Identificación de individuos en alto riesgo de desarrollar artritis reumatoide: un modelo de bosque aleatorio balanceado en una cohorte de 1544 familiares de primer grado

Objetivos Identificar en una población genéticamente susceptible individuos con mayor riesgo de desarrollar artritis reumatoide (AR) utilizando un enfoque de clasificación que combina factores de riesgo epidemiológicos conocidos, biomarcadores serológicos, genética, signos y síntomas clínicos. Métodos Utilizamos datos de la cohorte prospectiva SCREEN-RA (Evaluación de una estrategia de CRIBado para la Artritis Reumatoide) de 1540 familiares de primer grado de pacientes con AR (FDR-AR). El resultado primario fue el desarrollo de AR. Adicionalmente, utilizamos artritis inflamatoria (AI) seropositiva como un resultado secundario para análisis exploratorios. Se ajustaron y evaluaron modelos de bosque aleatorio balanceado (BRF) a través de una validación cruzada de cinco pliegues para evitar el sobreajuste. Elegimos un umbral de clasificación que apuntaba a una alta sensibilidad. Resultados Después de un seguimiento medio de 7.1 años, 27 participantes desarrollaron AR y 126 desarrollaron AI seropositiva. El BRF demostró un rendimiento predictivo moderado, caracterizado por alta sensibilidad (≥0.85) pero con modestos niveles de especificidad. Los factores reumatoides (FR) tuvieron la mayor importancia en la predicción de AR, seguidos por los síntomas de la escala de 'artralgia clínicamente sospechada' (CSA). La edad, el género y los autoanticuerpos anti-RA33 fueron las principales variables para la predicción de AI seropositiva. Conclusiones En general, los resultados demuestran que predecir AR al combinar genética, biomarcadores serológicos, factores de riesgo epidemiológicos y signos clínicos es prometedor, aunque la generalización del modelo sigue siendo un desafío. La baja prevalencia de AR en la cohorte complica el desarrollo de modelos de predicción altamente precisos. Los esfuerzos futuros deben centrarse en incluir validación externa y potencialmente incorporar biomarcadores adicionales para mejorar la sensibilidad y el rendimiento general de las pruebas predictivas.