dipper cuando la reducción nocturna de la presión sistólica fue <10 % respecto de los valores diurnos. La presión arterial ambulatoria se midió mediante un dispositivo oscilométrico validado (presurómetro MEDITECH ® modelo ABPM-04, software Easy ABPM versión 1.1.2.3), (12) seleccionando el tamaño del manguito según la circunferencia braquial del paciente y colocándolo en el brazo no dominante. Se definió como período activo el comprendido entre las 08:00 y 22:00 h, con mediciones cada 20 minutos, y como período pasivo el comprendido entre las 22:00 y 08:00 h, con mediciones cada 30 minutos. Esta información se complementó con el diario personal del paciente para corroborar los períodos de actividad y descanso.

La AOS, previamente denominada síndrome de apnea hipopnea obstructiva del sueño (SAHOS), se definió según las directrices de la American Academy of Sleep Medicine (AASM) vigentes al momento de la inclusión de los pacientes. (13) Se consideró AOS la presencia de episodios repetidos de obstrucción completa o parcial de la vía aérea superior durante el sueño, evidenciados mediante polisomnografía y cuantificados por el índice de apnea-hipopnea (IAH). En la cohorte analizada, el diagnóstico de AOS se estableció exclusivamente mediante polisomnografía, considerada el método de referencia para la confirmación diagnóstica. Se estableció diagnóstico de AOS con un IAH ≥ 5 eventos/hora, clasificándose la gravedad en leve (5-14), moderada (15-29) o grave ( ≥ 30). La hipopnea se definió como una reducción del flujo respiratorio ≥ 30 % durante al menos 10 segundos, asociada a desaturación ≥ 3 % y/o a la presencia de un arousal , entendido como un microdespertar transitorio evidenciado en el registro polisomnográfico que interrumpe brevemente la continuidad del sueño.

La disfunción diastólica del ventrículo izquierdo (VI) se definió según las directrices actuales, (14,15) aplicando el algoritmo de la American Society of Echocardiography (ASE) y la European Association of Cardiovascular Imaging (EACVI), que integra parámetros ecocardiográficos para establecer la presencia de disfunción diastólica y estimar la presión de llenado del VI. En pacientes con ritmo sinusal, se consideró que existe disfunción diastólica cuando se cumplen al menos dos de los siguientes criterios: relación E/e’ promedio >14, e’ septal <7 cm/s o e’ lateral <10 cm/s, volumen indexado de la aurícula izquierda >34 ml/m², o velocidad de regurgitación tricuspídea >2,8 m/s. La gravedad se categorizó según dicho algoritmo en grado I (alteración de la relajación con presiones normales), grado II (patrón pseudonormal con presiones elevadas) o grado III (patrón restrictivo con presiones elevadas). Para el modelo predictivo la disfunción diastólica se consideró como una variable dicotómica (presencia/ausencia), independientemente del grado de gravedad, para facilitar su aplicación como herramienta de cribado rápido.

Desenlace de interés

Nuestro desenlace de interés fue la presencia de AOS.

Análisis estadístico

Descripción de la cohorte

Las variables continuas se expresaron como media y desviación estándar o mediana y rango intercuartílico, según su distribución, y las variables categóricas como porcentajes. La comparación entre grupos se realizó con prueba t de Student o U de Mann-Whitney para variables continuas y chi cuadrado para las categóricas. Las variables cuantitativas se categorizaron de acuerdo con puntos de corte clínicamente relevantes o exploradas a través de modelos aditivos generalizados y análisis visuales para determinar posibles puntos de inflexión clínicamente significativos, que luego se utilizaron para su categorización. El índice de masa corporal (IMC) se calculó como el peso en kilogramos dividido por la talla en metros al cuadrado. La edad se analizó tanto como variable continua como categórica (estratificada en <45, 45-65 y >65 años).

Selección de predictores de AOS

Se consideraron variables clínicas y ecocardiográficas seleccionadas a priori en función de su relevancia fisiopatológica y de la evidencia previa. Las variables clínicas incluyeron características demográficas, factores de riesgo cardiovascular tradicionales (como hipertensión, diabetes, dislipidemia y tabaquismo) y parámetros antropométricos. Las variables ecocardiográficas incluyeron medidas estructurales y funcionales del ventrículo izquierdo, incluyendo la evaluación de la función diastólica y sistólica. Para identificar los predictores se emplearon dos métodos de selección complementarios: regresión penalizada tipo LASSO ( Least Absolute Shrinkage and Selection Operator ) y selección escalonada ( stepwise ) guiada por el criterio de información de Akaike (AIC), priorizando un enfoque parsimonioso y clínicamente interpretable. Cada método se ejecutó dentro de un esquema de remuestreo bootstrap con reemplazo (1 000 iteraciones), registrándose en cada una las variables seleccionadas. En cada iteración se registró la frecuencia de inclusión de las variables, calculando la proporción de selección y su intervalo de confianza binomial al 95 %. Dado que los dos métodos se aplicaron con el mismo número de iteraciones, se les asignó igual ponderación (1/2 cada uno) en el cálculo de un puntaje combinado de estabilidad. Se establecieron puntos de corte predefinidos ( ≥ 75% de selección en cada método) para definir consenso, considerando como robustas aquellas variables que superaron simultáneamente dichos umbrales en los dos métodos. Este enfoque combinado se adoptó para mejorar la robustez en la selección de predictores y reducir el riesgo de sobreajuste.

Análisis multivariable

Las variables con mayor consistencia (frecuencia elevada y/o coincidencia entre métodos) y aquellas consideradas de relevancia clínica se incluyeron en modelos de regresión logística multivariada para estimar el riesgo de AOS. Dado el bajo número de eventos, se priorizó un enfoque parsimonioso para evitar sobreajuste. Asimismo, se evitó la inclusión de variables altamente correlacionadas o redundantes para reducir la inestabilidad del modelo y mejorar su generalización. El número de eventos por variable se mantuvo cercano a los límites recomendados, por lo que los resultados deben interpretarse con cautela en relación con la estabilidad del modelo. Los resultados se expresaron como odds ratios (OR) con sus intervalos de confianza del 95% (IC95%). El rendimiento y capacidad discriminativa del modelo se valoró con el área bajo la curva ROC (AUC) y las métricas diagnósticas habituales: sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN) y precisión global, calculadas en 1000 iteraciones por medio de bootstrap para estimar su estabilidad.

La calibración del modelo se verificó mediante el test de Hosmer-Lemeshow y curvas de calibración. Todos los análisis se realizaron con el software RStudio (v4.4.0) y se consideró estadísticamente significativo un valor de p < 0,05.

Consideraciones éticas

El estudio se llevó a cabo de acuerdo con los principios de la Declaración de Helsinki. (16) Dado el carácter retrospectivo del análisis y el uso de datos anonimizados, no se requirió consentimiento informado individual.

Descripción general de la población

Se incluyeron 1795 pacientes con diagnóstico de hipertensión arterial y estudios complementarios completos, de los cuales 88 (4,9 %) presentaron diagnóstico confirmado de AOS mediante polisomnografía. La edad media de la cohorte fue de 59,3 ± 14,2 años, con predominio del sexo femenino (53 %). En el grupo con AOS se observó mayor proporción en el sexo masculino (63,6 % vs. 46,2 %; p=0,002) y una edad promedio que no mostró diferencias estadísticamente significativas (56,9 ± 11,9 vs. 59,4 ± 14,3 años; p=0,115). En cuanto a los factores de riesgo cardiovascular, los pacientes con AOS presentaron una frecuencia similar de diabetes mellitus (15,9 % vs. 17,0 %; p=0,902) y mayor índice de masa corporal (32,9 ± 6,5 vs. 29,3 ± 5,5 kg/ m²; p<0,001). Asimismo, la prevalencia de disfunción diastólica fue significativamente superior en el grupo con AOS (51,1 % vs. 34,7 %; p=0,002). En relación con los eventos cardiovasculares durante el seguimiento no se evidenciaron diferencias estadísticamente significativas entre ambos grupos, el resto de las características basales se encuentran en la Tabla 1.

Selección de variables mediante algoritmos de machine learning

En los análisis de selección de variables, tanto el método stepwise como LASSO mostraron una alta estabilidad en la identificación de predictores de AOS. La frecuencia de selección se representó gráficamente, observándose que variables como edad, género, IMC, disfunción diastólica y antecedentes cardiovasculares se mantuvieron entre las más consistentemente seleccionadas. El mapa comparativo entre ambos métodos evidenció un grupo de variables que superaron simultáneamente los umbrales de consenso (≥75 % de selección en stepwise y en LASSO), lo que refuerza su solidez como predictores. En este gráfico, la zona sombreada representa el consenso estricto entre métodos, mientras que el tamaño de cada punto refleja el score ponderado (promedio 50/50 de las proporciones en ambos algoritmos), lo que permite apreciar no solo el consenso entre métodos, sino también el grado de estabilidad de cada variable. En contraste, otras variables aparecieron de forma más esporádica o dependiente del método, lo que sugiere menor estabilidad. Estos hallazgos se resumen en la Figura 1, que muestra un Mapa de concordancia de selección (LASSO - stepwise). En el análisis comparativo, un subconjunto reducido de variables mostró alta frecuencia de selección simultánea en ambos métodos (zona de consenso), constituyendo los predictores más estables; el resto presentó frecuencias bajas o dependientes de un único enfoque, reflejando menor consistencia. En línea con estos hallazgos y priorizando la parsimonia del modelo, la diabetes mellitus no fue incluida en el modelo final. Si bien mostró asociación en el análisis bivariado, esto podría explicarse por su colinealidad con el índice de masa corporal y otros factores cardiometabólicos. Adicionalmente, el limitado número de eventos en la cohorte condicionó la cantidad de variables que podían incluirse en el modelo multivariado, por lo que su exclusión debe interpretarse como una decisión metodológica orientada a preservar la estabilidad del modelo más que como ausencia de relevancia clínica.

Fig. 1

Mapa de estabilidad: LASSO vs Stepwise

Tamaño = score ponderado (50% LASSO / 50% STEP). Región sombreada = consenso (umbrales 75% / 75%).

AI: aurícula izquierda; DLP: dislipidemia; FA: fibrilación auricular; HDL: lipoproteínas de alta densidad; IMC: índice de masa corporal; MACE: eventos cardiovasculares mayores; PAD: presión arterial diastólica.

Análisis multivariable: Predictores de AOS

La presencia de disfunción diastólica, el género, la edad comprendida entre 45 y 65 años, y el IMC se asociaron con la presencia de AOS. Otras variables, como antecedentes de diabetes, enfermedad coronaria o parámetros bioquímicos, no mostraron asociación estadísticamente significativa (Tabla 1). En el análisis multivariado los predictores independientes de AOS fueron: disfunción diastólica (OR 2,39; IC95% 1,54-3,74; p <0,001), género masculino (OR 2,12; IC95% 1,35-3,38; p = 0,001), edad entre 45–65 años (OR 1,71; IC95% 1,10–2,66; p = 0,017), IMC (OR por 1 kg/m2 1,08; IC95% 1,05- 1,11; p < 0,001)

Modelo de predicción final

El modelo final mostró un  AUC de 0,70  (IC95% 0,59–0,81), con una sensibilidad del 71%, especificidad del 55%, VPP de 8% y VPN de 98%. La calibración, evaluada mediante el test de Hosmer-Lemeshow, no mostró diferencias significativas (p >0,05), indicando un buen ajuste. El rendimiento diagnóstico del modelo se presenta en la Figura 2.

Fig. 2

Desempeño del modelo predictivo de AOS

Curva ROC obtenida con 1000 iteraciones de bootstrap. AUC mediana: 0,70 (IC 95%: 0,59–0,81). A la derecha, desempeño del modelo con sensibilidad 71 %, especificidad 55%, valor predictivo negativo (VPN) 98 %, valor predictivo positivo (VPP) 8% y precisión global (accuracy) 56 %. AOS: apnea obstructiva del sueño

Declaración de conflicto de intereses

Los autores declaran que no tienen conflictos de interés. (Véanse formularios de conflicto de intereses de los autores en la web)

inanciamiento

El presente trabajo no recibió financiamiento externo.