XXXVI Congreso SETH

Comunicaciones Orales 57 CO-181 Nueva aproximación para la predicción del tromboembolismo venoso en mieloma múltiple mediante el uso de algoritmos de machine learning Martínez Afonzo I 1 , Jiménez Jiménez C 2 , Askari R 3 , Velasco Rodríguez D 3 , Ramos Cillán S 3 , Vidal Laso R 3 , Martín Herrero S 3 , Prieto Pareja E 3 , Velasco Valdazo A 4 , Jiménez Barral E 3 , Soto de Ofaeta C 3 , Cortti Ferrari MJ 3 , Salgado Sánchez R 3 , Alonso Domínguez JM 3 , Laínez González D 1 , Llamas Sillero P 3 , Serrano López J 1 1 IIS. Hospital Universitario Fundación Jiménez Díaz. Universidad Autónoma de Madrid. Madrid. 2 Universidad Complutense de Madrid. Madrid. 3 Hospital Universitario Fundación Jiménez Díaz. Madrid. 4 Hospital Universitario Rey Juan Carlos. Móstoles, Madrid Introducción: El tromboembolismo venoso (TEV) es una causa común de morbimortalidad en pacientes con mieloma múl- tiple (MM) y según las series hasta un 10 % pueden desarrollar una complicación trombótica. El riesgo es mayor durante la fase activa de la enfermedad y se asocia a la interacción de factores de riesgo relacionados con el paciente, la enfermedad y el tratamien- to. Aunque la tromboprofilaxis es una estrategia eficaz y segura para disminuir el riesgo de TEV, actualmente su uso se fundamen- ta en recomendaciones o escalas de riesgo basadas en regresión lo- gística que no están validadas y presentan un valor predictivo bajo. El machine learning (ML) se está convirtiendo en una herramienta eficaz para la identificación de patrones dentro de un conjunto ma- sivo de datos. Con esta premisa, en este trabajo utilizamos el ML para la búsqueda de un patrón predictor de TEV en MM. Material y métodos: Hemos configurado de forma retrospec- tiva una base de datos con 110 pacientes diagnosticados de MM de forma no consecutiva y con más de 50 variables clínico-bio- lógicas. Del total de pacientes, 19 habían desarrollado TEV con una mediana de edad de 63 años (rango 49-89). De este subgrupo presentaron HTA el 57.9 %, dislipemia el 47 %, la mayoría tenía un ECOG de 1 y 36,8 % presentaron citogenética adversa al diag- nóstico (Tabla I). Para el análisis de los datos se utilizaron apro- ximaciones no supervisadas de PCA y dendrograma y análisis supervisados mediante algoritmos de ML basados en red neuronal y árboles de decisión como son “ Naive Bayes ”, “ Artificial Neural Network ” (ANN), “ k-Nearest Neighbor ” (KNN), “ Support Vector Machines ” (SVM), árbol de decisión, “ Random Forest ” (RF). Tabla II. Comparaciones de tasas de incidencia para los diferentes eventos en las cuatro estaciones Ictus isquémico Eventos CV adversos Hemorragia mayor Mortalidad Razón de densidades de incidencia (IC 95 %) p Razón de densidades de incidencia (IC 95 %) p Razón de densidades de incidencia (IC 95 %) p Razón de densidades de incidencia (IC 95 %) p Primavera frente a verano 0,69 (0,37-1,26) 0,200 1,87 (1,10-3,25) 0,010 1,18 (0,81-1,73) 0,360 0,97 (0,75-1,25) 0,800 Otoño frente a verano 1,34 (0,81-2,25) 0,230 2,43 (1,47-4,15) < 0,001 1,18 (0,81-1,73) 0,360 0,85 (0,65-1,10) 0,200 Invierno frente a verano 1,45 (0,88-2,41) 0,120 3,78 (2,37-6,28) < 0,001 1,26 (0,87-1,83) 0,210 1,46 (1,16-1,84) < 0,001 IC: intervalo de confianza; CV: cardiovascular. El verano actúa como referencia. Tabla I. Características de los pacientes con TEV y mieloma múltiple Variable Total de pacientes (n = 19) Mediana edad, años (rango) 63 (49-89) > 65 años (%) 42 Sexo  Hombre, n (%)  Mujer, n (%) 8 (42,1) 11 (57,9) IMC (kg/m 2 ), media 28,46 ECOG de 1, N (%) 10 (58,8) Comorbilidades  HTA, n (%)  Dislipemia, n (%)  Diabetes, n (%)  Obesidad, n (%)  Enfermedad cardiovascular, n (%)  Enfermedad renal crónica, n (%)  Infección aguda, n (%)  Fractura, n (%) 11 (57,9) 9 (47,4) 4 (21,1) 6 (31,6) 3 (15,8) 9 (47,4) 1 (5,3) 6 (31,6) Laboratorio al diagnóstico, media  Hemoglobina (g/dL)  Plaquetas (× 10 3 /µL)  CM (mg/dL) 10,85 266,6 2,09 Citogenética adversa, n (%) 7 (36,8) Tratamiento, n (%)  Eritropoyetina  Dexametasona a dosis altas  IMID 3 (15,8) 10 (52,6) 9 (47,4) Riesgo IMPEDE, n (%)  Bajo  Intermedio  Alto 7 (36,8) 5 (26,3) 6 (31,6) Riesgo IMWG, n (%)  Bajo  Alto 2 (10) 17 (89,5) Tipo de TEV, n (%)  Trombosis venosa profunda  Tromboembolismo pulmonar  Trombosis asociada a catéter 4 (21,1) 14 (73,7) 1 (5,3)