Agenda demo
Respaldo académico

Lo que sustentaal motor.

Las cifras del modelo no son inventadas. Vienen de una cohorte cardiovascular latinoamericana de 382,589 pacientes seguidos entre 1990 y 2025, una validación externa en una aseguradora nunca vista durante el entrenamiento, y un protocolo metodológico que cumple TRIPOD+AI (BMJ 2024). El paper que documenta todo está bajo revisión en IJCCRP 2026.

01 / paper Bajo revisión · IJCCRP 2026

El paper que documentala derivación y validación.

Bajo revisión

A Next-Generation Prediction Risk Model for Acute Myocardial Infarction

Amorocho-Morales JD, Parra-Guevara S, Quintero-Muñoz E, Dimas G, Correa-Morales JE. Int J Cardiol Cardiovasc Risk Prev (IJCCRP). 2026.

IJCCRP-D-26-00086

Resumen

Presentamos un modelo predictivo de infarto agudo de miocardio entrenado y validado sobre una cohorte cardiovascular latinoamericana de 382,589 pacientes únicos seguidos entre 1990 y 2025, con 3,940,059 encuentros clínicos y 15,511 IAM observados. El modelo opera con datos clínicos rutinarios, sin imagen avanzada ni biomarcadores especiales, y reporta calibración casi perfecta (O/E 0.998), discriminación robusta (AUC 0.869, C-index 6m 0.836, C-index 12m 0.846) y validación externa significativa en una aseguradora nunca vista durante el entrenamiento (n=5,602, F=147.6, p<.001). La separación entre bandas operativas (tasa observada 54.6% / 38.1% / 21.0%) demuestra que la calibración sobrevive al cambio de población. El reporte sigue el estándar TRIPOD+AI (BMJ 2024).

Reporte bajo TRIPOD+AI · BMJ 2024
02 / cohorte Datos clínicos rutinarios

Una cohorte cardiovascularintegrada de Colombia, 1990–2025.

El modelo se entrenó sobre la práctica clínica real, no sobre un ensayo. Eso es lo que permite que las probabilidades reflejen la población a la que se aplican.

Pacientes únicos 382,589

Identificadores deduplicados a lo largo de los 35 años.

Encuentros clínicos 3,940,059

Consultas, hospitalizaciones y eventos registrados en el sistema.

Infartos observados 15,511

Eventos de IAM confirmados (codificación + verificación clínica).

Validación externa n = 5,602

Aseguradora nunca vista durante el entrenamiento · F = 147.6 · p < .001.

1990 – 2025 Periodo de observación
03 / métricas del modelo Discriminación, calibración y validación

Las cifras que respaldancada predicción.

Las mismas métricas que /productos/caritas usa para uso operativo, aquí en versión académica con citas. Se calculan sobre la cohorte completa y se reproducen en la validación externa.

¿Qué es O/E?

Cuando el modelo dice 22%, es 22% real.

O/E (observado sobre esperado) compara cuántos eventos ocurrieron contra cuántos el modelo predijo. Un valor cercano a 1.0 significa que las probabilidades del modelo son numéricamente correctas: cuando dice 22% de riesgo a 12 meses, en la cohorte real ese paciente tiene 22% de chance de IAM, no 5%, no 60%. Eso es lo que permite usar la probabilidad como umbral clínico, hablarla con el paciente, y definir bandas operativas. La discriminación (AUC, C-index) dice que el orden está bien; la calibración dice que los números son reales.

O/E
0.998
Calibración casi perfecta. La probabilidad numérica que reporta el modelo coincide con la tasa observada en la cohorte.
AUC
0.869
Discriminación: el modelo separa pacientes que harán IAM de los que no en el 86.9% de los pares aleatorios.
C-index 6m
0.836
Discriminación temporal a 6 meses: el orden de prioridad coincide con el orden real de aparición del evento.
C-index 12m
0.846
Discriminación temporal a 12 meses. La concordancia se mantiene cuando se amplía el horizonte de predicción.

Validación externa en una aseguradora nunca vista durante el entrenamiento. La separación entre bandas se mantiene, la calibración sobrevive al cambio de población.

5,602

Pacientes

147.6

Estadístico F

<.001

Valor p

Tasa observada por banda
Alto 54.6%
Medio 38.1%
Bajo 21.0%

Los modelos clásicos (Framingham, SCORE2, PROCAM, PREVENT) miden riesgo a 10 años con cohortes europeas o estadounidenses. Aplicados en LATAM sobrepredicen: O/E < 1. El sistema termina priorizando a personas que no harán el evento.

Patrón sistemático en LATAM: Framingham y SCORE2 sobrepredicen (O/E < 1). PROCAM ajustado por sexo cierra parcialmente la brecha en Colombia. Caritas calibra casi perfectamente sobre la cohorte real.

Modelo
AUC
O/E
Ámbito
Corpus AI
0.869
0.998
Colombia · 1990–2025 · IAM 6–12 m
Framingham Fuente: Muñoz 2014 · n=1,013
0.658
0.76
Colombia · prevención primaria · 10 años
PROCAM (sexo-adj) Fuente: Muñoz 2014 · n=1,013
0.744
0.94
Colombia · mejor modelo localizado · 10 años
SCORE2 Fuente: López-López 2025 · n=2,022
0.68 – 0.72
sobrepredicción 22–42 %
Colombia · cohorte PURE · 12.3 años
Framingham Fuente: Camargos 2024 · n=12,155
0.77
0.38
Brasil · ELSA · 4.2 años
SCORE2 Fuente: Camargos 2024 · n=12,155
0.76
0.63
Brasil · ELSA · recalibrado low-risk
PREVENT (AHA) Fuente: Mancini 2024 · Scheuermann 2024
,
,
Sin validación externa LATAM con desenlaces incidentes a mayo 2026
Reporte bajo TRIPOD+AI · BMJ 2024
04 / bibliografía Referencias verificables

Las diez referenciasque sustentan el trabajo.

  1. Muñoz OM, Rodríguez NI, Ruiz Á, Rondón M. Validación de los modelos de predicción de Framingham y PROCAM en una población colombiana. Rev Colomb Cardiol. 2014;21(4):202–212.

    paper

  2. Hageman SHJ, McKay AJ, et al.. SMART2 risk prediction algorithm. Eur Heart J. 2022;43(18):1715–1727.

    paper

  3. Mancini GBJ, Ryomoto A. Adoption of the PREVENT Risk Algorithm: Potential International Implications. JACC Adv. 2024;3(8):101122.

    paper

  4. Scheuermann B, Brown A, et al.. External Validation of the AHA PREVENT Cardiovascular Disease Risk Equations. JAMA Netw Open. 2024;7(10):e2438311.

    paper

  5. WHO CVD Risk Chart Working Group. WHO CVD risk charts: revised models for 21 global regions. Lancet Glob Health. 2019;7(10):e1332–e1345.

    guideline

  6. Collins GS, Moons KGM, et al.. TRIPOD+AI statement. BMJ. 2024;385:e078378.

    standard

  7. Liu T, Krentz A, Lu L, Curcin V. ML-based prediction models for CVD risk using EHR data: systematic review and meta-analysis. Eur Heart J Digit Health. 2024;6(1):7–22.

    paper

  8. Damen JA, Pajouheshnia R, et al.. Performance of the Framingham risk models and pooled cohort equations. BMC Med. 2019;17(1):109.

    paper

  9. Amorocho-Morales JD, Parra-Guevara S, Quintero-Muñoz E, Dimas G, Correa-Morales JE. A Next-Generation Prediction Risk Model for Acute Myocardial Infarction. Int J Cardiol Cardiovasc Risk Prev. 2026 (en revisión, IJCCRP-D-26-00086).

    paper

  10. Krittanawong C, Virk HUH, et al.. Machine learning prediction in cardiovascular diseases: meta-analysis. Sci Rep. 2020;10(1):16057.

    paper
Conversación con el equipo

¿Querés profundizaren la metodología?

30 minutos con el equipo clínico-técnico. Compartimos el preprint, discutimos la metodología de calibración, y exploramos cómo se vería el modelo en tu propia cohorte. Respondemos en 2 días hábiles.

Solicitar el preprint Volver a Cómo funciona