Resumen

La predicción de la preeclampsia (PE) es una tarea crucial tanto desde el punto de vista médico como socioeconómico. Recientemente, se han desarrollado varios biomarcadores con resultados clínicamente prometedores. Sin embargo, los marcadores identificados actualmente enfrentan los desafíos de su aplicabilidad en entornos clínicos debido a factores como el costo y la plataforma de medición. Según nuestro estudio, la incorporación de los niveles de creatinina sérica (SCr) que pueden derivarse fácilmente de una base de datos hospitalaria del mundo real junto con el conocimiento previo de la hiperfiltración, que es una adaptación fisiológica específica del riñón en el embarazo, mejoró significativamente la predicción de la PE. El modelo desarrollado en este estudio es práctico y se puede aplicar fácilmente en entornos de atención primaria sin requerir actualizaciones significativas de la base de datos del hospital.

La preeclampsia (PE) es una enfermedad relacionada con el embarazo que representa una amenaza importante tanto para las madres como para los bebés. Numerosos estudios han identificado la asociación entre la PE y la disfunción renal. Sin embargo, en la práctica clínica, los problemas renales en mujeres embarazadas a menudo se pasan por alto debido a las adaptaciones fisiológicas durante el embarazo, incluida la hiperfiltración renal. Estudios recientes informaron la distribución del nivel de creatinina sérica (SCr) en función de la edad gestacional (GA) y demostraron que las desviaciones de los patrones esperados pueden predecir resultados adversos del embarazo, incluida la PE. Este estudio tuvo como objetivo establecer un modelo de predicción de EP utilizando el conocimiento de expertos y considerando la adaptación fisiológica renal durante el embarazo. Este estudio retrospectivo incluyó a mujeres embarazadas que dieron a luz en el Hospital Cristiano Wonju Severance. Se utilizaron variables de entrada, como la edad, las semanas de gestación, las enfermedades crónicas y los niveles de SCr, para establecer el modelo de predicción de PE. Mediante la integración de SCr, GA, se crearon la distribución de SCr específica de GA y grupos de cuartiles de SCr específica de GA (GAQ). Para proporcionar un rendimiento generalizado, se utilizó un método de muestreo aleatorio. Como resultado, GAQ mejoró el desempeño predictivo para cualquier caso de PE y casos triples, incluidos PE, parto prematuro (PTB) y restricción del crecimiento fetal. Proponemos un modelo de predicción para la PE que consolida la información de análisis de sangre clínica fácilmente disponible y las adaptaciones fisiológicas renales relacionadas con el embarazo.

Desempeño en la predicción de preeclampsia (PE) según semanas gestacionales (GWs). Los desempeños de predicción de los casos PE-todos (A) y PE-triple (B) se resumen según GW. El modelo de predicción se estableció mediante regresión logística. Las características del modelo son la creatinina sérica (SCr), el tiempo medido (Mt) y la SCr específica de la edad gestacional (GAQ). Los diagramas de caja incluyen valores mínimos, del primer cuartil (25 %), la mediana, del tercer cuartil y máximos. Los puntos en el gráfico de caja denominados valores atípicos indican casos que muestran más de 1,5 veces el IQR, sesgado desde el valor de la mediana apareada. El eje Y indica AUC para predecir PE, y el diagrama de caja resume 100 niveles de AUC en cada categoría de GW. Los diagramas de caja de color verde, purpura, naranja y rojo se obtuvieron del conjunto de datos testeados, mientras que los diagramas de caja de color gris se seleccionaron del conjunto de datos de entrenamiento. El caso PE-triple denota pacientes con PE, PTB y FGR.

Abreviaturas: PE: preeclampsia;
PTB: parto prematuro;
FGR: restricción del crecimiento fetal;
GW: semana gestacional;
AUC: área bajo la curva característica operativa del receptor.
PE-triple (B): PE+PTB + FGR;
IQR: Rango intercuartílico.

Bibliografía en Inglés:

1: ACOG Practice Bulletin No. 202: Gestational Hypertension and Preeclampsia. Obs. Gynecol. 2019;133:1.

2: Maayeh M, Costantine MM. Prevention of preeclampsia. Semin. Fetal Neonatal Med. 2020;25:101123.

3: Ives CW, Sinkey R, Rajapreyar I, Tita ATN, Oparil S. Preeclampsia-Pathophysiology and Clinical Presentations: JACC State-of-the-Art Review. J. Am. Coll. Cardiol. 2020;76:1690–1702.

Bibliografía en Español:

1: Vázquez-Rodríguez JG, Aguilera-Maldonado LV. Aclaramiento de la creatinina en pacientes preeclámpticas con síndrome HELLP. Clínica e Investigación en Ginecología y Obstetricia; 45(3):114-20.

2: Pérez M, Pacheco M, Pérez K, Tineo N. Daño renal en pacientes preeclámpticas con criterios de gravedad. Rev Obstet Ginecol Venez 2020; 80( 3 ): 176-86.

3: Vázquez-Rodríguez JG, Isla-Arias MX. Correlación entre ácido úrico y creatinina sérica en pacientes embarazadas con preeclampsia severa. Ginecol. obstet. Méx. 2018 ; 86( 9 ): 567-574.