Un modelo innovador para predecir la enfermedad coronaria utilizando triglicéridos

Diabetología cardiovascular volumen 22, Número de artículo: 200 (2023) Citar este artículo

179 Accesos

Detalles de métricas

Se han desarrollado varios modelos predictivos para predecir la incidencia de enfermedad coronaria (CHD), pero ninguno de ellos ha tenido un valor predictivo óptimo. Aunque estos modelos consideran la diabetes como un importante factor de riesgo de enfermedad coronaria, no consideran la resistencia a la insulina ni los triglicéridos (TG). El desempeño insatisfactorio de estos modelos de predicción puede atribuirse a que se ignoran estos factores a pesar de sus efectos comprobados sobre la enfermedad coronaria. Decidimos modificar los modelos predictivos de enfermedades coronarias estándar mediante aprendizaje automático para determinar si el índice de triglicéridos-glucosa (índice TyG, una combinación logaritmizada de azúcar en sangre en ayunas (FBS) y TG que demuestra resistencia a la insulina) funciona mejor que la diabetes como predictor de enfermedades coronarias.

Se investigaron dos mil participantes de una población iraní de base comunitaria, de edades comprendidas entre 20 y 74 años, con un seguimiento medio de 9,9 años (rango: 7,6-12,2). La asociación entre el índice TyG y la enfermedad coronaria se investigó utilizando modelos multivariados de riesgo proporcional de Cox. Al seleccionar componentes comunes de puntuaciones de riesgo de enfermedad coronaria previamente validadas, desarrollamos modelos de aprendizaje automático para predecir la enfermedad coronaria. El índice TyG sustituyó a la diabetes en los modelos de predicción de enfermedades coronarias. Todos los componentes de los modelos de aprendizaje automático se explicaron en términos de cómo afectan la predicción de enfermedades coronarias. Se calcularon los puntos de corte del índice TyG que predice la enfermedad coronaria.

La incidencia de enfermedad coronaria fue del 14,5%. En comparación con el cuartil más bajo del índice TyG, el cuarto cuartil tenía un índice de riesgo completamente ajustado de 2,32 (intervalo de confianza [IC] 1,16–4,68, tendencia p 0,04). Un índice TyG > 8,42 tuvo el valor predictivo negativo más alto para la enfermedad coronaria. La máquina de vectores de soporte (SVM) basada en el índice TyG tuvo un rendimiento significativamente mejor que la SVM basada en diabetes para predecir la enfermedad coronaria. El índice TyG no sólo fue más importante que la diabetes para predecir la enfermedad coronaria; Era el factor más importante después de la edad en los modelos de aprendizaje automático.

Recomendamos utilizar el índice TyG en la práctica clínica y modelos predictivos para identificar personas en riesgo de desarrollar enfermedad coronaria y ayudar en su prevención.

La enfermedad coronaria es un importante desafío de salud pública y contribuye a la carga mundial de morbilidad. A pesar de la mejora de los métodos de prevención y las técnicas de tratamiento [1, 2], sigue siendo la principal causa de morbilidad y mortalidad en todo el mundo, representando el 32% de todas las muertes [3] y una enorme presión sobre las finanzas sanitarias nacionales [4, 5]. Por tanto, la evaluación del riesgo de enfermedad coronaria es una prioridad de salud pública mundial.

Varios modelos predictivos de enfermedades coronarias como Framingham [6], Evaluación sistemática del riesgo coronario (SCORE) [7], Reynolds [8], Colegio Americano de Cardiología/Asociación Americana del Corazón (ACC/AHA) [9], recomendaciones de consenso de las Sociedades Británicas Conjuntas para la prevención de enfermedades cardiovasculares (JBS3) [10], Estudio multiétnico de aterosclerosis (MESA) [11], QRISK [12] y predicción del riesgo cardiovascular aterosclerótico en China (China-PAR) [13] para predecir la incidencia de enfermedades coronarias, pero ninguno tiene un valor predictivo óptimo [14]. Todos estos modelos consideran la diabetes como un importante factor de riesgo de enfermedad coronaria, pero ninguno considera la resistencia a la insulina o los TG [14,15,16,17].

Es posible una mejor predicción de la enfermedad coronaria si se considera la resistencia a la insulina, que ocurre años o incluso décadas antes de la diabetes [18]. Análisis mendelianos aleatorios, revisiones sistemáticas y metanálisis previos han defendido la asociación entre la resistencia a la insulina y la enfermedad coronaria al alterar las respuestas de la pared vascular a la insulina y promover la aterosclerosis [19,20,21]. La prueba de pinza hiperinsulinémica-euglucémica es el estándar de oro para medir la resistencia a la insulina, pero no es aplicable en estudios clínicos debido a su protocolo invasivo, complicado y costoso [22, 23]. Otro índice validado es la evaluación del modelo de homeostasis de la resistencia a la insulina (HOMA-IR) calculada dividiendo la glucosa sérica por las concentraciones de insulina. La concentración de insulina circulante no se mide de forma rutinaria en atención primaria. Además, tiene un valor limitado en sujetos que reciben insulina subcutánea. Por tanto, el HOMA-IR no es un índice adecuado para estrategias de prevención primaria [23]. El índice TyG es un producto logaritmizado de FBS y TG. Se ha demostrado que se correlaciona altamente con la pinza hiperinsulinémica-euglucémica y HOMA-IR [24]. Además, es un protocolo simple y de bajo costo que puede usarse en todos los sujetos independientemente de su estado de tratamiento con insulina [23]. Además, contiene TG, otro factor de riesgo de enfermedad coronaria [25, 26] como lo indican varios estudios; sin embargo, no ha sido considerado en modelos anteriores [6,7,8,9,10,11,12,13]. Por tanto, parece sensato modificar estos modelos con el índice TyG y luego evaluar su eficacia.

Se ha demostrado que los algoritmos de aprendizaje automático son extremadamente útiles para predecir enfermedades cardiovasculares [27]. Su capacidad para capturar interacciones complejas y relaciones no lineales entre variables y resultados los hace superiores a los modelos estadísticos estándar [28]. Varios estudios han demostrado que los algoritmos de aprendizaje automático superan a los modelos tradicionales [29,30,31]. A pesar de esto, ningún estudio ha explorado el impacto del índice TyG en la predicción de enfermedades coronarias mediante el aprendizaje automático. Por estas razones, se deben elegir modelos de aprendizaje automático para evaluar completamente cómo el índice TyG y la diabetes impactan e interactúan con otras variables al predecir la enfermedad coronaria.

En vista de lo anterior, el objetivo principal del presente estudio fue investigar la asociación entre el índice TyG y la enfermedad coronaria en un estudio de cohorte prospectivo de 10 años. El objetivo final fue modificar los modelos predictivos de enfermedades coronarias estándar mediante aprendizaje automático para determinar si el índice TyG funciona mejor que la diabetes como predictor de enfermedades coronarias.

Este estudio de cohorte se realizó utilizando datos del Yazd Healthy Heart Project (YHHP), un estudio epidemiológico poblacional que evalúa enfermedades cardiovasculares y trastornos metabólicos [32].

En YHHP, se definieron 100 grupos y 20 familias de cada grupo, y se seleccionó aleatoriamente a un adulto (de 20 a 74 años) de cada familia para participar y evaluar en la primera fase realizada en 2005-2006 (n = 2000, hombres = 1000, mujeres = 1000) [32].

Después de 10 años de seguimiento (2015-2016), los participantes fueron nuevamente invitados al Centro de Investigación Cardiovascular de Yazd (YCRC) para ser reevaluados [32].

De los 2000 participantes, 17 fueron omitidos del estudio debido a su pérdida durante la segunda fase; de los 1983 individuos que participaron en el examen inicial, 62 fueron excluidos debido al diagnóstico de enfermedad coronaria al inicio del estudio, 78 debido a muerte durante el estudio y 308 debido a datos faltantes. Los 1.552 participantes restantes (804 hombres, edad media 48,6 ± 14,7 años) se incluyeron en el presente estudio (Fig. 1).

Diagrama de flujo de los participantes que asistieron al estudio de seguimiento de 10 años.

El presente estudio fue aprobado por el comité de ética de la Universidad de Ciencias Médicas Shahid Sadoughi (código de ética: IR.SSU.REC.1401.069) y se realizó con base en la Declaración de Helsinki sobre investigación médica [33]. Se obtuvo el consentimiento informado de los participantes del estudio durante las fases inicial y de seguimiento. La presente investigación se informa sobre la base del fortalecimiento de la presentación de informes de estudios observacionales en la declaración de epidemiología (STROBE) [34].

Se recogieron muestras de sangre para pruebas de laboratorio después de un ayuno nocturno. Después de la centrifugación, se evaluaron el ácido úrico sérico (SUA), la glucosa y los TG utilizando los kits Pars Azmoon (Pars Azmoon Inc., Teherán, Irán). Se utilizaron kits Bionic (Bionic Company, Teherán, Irán) para analizar los perfiles de lípidos (colesterol total, lipoproteínas de baja densidad [LDL] y lipoproteínas de alta densidad [HDL]). Todos los análisis se realizaron utilizando un autoanalizador bioquímico (BT 3000, Italia) [32].

La altura se midió en ambas fases mediante un estadiómetro fijado a una pared sin abolladuras ni protuberancias. Mientras los participantes estaban descalzos, con los talones, las caderas, los hombros y la cabeza tocando la pared y la cabeza fijada horizontalmente con una precisión de 0,5 cm. Los participantes fueron pesados con una precisión de 0,1 kg en la primera fase usando una báscula digital (Seca, Alemania) con ropa mínima y en la segunda fase usando otra báscula digital (Modelo BF511, Omron Co. Karada body scan, Osaka, Japón). Se consideró el borde superior de la cresta ilíaca y la parte más ancha de la nalga para medir las circunferencias de cintura y cadera, respectivamente, con una precisión de 0,1 cm utilizando una cinta no estirable.

Se utilizó un monitor de presión arterial digital automático (Omron, M6 comfort, Osaka, Japón) para medir la presión arterial de los brazos derechos de los participantes, mientras estaban sentados. Una enfermera capacitada tomó dos veces la medición de la presión arterial, con un intervalo de 5 minutos [32].

Al completar cuestionarios, se recopilaron datos que incluían características demográficas, educación, actividad física, hábitos de fumar, antecedentes familiares de enfermedad coronaria prematura y hábitos alimentarios.

En la primera fase del estudio, entrevistadores capacitados completaron cuestionarios para evaluar la actividad física, el nivel educativo, los hábitos alimentarios y el tabaquismo. En cuanto al nivel educativo, los participantes se clasificaron como con educación primaria, secundaria o académica. La actividad física se evaluó mediante el Cuestionario Internacional de Actividad Física (IPAQ) [35]. Los participantes se clasificaron como con un nivel de actividad bajo, moderado o vigoroso si su actividad era <600, 600-1200 o >1200 kilocalorías/semana, respectivamente. Los participantes se dividieron en grupos de fumadores y no fumadores según su situación actual de fumador. La aparición de enfermedad coronaria en el padre o hermano menor de 45 años, o en la madre o hermana menor de 55 años, se definió como antecedentes familiares de enfermedad coronaria prematura [32]. Se utilizó un cuestionario para determinar el uso de alimentos fritos, sal, eliminación de la piel de las aves, comer fuera de casa, consumo de carne y eliminación de grasa de la carne.

Los eventos de enfermedad coronaria se definieron como casos de enfermedad coronaria fatal o no fatal, infarto de miocardio (IM), intervención coronaria percutánea (PCI), injerto de derivación de arteria coronaria (CABG) y nueva angina. El diagnóstico de nueva angina se basó en los resultados positivos del cuestionario de angina de Rose [36], además de cambios positivos en el electrocardiograma, enzimas cardíacas elevadas y prueba de tolerancia al ejercicio o angiografía de la arteria coronaria positiva.

El momento del resultado de enfermedad coronaria, infarto de miocardio, CABG, prueba de ejercicio positiva, enzimas cardíacas positivas e PCI fatales o no fatales se determinó con base en los registros médicos. Todos los cuestionarios de angina de Rose [36] y electrocardiogramas fueron investigados por un médico experto.

Los análisis estadísticos se realizaron con SPSS versión 24.0 (IBM Corp., Armonk, NY, EE. UU.), Python 3 y R versión 4.2.2 (www.R-project.org). Las variables continuas se describieron como media ± desviación estándar (DE) y se compararon mediante prueba T independiente o ANOVA. Las variables categóricas se describieron como números (porcentaje) y se compararon mediante pruebas de chi-cuadrado.

El índice TyG, la principal variable de exposición de interés, se definió como:

y analizados como cuartiles basados en distribuciones específicas por sexo y como medidas continuas. Se utilizaron modelos multivariables de riesgo proporcional de Cox para estimar el riesgo de desarrollar enfermedad coronaria. Se evaluaron cuatro modelos: el modelo I fue ajustado por edad y sexo; el modelo II se ajustó aún más en función de la actividad física, la educación, los antecedentes familiares de enfermedad coronaria prematura y el tabaquismo; el modelo III se ajustó aún más en función del colesterol total, HDL, índice de masa corporal (IMC), relación cintura-cadera, presión arterial, SUA y LDL; y el modelo IV se ajustó aún más para consumir alimentos fritos, agregar sal, quitar la piel de las aves, usar productos lácteos con alto contenido de grasa, salir a cenar, consumir carne y eliminar la grasa de la carne. Finalmente, el uso de medicamentos se ajustó en nuestros modelos para investigar si podía modificar la asociación.

Se utilizó el paquete R “OptimalCutpoints” [37] para evaluar los puntos de corte del índice TyG que pueden predecir la enfermedad coronaria. Estratificamos estos puntos de corte según el sexo y el estado de diabetes.

De acuerdo con estudios previos [31, 38], seleccionamos varios modelos de aprendizaje automático para construir modelos de predicción CHD (regresión logística, árbol de decisión, bosque aleatorio, K vecino más cercano (KNN) y SVM). Para simular modelos de predicción de enfermedades coronarias estándar anteriores, investigamos la literatura y seleccionamos los componentes comunes entre las puntuaciones de riesgo de Framingham [6], la puntuación de riesgo de muerte por ECV SCORE [7], la calculadora de riesgo QRISK [12], la puntuación de riesgo de ECV de Reynolds [8], ACC / Calculadora de riesgo de ECV de cohorte agrupada de la AHA [9], puntuación de riesgo JBS3 [10], puntuación de riesgo MESA [11] y predictor de riesgo China-PAR [13]. Como resultado de estas investigaciones, se consideraron la edad, el sexo, la presión arterial, el colesterol total, el HDL, la relación cintura-cadera, la diabetes, el tabaquismo y los antecedentes familiares de enfermedad cardíaca prematura al simular un modelo estándar de predicción de enfermedades coronarias. Como parte del preprocesamiento de los datos, se excluyeron todos los valores faltantes, los valores atípicos evaluados y las características altamente correlacionadas. Debido al desequilibrio en los datos de resultados (incidencia del 14,5%), utilizamos SMOTE (método de sobremuestreo) [39], que ha demostrado ser confiable para la enfermedad coronaria [38]. Después de estandarizar variables continuas y dividir los datos aleatoriamente en 70/30, entrenamos modelos en la parte más grande del conjunto de datos y evaluamos su desempeño en la parte más pequeña. Luego, modificamos nuestro conjunto de datos sustituyendo el índice TyG por diabetes y repetimos los pasos anteriores. Para demostrar la comparación de valores de modelos verdaderos positivos, verdaderos negativos, falsos negativos y falsos positivos, utilizamos matrices de confusión. Elegimos utilizar diferentes espectros de color para ayudar a ilustrar la comparación y hacerla más fácil de entender. Para informar el rendimiento del modelo, calculamos el área bajo las curvas (AUC), la sensibilidad, la especificidad, el coeficiente de correlación de Matthew de la puntuación de Cohen-kappa y la puntuación F1. Utilizamos el índice AUC generalmente aceptado [31] y la prueba de DeLong [40] para comparar el rendimiento de estos modelos. Para dar sentido a los modelos de aprendizaje automático y contrarrestar el carácter de caja negra de los modelos de aprendizaje automático, utilizamos la biblioteca "Dalex" [41] para determinar cuánto cambia el rendimiento de un modelo cuando se elimina una variable explicativa seleccionada.

Archivo adicional 1: La Tabla S1 resume las características iniciales de los participantes del estudio según el proceso de seguimiento. Los participantes perdidos durante el seguimiento eran significativamente mayores y con menos frecuencia hombres que los participantes que completaron el seguimiento.

Archivo adicional 1: la Tabla S2 explica las características iniciales de los participantes del estudio según su género.

Las características iniciales de los participantes según los cuartiles del índice TyG se presentan en la Tabla 1. Los participantes en el cuartil más alto de niveles séricos del índice TyG (índice TyG > 9,32) eran mayores y tenían niveles más altos de colesterol total, TG, SUA y sangre en ayunas. niveles de glucosa, mayores tasas de diabetes, presión arterial e índices antropométricos, niveles más bajos de HDL y menor educación.

La incidencia global de enfermedad coronaria de nueva aparición en la segunda visita fue del 14,5%. La incidencia de enfermedad coronaria fue del 6,4%, 11,1%, 14% y 26% en los cuartiles 1 a 4, respectivamente.

En comparación con el grupo Q1, el índice de riesgo (HR) y el IC del 95 % de incidencia de enfermedad coronaria en el modelo I fueron 1,51 (0,91–2,51), 1,68 (1,03–2,74) y 2,63 (1,67–4,15) en los Q2, Q3 y Grupos Q4, respectivamente. Después del ajuste final (modelo IV), la FC en el cuarto trimestre disminuyó ligeramente, pero sigue siendo significativa. Los niveles de FC ajustados por aumento de 1 unidad en el índice TyG fueron 1,87 (1,59–2,21), 1,70 (1,35–2,14) y 2,16 (1,69–2,77) en la muestra total, en hombres y mujeres, respectivamente (Tabla 2). .

Al estratificar por género, la asociación entre el índice TyG y el riesgo de enfermedad coronaria en hombres ya no fue significativa después de ajustar por marcadores de laboratorio y patrones dietéticos, pero todavía se asoció significativamente con enfermedad coronaria en mujeres: HR 4,65 (1,34–16,1) para el cuarto trimestre. en comparación con el primer trimestre. Los medicamentos para la diabetes confundieron la asociación entre el índice TyG y la enfermedad coronaria, pero el tratamiento de la dislipidemia no. Un índice TyG superior a 9,07 en mujeres y 8,92 en hombres tuvo la mayor sensibilidad y especificidad simultáneamente para predecir la enfermedad coronaria (Tabla 3).

La Tabla 4 muestra las funciones estadísticas, así como las matrices de confusión para predecir modelos que consisten en valores verdadero positivo, falso positivo, verdadero negativo y falso negativo. Los modelos forestales aleatorios tuvieron la mayor sensibilidad y especificidad. Se observó una mejora significativa en el modelo SVM después de la modificación con el índice TyG. Otros modelos no mostraron cambios significativos. En la Fig. 2, todos los componentes de estos modelos se comparan en términos de su impacto en la predicción. La eliminación de la diabetes disminuyó el AUC en aproximadamente un 2 % en el árbol de decisión, mientras que en otros modelos no afectó el AUC. Según el modelo, la eliminación del índice TyG disminuyó el AUC del 1 al 22 %. El estudio actual demostró que el índice TyG era mucho mejor que la diabetes para predecir la enfermedad coronaria; En general, fue el segundo factor más importante después de la edad.

Impacto de diferentes componentes de modelos de aprendizaje automático en la predicción de enfermedades coronarias

Los resultados de este estudio de cohorte prospectivo en una población iraní de base comunitaria seguida durante 9,9 años indican que un índice TyG más alto se asocia con un mayor riesgo de enfermedad coronaria. Esta asociación fue más evidente en las mujeres. Además, el índice TyG superó a la diabetes en los modelos de predicción de enfermedades coronarias.

Una asociación entre el índice TyG y la enfermedad coronaria se confirmó previamente tanto en estudios observacionales [23, 42,43,44,45,46,47,48,49] como en metanálisis [19, 50, 51], pero la inconsistencia en los valores predictivos, lo incompleto de los factores de confusión (especialmente la dieta y los medicamentos) y la necesidad de investigar la asociación en pacientes no diabéticos en estudios observacionales y la heterogeneidad en los metanálisis impulsaron el estudio actual [19].

Estudios anteriores han sugerido puntos de corte del índice TyG de 9 y 9,323 para prevenir la enfermedad coronaria [52]. Los resultados del estudio actual ayudarán a los proveedores de atención médica en nuestra región a evaluar a sus pacientes para detectar un índice TyG de ≥ 8,42, que según nuestros resultados tiene el valor predictivo negativo más alto, y a considerar el tratamiento farmacológico para valores de ≥ 9,28, que tuvo el valor predictivo positivo más alto en el estudio actual, y para controlar aquellos menores de 8,99, que tuvieron la mayor sensibilidad y especificidad simultáneamente.

FBS y TG son reflejos de la resistencia a la insulina en el hígado y los adipocitos, respectivamente [53]. Una combinación de estos dos factores, el índice TyG demostró una sensibilidad del 96,5% y una especificidad del 85% para detectar la resistencia a la insulina, un mejor rendimiento que el del HOMA-IR [51]. La resistencia a la insulina puede desencadenar procesos inflamatorios, desregulaciones del metabolismo de los lípidos, sobreactivación del sistema nervioso simpático, disfunción endotelial y, finalmente, trombosis y enfermedad coronaria [43, 45, 46, 51, 54,55,56,57]. Por lo tanto, el índice TyG puede servir como un marcador sustituto simple, práctico, rentable, reproducible y confiable para la medición de la resistencia a la insulina en los planes de prevención de enfermedades coronarias [54].

Los estudios han demostrado que el índice TyG desempeña un papel importante en la incidencia de enfermedades coronarias en mujeres [42, 43, 45, 46, 54, 58, 59]. No obstante, un estudio informó un papel mayor en los hombres [60] y otro no encontró diferencias entre géneros [55]. El presente estudio encontró una asociación en ambos sexos que persistió sólo en las mujeres después del ajuste multivariable. Este hallazgo puede explicarse por el hecho de que casi la mitad de las mujeres participantes tenían más de 50 años y eran susceptibles a la menopausia al inicio del estudio. Después de la menopausia puede ocurrir resistencia a la insulina y mayores riesgos de enfermedad coronaria debido a la disminución de los niveles de estrógeno [45, 46, 54, 55, 59]. Además, el índice TyG fue un factor de riesgo independiente para la enfermedad coronaria hasta el modelo II en participantes no diabéticos. La falta de asociación en los participantes diabéticos puede haberse debido a cambios en el estilo de vida y al consumo de medicamentos durante los 10 años de seguimiento [61]. Nuestro análisis mostró que el tratamiento de la diabetes hizo que la asociación no fuera significativa. La primera línea de tratamiento de la diabetes es la metformina, que puede disminuir la resistencia a la insulina [62], lo que confirma la asociación insignificante entre el índice TyG y la enfermedad coronaria en los participantes diabéticos.

Estudios anteriores han sugerido que el índice TyG predice eventos cardiovasculares con mayor precisión que la hemoglobina A1c [23]. Además, varios estudios han implicado que agregar el índice TyG a la puntuación de riesgo de Framingham puede aumentar su poder predictivo [48, 49]. Estudios anteriores concluyeron que SVM y el bosque aleatorio eran el modelo más eficaz para predecir la enfermedad coronaria [38, 63, 64 ], el estudio actual encontró que el bosque aleatorio logró el AUC más alto. Tanto en el modelo de bosque aleatorio como en el de SVM, la diabetes no jugó ningún papel, mientras que el índice TyG fue el segundo componente más influyente. El estudio actual encontró que el uso del índice TyG en lugar de diabetes en modelos de aprendizaje automático puede mejorar significativamente el poder predictivo de los modelos de predicción de enfermedades coronarias. Los modelos de aprendizaje automático demostraron que el índice TyG no sólo era más importante que la diabetes para predecir la enfermedad coronaria, sino que también era el factor más importante después de la edad. Hasta donde sabemos, el índice TyG no se utiliza en ninguna guía clínica [19], pero la Asociación Estadounidense de Diabetes (ADA) sugirió en 2022 que los pacientes con niveles elevados de TG (≥ 150 mg/dL [1,7 mmol/L ]) deberían implementar intervenciones mejoradas en el estilo de vida y un control glucémico óptimo [65]. Nuestros hallazgos abogan por la inclusión del índice TyG en futuras directrices de prevención de enfermedades coronarias.

Cabe señalar las siguientes fortalezas del presente estudio. Este estudio es el primero en evaluar el poder predictivo del índice TyG en la enfermedad coronaria mediante técnicas de aprendizaje automático. Hasta donde sabemos, los puntos de corte óptimos no se habían evaluado previamente en la población iraní. La naturaleza prospectiva basada en la comunidad de nuestro estudio y la determinación definitiva del resultado minimizan la posibilidad de causalidad inversa y sesgo de recuerdo. Incluir tanto a poblaciones mayores como jóvenes fue otra ventaja que tuvo el estudio actual sobre otros, ya que la mayoría de los estudios anteriores reclutaron adultos de mediana edad y mayores. Además, el presente estudio intentó mejorar el ajuste de los factores de confusión agregando antecedentes familiares de enfermedad coronaria prematura, uso de medicamentos, hábitos dietéticos, componentes completos del perfil lipídico y todas las características antropométricas a nuestros modelos. El largo tiempo de seguimiento en el presente estudio actúa como un arma de doble filo; de hecho, puede reflejar el riesgo de enfermedad coronaria a lo largo de la vida, pero, por otro lado, nuestra incapacidad para evaluar y controlar voluntariamente los controles de salud o los cambios en el estilo de vida durante el período de diez años del estudio puede haber afectado nuestros hallazgos. En comparación con estudios anteriores, teníamos un método idéntico para definir la enfermedad coronaria mediante la investigación de ECG, enzimas cardíacas, utilizando el cuestionario de angina de Rose, la prueba de tolerancia al ejercicio y la angiografía de la arteria coronaria.

Este estudio tuvo varias limitaciones. En primer lugar, se incluyó en un entorno de observación y, a pesar de una amplia gama de ajustes, no podemos descartar la posibilidad de factores de confusión no medidos. La investigación del índice TyG de referencia única puede inclinar nuestros resultados hacia la variación intraindividual. En segundo lugar, es posible que hayamos observado resultados específicos de género debido a la falta de datos sobre el estado menopáusico. En tercer lugar, solo se incluyeron sujetos iraníes, por lo que nuestros hallazgos podrían no ser generalizables a otros países.

El índice TyG se puede utilizar en la práctica clínica y en modelos predictivos como un índice muy valioso para predecir y prevenir la enfermedad coronaria, pero se necesitan más estudios para validar nuestros hallazgos.

Los conjuntos de datos utilizados y/o analizados durante el presente estudio están disponibles del autor correspondiente previa solicitud razonable.

Índice de triglicéridos-glucosa

Enfermedad coronaria

Intervalo de confianza

Evaluación del modelo homeostático para la resistencia a la insulina

Proyecto corazón sano YAZD

triglicérido

Lipoproteínas de baja densidad

Lipoproteína de alta densidad

Glucemia en ayunas

Ácido úrico sérico

Cuestionario Internacional de Actividad Física

Desviación Estándar

Índice de masa corporal

K vecino más cercano

Máquinas de vectores soporte

Asociación Americana de Diabetes

Electrocardiograma

Área bajo las curvas

Evaluación sistemática del riesgo coronario

Colegio Americano de Cardiología/Asociación Americana del Corazón

Predicción del riesgo cardiovascular aterosclerótico en China

Estudio multiétnico de aterosclerosis

Recomendaciones de consenso de las Sociedades Británicas Conjuntas para la prevención de enfermedades cardiovasculares

Virani SS, Alonso A, Aparicio HJ, Benjamin EJ, Bittencourt MS, Callaway CW, Carson AP, Chamberlain AM, Cheng S, Delling FN. Estadísticas de enfermedades cardíacas y accidentes cerebrovasculares: actualización de 2021: informe de la Asociación Estadounidense del Corazón. Circulación. 2021;143(8):e254–743.

Artículo PubMed Google Scholar

López AD, Mathers CD, Ezzati M, Jamison DT, Murray CJ. Carga mundial y regional de morbilidad y factores de riesgo, 2001: análisis sistemático de datos de salud de la población. La lanceta. 2006;367(9524):1747–57.

Artículo de Google Scholar

Enfermedades cardiovasculares (ECV) [https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)]. Consultado el 6 de enero de 2023.

Cui H, Liu Q, Wu Y, Cao L. El índice acumulativo de triglicéridos-glucosa es un riesgo de ECV: un estudio de cohorte prospectivo. Diabetol cardiovascular. 2022;21(1):22.

Artículo CAS PubMed PubMed Central Google Scholar

Zhao D, Liu J, Wang M, Zhang X, Zhou M. Epidemiología de las enfermedades cardiovasculares en China: características e implicaciones actuales. Nat Rev Cardiol. 2019;16(4):203–12.

Artículo PubMed Google Scholar

D'Agostino RB, Grundy S, Sullivan LM, Wilson P, Grupo CRP. Validación de las puntuaciones de predicción de enfermedad coronaria de Framingham: resultados de una investigación de múltiples grupos étnicos. Jamá. 2001;286(2):180–7.

Artículo PubMed Google Scholar

Conroy RM, Pyörälä K, Ae Fitzgerald, Sans S, Menotti A, De Backer G, De Bacquer D, Ducimetiere P, Jousilahti P, Keil U. Estimación del riesgo de enfermedad cardiovascular mortal a diez años en Europa: el proyecto SCORE. Eur Heart J. 2003;24(11):987–1003.

Artículo CAS PubMed Google Scholar

Ridker PM, Paynter NP, Rifai N, Gaziano JM, Cook NR. La proteína C reactiva y los antecedentes parentales mejoran la predicción del riesgo cardiovascular global: la puntuación de riesgo de Reynolds para hombres. Circulación. 2008;118(22):2243–51.

Artículo CAS PubMed PubMed Central Google Scholar

Goff DC Jr, Lloyd-Jones DM, Bennett G, Coady S, D'agostino RB, Gibbons R, Greenland P, Lackland DT, Levy D, O'donnell CJ. Guía ACC/AHA de 2013 sobre la evaluación del riesgo cardiovascular: informe del Grupo de Trabajo sobre Guías de Práctica del Colegio Americano de Cardiología/Asociación Americana del Corazón. Circulación. 2014;129:S49–73.

Artículo PubMed Google Scholar

Junta JBS. Recomendaciones de consenso de las Sociedades Británicas Conjuntas para la prevención de enfermedades cardiovasculares (JBS3). Corazón. 2014;100:ii1–67.

Artículo de Google Scholar

McClelland RL, Jorgensen NW, Budoff M, Blaha MJ, Post WS, Kronmal RA, Bild DE, Shea S, Liu K, Watson KE. Predicción del riesgo de enfermedad coronaria a 10 años utilizando calcio en las arterias coronarias y factores de riesgo tradicionales: derivación en el MESA (Multi-Ethnic Study of Atherosclerosis) con validación en el estudio HNR (Heinz Nixdorf Recall) y el DHS (Dallas Heart Study). J. Am Coll Cardiol. 2015;66(15):1643–53.

Artículo CAS PubMed PubMed Central Google Scholar

Hippisley-Cox J, Coupland C, Vinogradova Y, Robson J, Minhas R, Sheikh A, Brindle P. Predicción del riesgo cardiovascular en Inglaterra y Gales: derivación prospectiva y validación de QRISK2. BMJ. 2008;336(7659):1475–82.

Artículo PubMed PubMed Central Google Scholar

Yang X, Li J, Hu D, Chen J, Li Y, Huang J, Liu X, Liu F, Cao J, Shen C. Predicción de los riesgos a 10 años de enfermedad cardiovascular aterosclerótica en la población china: el proyecto China-PAR ( predicción del riesgo de ASCVD en China). Circulación. 2016;134(19):1430–40.

Artículo PubMed Google Scholar

Sofogianni A, Stalikas N, Antza C, Tziomalos K. Modelos y puntuaciones de predicción del riesgo cardiovascular en la era de la medicina personalizada. J Pers Med. 2022;12(7):1180.

Artículo PubMed PubMed Central Google Scholar

Studziński K, Tomasik T, Krzysztoń J, Jóźwiak J, Windak A. Efecto del uso de la puntuación del riesgo cardiovascular en la evaluación de riesgos de rutina en la prevención primaria de enfermedades cardiovasculares: una descripción general de revisiones sistemáticas. Trastorno cardiovascular de BMC. 2019;19(1):1–16.

Artículo de Google Scholar

Karmali KN, Persell SD, Perel P, Lloyd-Jones DM, Berendsen MA, Huffman MD. Puntuación de riesgo para la prevención primaria de enfermedades cardiovasculares. Sistema de base de datos Cochrane Rev. 2017. https://doi.org/10.1002/14651858.CD006887.pub4.

Artículo PubMed PubMed Central Google Scholar

Adeva-Andany MM, Martínez-Rodríguez J, González-Lucán M, Fernández-Fernández C, Castro-Quintela E. Insulin resistance is a cardiovascular risk factor in humans. Diabetes Metab Syndr. 2019;13(2):1449–55.

Artículo PubMed Google Scholar

Wu Z, Cui H, Li W, Zhang Y, Liu L, Liu Z, Zhang W, Zheng T, Yang J. Comparación de tres índices de resistencia a la insulina no basados en insulina para predecir la presencia y gravedad de la enfermedad de las arterias coronarias. Frente Cardiovasc Med. 2022;9:918359.

Artículo CAS PubMed PubMed Central Google Scholar

Liu X, Tan Z, Huang Y, Zhao H, Liu M, Yu P, Ma J, Zhao Y, Zhu W, Wang J. Relación entre el índice triglicéridos-glucosa y el riesgo de enfermedades cardiovasculares y mortalidad en la población general: a revisión sistemática y metanálisis. Diabetol cardiovascular. 2022;21(1):124.

Artículo CAS PubMed PubMed Central Google Scholar

Invitado KB, Tjeerdema N, Stijnen T, Smit JW, Dekkers OM. Resistencia a la insulina y riesgo de incidentes cardiovasculares en adultos sin diabetes: metanálisis. Más uno. 2012;7(12):e52036.

Artículo CAS PubMed PubMed Central Google Scholar

Chen W, Wang S, Lv W, Pan Y. Asociaciones causales de resistencia a la insulina con enfermedad de las arterias coronarias y accidente cerebrovascular isquémico: un análisis de aleatorización mendeliana. BMJ Open Diabetes Res Care. 2020;8(1):e001217.

Artículo PubMed PubMed Central Google Scholar

Tao LC, Xu JN, Wang TT, Hua F, Li JJ. Índice triglicérido-glucosa como marcador en enfermedades cardiovasculares: panorama y limitaciones. Diabetol cardiovascular. 2022;21(1):68.

Artículo CAS PubMed PubMed Central Google Scholar

Wang A, Tian X, Zuo Y, Chen S, Meng X, Wu S, Wang Y. El cambio en el índice de triglicéridos-glucosa predice el riesgo de enfermedad cardiovascular en la población general: un estudio de cohorte prospectivo. Diabetol cardiovascular. 2021. https://doi.org/10.1186/s12933-021-01305-7.

Artículo PubMed PubMed Central Google Scholar

Ganó KB, Kim YS, Lee BK, Heo R, Han D, Lee JH, Lee SE, Sung JM, Cho I, Park HB, et al. La relación de la resistencia a la insulina estimada por el índice de glucosa en triglicéridos y las características de la placa coronaria. Medicina (Baltimore). 2018;97(21):e10726.

Artículo CAS PubMed Google Scholar

Hokanson JE, Austin MA. El nivel de triglicéridos en plasma es un factor de riesgo de enfermedad cardiovascular independiente del nivel de colesterol de lipoproteínas de alta densidad: un metanálisis de estudios prospectivos poblacionales. J Riesgo cardiovascular. 1996;3(2):213–9.

Artículo CAS PubMed Google Scholar

Hokanson JE, Austin MA. El nivel de triglicéridos en plasma es un factor de riesgo de enfermedad cardiovascular independiente del nivel de colesterol de lipoproteínas de alta densidad: un metaanálisis de estudios prospectivos poblacionales. J Riesgo cardiovascular. 1996;3(2):213–9.

Artículo CAS PubMed Google Scholar

Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. ¿Puede el aprendizaje automático mejorar la predicción del riesgo cardiovascular utilizando datos clínicos de rutina? Más uno. 2017;12(4):e0174944.

Artículo PubMed PubMed Central Google Scholar

Subramani S, Varshney N, Anand MV, Soudagar MEM, Al-Keridis LA, Upadhyay TK, Alshammari N, Saeed M, Subramanian K, Anbarasu K. Predicción de enfermedades cardiovasculares mediante la incorporación del aprendizaje automático con aprendizaje profundo. Frente Medio. 2023;10:1150933.

Artículo de Google Scholar

Li Y, Sperrin M, Ashcroft DM, Van Staa TP. Consistencia de una variedad de modelos estadísticos y de aprendizaje automático en la predicción de riesgos clínicos de pacientes individuales: estudio de cohorte longitudinal que utiliza la enfermedad cardiovascular como ejemplo. BMJ. 2020;371:m3919.

Artículo PubMed PubMed Central Google Scholar

Allan S, Olaiya R, Burhan R. Revisión del uso y la calidad del aprendizaje automático en el desarrollo de modelos de predicción clínica de enfermedades cardiovasculares. Postgrado Med J. 2022;98(1161):551–8.

Artículo PubMed Google Scholar

Beaunza JJ, Puertas E, García-Pastor E, Villalba G, Condes E, Koleva G, Hurtado C, Landecho MF. Comparación de algoritmos de aprendizaje automático para la predicción de eventos clínicos (riesgo de enfermedad coronaria). J Biomed Informar. 2019;97:103257.

Artículo PubMed Google Scholar

Sarebanhassanabadi M, Mirhosseini SJ, Mirzaei M, Namayandeh SM, Soltani MH, Salehi-Abargouei A. La asociación entre una puntuación de hábitos alimentarios y el riesgo de síndrome metabólico: un estudio de cohorte. Clin Nutr. 2020;39(1):282–90.

Artículo PubMed Google Scholar

Ashcroft RE. La declaración de Helsinki. El libro de texto de Oxford sobre ética de la investigación clínica. Oxford: Prensa de la Universidad de Oxford; 2008. pág. 141–8.

Google Académico

Vandenbroucke JP, Ev Elm, Altman DG, Gøtzsche PC, Mulrow CD, Pocock SJ, Poole C, Schlesselman JJ, Egger M, Initiative S. Fortalecimiento de la presentación de informes de estudios observacionales en epidemiología (STROBE): explicación y elaboración. Ann Intern Med. 2007;147(8):W163–94.

Artículo PubMed Google Scholar

Hallal PC, Victora CG. Fiabilidad y validez del cuestionario internacional de actividad física (IPAQ). Ejercicio deportivo de ciencia médica. 2004;36(3):556.

Artículo PubMed Google Scholar

Dg COOK, Shaper A, MacFarlane P. Uso del cuestionario de angina de la OMS (Rose) en epidemiología cardiovascular. Int J Epidemiol. 1989. https://doi.org/10.1093/ije/18.3.607.

Artículo de Google Scholar

Calcular puntos de corte óptimos en pruebas de diagnóstico https://cran.r-project.org/web/packages/OptimalCutpoints/OptimalCutpoints.pdf. Consultado el 16 de enero de 2023.

Trigka M, Dritsas E. Predicción del riesgo de enfermedad arterial coronaria a largo plazo con modelos de aprendizaje automático. Sensores. 2023;23(3):1193.

Artículo PubMed PubMed Central Google Scholar

Fernández A, García S, Herrera F, Chawla NV. SMOTE para aprender de datos desequilibrados: avances y desafíos, con motivo del 15º aniversario. J Artific Intell Res. 2018;61:863–905.

Artículo de Google Scholar

DeLong ER, DeLong DM, Clarke-Pearson DL. Comparación de las áreas bajo dos o más curvas características operativas del receptor correlacionadas: un enfoque no paramétrico. Biometría. 1988;44:837–45.

Artículo CAS PubMed Google Scholar

Baniecki H, Kretowicz W, Piatyszek P, Wisniewski J, Biecek P. Dalex: aprendizaje automático responsable con explicabilidad interactiva y equidad en Python. J Mach Aprender Res. 2021;22(1):9759–65.

Google Académico

Cho YK, Han KD, Kim HS, Jung CH, Park JY, Lee WJ. El índice de triglicéridos-glucosa es un marcador útil para predecir futuras enfermedades cardiovasculares y mortalidad en adultos jóvenes coreanos: un estudio de cohorte poblacional a nivel nacional. J Lipid Ateroscler. 2022;11(2):178–86.

Artículo PubMed PubMed Central Google Scholar

Kim J, Shin SJ, Kang HT. La asociación entre el índice de triglicéridos-glucosa, las enfermedades cardio-cerebrovasculares y la muerte en adultos coreanos: un estudio retrospectivo basado en la cohorte NHIS-HEALS. Más uno. 2021;16(11):e0259212.

Artículo CAS PubMed PubMed Central Google Scholar

Li H, Zuo Y, Qian F, Chen S, Tian X, Wang P, Li X, Guo X, Wu S, Wang A. Variabilidad del índice de triglicéridos-glucosa y enfermedad cardiovascular incidente: un estudio de cohorte prospectivo. Diabetol cardiovascular. 2022;21(1):105.

Artículo PubMed PubMed Central Google Scholar

Li S, Guo B, Chen H, Shi Z, Li Y, Tian Q, Shi S. El papel del índice de glucosa de triglicéridos (triacilglicerol) en el desarrollo de eventos cardiovasculares: un análisis de cohorte retrospectivo. Representante de ciencia ficción 2019. https://doi.org/10.1038/s41598-019-43776-5.

Artículo PubMed PubMed Central Google Scholar

Tian X, Zuo Y, Chen S, Liu Q, Tao B, Wu S, Wang A. El índice de triglicéridos-glucosa se asocia con el riesgo de infarto de miocardio: un estudio prospectivo de 11 años en la cohorte de Kailuan. Diabetol cardiovascular. 2021. https://doi.org/10.1186/s12933-020-01210-5.

Artículo PubMed PubMed Central Google Scholar

Yu LZ, Ma RL, Zhang XH, He J, Guo H, Hu YH, Wang XP, Mu LL, Yan YZ, Guo SX La relación entre el índice de glucosa y triglicéridos y el riesgo de enfermedad cardiovascular entre la población kazaja y uigur en Xinjiang: a Análisis de cohorte retrospectivo, Zhonghua Yu Fang Yi Xue Za Zhi, 2022;56(6):800–5.

CAS PubMed Google Académico

Barzegar N, Tohidi M, Hasheminia M, Azizi F, Hadaegh F. El impacto del índice de triglicéridos-glucosa en los eventos cardiovasculares incidentes durante 16 años de seguimiento: estudio de lípidos y glucosa de Teherán. Diabetol cardiovascular. 2020. https://doi.org/10.1186/s12933-020-01121-5.

Artículo PubMed PubMed Central Google Scholar

Sánchez-Íñigo L, Navarro-González D, Fernández-Montero A, Pastrana-Delgado J, Martínez JA. The TyG index may predict the development of cardiovascular events. Eur J Clin Invest. 2016;46(2):189–97.

Artículo PubMed Google Scholar

Sajdeya O, Beran A, Mhanna M, Alharbi A, Burmeister C, Abuhelwa Z, Malhas SE, Khader Y, Sayeh W, Assaly R, et al. Índice de glucosa y triglicéridos para la predicción de aterosclerosis subclínica y rigidez arterial: un metanálisis de 37.780 personas. Problema actual Cardiol. 2022;47(12):101390.

Artículo PubMed Google Scholar

Ding X, Wang X, Wu J, Zhang M, Cui M. Índice de triglicéridos-glucosa y la incidencia de enfermedades cardiovasculares ateroscleróticas: un metanálisis de estudios de cohorte. Diabetol cardiovascular. 2021. https://doi.org/10.1186/s12933-021-01268-9.

Artículo PubMed PubMed Central Google Scholar

Araújo SP, Juvanhol LL, Bressan J, Hermsdorff HHM. Índice de glucosa en triglicéridos: un nuevo biomarcador en la predicción del riesgo cardiovascular. Rep. Med. anterior 2022;29:101941.

Artículo PubMed PubMed Central Google Scholar

Tian X, Chen S, Zhang Y, Zhang X, Xu Q, Wang P, Wu S, Wang A, Luo Y. Evolución temporal de la acumulación del índice de glucosa y triglicéridos con riesgo de enfermedad cardiovascular y mortalidad por todas las causas. Diabetol cardiovascular. 2022;21(1):183.

Artículo CAS PubMed PubMed Central Google Scholar

Liu J, Bu H, Ding Z, Zhang Y, Chen Y, Gao Y. La asociación del índice de glucosa y triglicéridos para la enfermedad de las arterias coronarias en mujeres posmenopáusicas. Clin Appl Thromb Hemost. 2022;28:10760296221094030.

Artículo CAS PubMed PubMed Central Google Scholar

Yang K, Liu W. Índice de triglicéridos y glucosa y diferencias de sexo en relación con eventos cardiovasculares adversos importantes en pacientes hipertensos sin diabetes. Frente Endocrinol (Lausana). 2021;12:761397.

Artículo PubMed Google Scholar

Chen F, Pan Y, Liu Z, Huang R, Wang J, Shao J, Gong Y, Sun X, Jiang X, Wang W, et al. Impacto de la variabilidad del índice de triglicéridos-glucosa entre visitas sobre el riesgo de enfermedad cardiovascular en los ancianos. Int J Endocrinol. 2022;2022:5125884.

Artículo PubMed PubMed Central Google Scholar

Liu Y, Wu M, Xu J, Sha D, Xu B, Kang L. Asociación entre el índice de triglicéridos y glucosa (TyG) y la lesión miocárdica subclínica. Nutr Metab Cardiovasc Dis. 2020;30(11):2072–6.

Artículo CAS PubMed Google Scholar

Nakagomi A, Sunami Y, Kawasaki Y, Fujisawa T, Kobayashi Y. Diferencia de sexo en la asociación entre marcadores sustitutos de resistencia a la insulina y rigidez arterial. J Complicaciones de la diabetes. 2020;34(6):107442.

Artículo PubMed Google Scholar

Lu YW, Chang CC, Chou RH, Tsai YL, Liu LK, Chen LK, Huang PH, Lin SJ. Diferencia de género en la asociación entre el índice TyG y la aterosclerosis subclínica: resultados del estudio de envejecimiento longitudinal I-Lan. Diabetol cardiovascular. 2021;20(1):206.

Artículo PubMed PubMed Central Google Scholar

Ye Z, Xie E, Gao Y, Li P, Tu Y, Guo Z, Li Q, Wu Y, Yu X, Li Y, et al. El índice de glucosa y triglicéridos se asocia con enfermedades cardiovasculares futuras de forma no lineal en adultos chinos de mediana edad y ancianos. Trastorno endocrino de BMC. 2022;22(1):242.

Artículo CAS PubMed PubMed Central Google Scholar

Park B, Lee YJ, Lee HS, Jung DH. El índice de triglicéridos-glucosa predice el riesgo de enfermedad cardíaca isquémica en los coreanos: un estudio prospectivo que utiliza datos del Servicio Nacional de Seguro Médico. Diabetol cardiovascular. 2020. https://doi.org/10.1186/s12933-020-01186-2.

Artículo PubMed PubMed Central Google Scholar

Davies MJ, Aroda VR, Collins BS, Gabbay RA, Green J, Maruthur NM, Rosas SE, Del Prato S, Mathieu C, Mingrone G. Manejo de la hiperglucemia en la diabetes tipo 2, 2022. Un informe de consenso de la Asociación Estadounidense de Diabetes ( ADA) y la Asociación Europea para el Estudio de la Diabetes (EASD). Cuidado de la diabetes. 2022;45(11):2753–86.

Artículo CAS PubMed Google Scholar

Hassan CAU, Iqbal J, Irfan R, Hussain S, Algarni AD, Bukhari SSH, Alturki N, Ullah SS. Predecir eficazmente la presencia de enfermedad coronaria mediante clasificadores de aprendizaje automático. Sensores (Basilea). 2022. https://doi.org/10.3390/s22197227.

Artículo PubMed PubMed Central Google Scholar

Garavand A, Salehnasab C, Behmanesh A, Aslani N, Zadeh AH, Ghaderzadeh M. Modelo eficiente para el diagnóstico de la enfermedad de las arterias coronarias: un estudio comparativo de varios algoritmos de aprendizaje automático. J Healthc Ing. 2022;2022:5359540.

Artículo PubMed PubMed Central Google Scholar

Draznin B, Aroda VR, Bakris G, Benson G, Brown FM, Freeman R, Green J, Huang E, Isaacs D, Kahan S. 10. Enfermedades cardiovasculares y gestión de riesgos: estándares de atención médica en diabetes-2022. Cuidado de la diabetes. 2022;45:S144–74.

Artículo de Google Scholar

Descargar referencias

Agradecemos a todos los participantes del estudio, sus familiares, los miembros del equipo de encuesta y el equipo de gestión y desarrollo del proyecto de YHHP y el centro de investigación cardiovascular de Yazd.

Este estudio no tuvo financiación.

Centro de Investigación Cardiovascular de Yazd, Instituto de Investigación de Enfermedades No Transmisibles, Universidad de Ciencias Médicas Shahid Sadoughi, Yazd, Irán

Seyed Reza Mirjalili, Sepideh Soltani, Zahra Heidari Meybodi y Mohammadtaghi Sarebanhassanabadi

Departamento de Medicina Interna, BH10-642, 46 Rue du Bugnon, CH-1011, Lausana, Suiza

Pedro Marcas-Vidal

Departamento de Ciencias de la Salud, Universidad de Bielefeld, Bielefeld, Alemania

Alejandro Kraemer

También puedes buscar este autor en PubMed Google Scholar.

MSH participó en la concepción, diseño y realización del estudio. SRM y ZHM participaron en la concepción, diseño, análisis e interpretación de los resultados y escribieron el primer borrador del manuscrito. PMV, AK y SS lo revisaron críticamente en busca de contenido intelectual importante. Todos los autores editaron, revisaron y aprobaron la versión final del manuscrito. MSH es el garante de este trabajo y, como tal, tuvo acceso completo a todos los datos del estudio y asume la responsabilidad de la integridad de los datos y la precisión del análisis de los mismos.

Correspondencia a Mohammadtaghi Sarebanhassanabadi.

El presente estudio fue aprobado por la Universidad de Medicina Shahid Sadoughi. Comité de ética en ciencias (código de ética: IR.SSU.REC.1401.069) y realizado con base en la Declaración de Helsinki sobre investigación médica [33]. Se obtuvo el consentimiento informado de los participantes del estudio durante la fase inicial y de seguimiento. La presente investigación se reporta con base en el fortalecimiento de la declaración de informes de estudios observacionales en epidemiología (STROBE).

No aplica.

Los autores declaran que no tienen intereses en competencia.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Características clínicas basales y variables biológicas de los participantes según proceso de inclusión. Tabla S2. Comparación de características clínicas basales y variables biológicas entre géneros.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/. La exención de dedicación de dominio público de Creative Commons (http://creativecommons.org/publicdomain/zero/1.0/) se aplica a los datos disponibles en este artículo, a menos que se indique lo contrario en una línea de crédito a los datos.

Reimpresiones y permisos

Mirjalili, SR, Soltani, S., Heidari Meybodi, Z. et al. Un modelo innovador para predecir la enfermedad coronaria mediante el índice de triglicéridos-glucosa: un estudio de cohorte basado en aprendizaje automático. Cardiovasc Diabetol 22, 200 (2023). https://doi.org/10.1186/s12933-023-01939-9

Descargar cita

Recibido: 01 de junio de 2023

Aceptado: 24 de julio de 2023

Publicado: 04 de agosto de 2023

DOI: https://doi.org/10.1186/s12933-023-01939-9

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt