Cardiovascular Risk Prediction Using World Health Organization Tables and a Predictive Model Designed with Artificial Intelligence
Keywords:
predictive models; cardiovascular risk; cardiovascular risk factors; artificial intelligence; primary health care.Abstract
Introduction: For more than two decades, cardiovascular diseases have been the leading causes of death in Cuba and worldwide. The shortcomings of available cardiovascular disease risk prediction tools hinder effective cardiovascular risk prediction in primary healthcare.
Objective: To compare the prediction of cardiovascular disease risk in a subset of the Cuban population using the 2019 World Health Organization tables and a predictive model designed with artificial intelligence.
Methods: A descriptive study was conducted to compare the 2019 World Health Organization tables and a predictive model using artificial intelligence techniques. The data source was a cohort database of a subset of the Cuban population, followed for 10 years.
Results: The 2019 World Health Organization tables overestimated or underestimated the risk of cardiovascular disease in 457 individuals; when compared to the predictive model, this one adds novel predictors related to chronic or low-grade inflammation and the pathogenesis of atherosclerosis, thus enabling the diagnosis of metabolic dyslipidemia, as well as raising suspicion of insulin resistance and subclinical atherosclerosis.
Conclusions: The predictive model designed with artificial intelligence techniques was more effective than the 2019 World Health Organization tables in predicting the risk of cardiovascular disease.
Downloads
References
1. World Health Organization (WHO) CVD Risk Chart Working Group. World Health Organization cardiovascular disease risk charts: revised models to estimate risk in 21 global regions. Lancet Glob Health 2019. 2019;1-11. DOI: http://dx.doi.org/10.1016/S2214-109X (19)30318-3
2. Vega Abascal J, Guimará Mosqueda M, Vega Abascal L. Riesgo cardiovascular, una herramienta útil para la prevención de las enfermedades cardiovasculares. Rev Cubana Med Gen Integr. 2011 [acceso 12/12/2024];27(1):91-7. Disponible en: http://scielo.sld.cu/pdf/mgi/v27n1/mgi10111.pdf
3. Organización Mundial de la Salud. Enfermedades no transmisibles. 2022 [acceso 29/04/2013]. Disponible en: https://www.who.int/es/health-topics/noncommunicable-diseases
4. Anuario Estadístico de Salud. MINSAP. Cuba. 2023 [acceso 26/09/2024]. Disponible en: https://files.sld.cu/dne/files/2024/09/Anuario-Estad%c3%adstico-de-Salud-2023-EDICION-2024.pdf
5. Grillo-Martín M, Mezquia de Pedro N, González-García S. Tablas de predicción de riesgo cardiovascular empleadas en Cuba. Revista Cubana de Cardiología y Cirugía Cardiovascular. 2023 [acceso 20/05/2023];29(1):1408. Disponible en: https://revcardiologia.sld.cu/index.php/revcardiologia/article/view/1408
6. Siniawski DA, Masson WM, Barbagelata L. Limitaciones de los puntajes de riesgo cardiovascular en prevención primaria. ¿Una oportunidad para los moduladores de riesgo? Revista Argentina de Cardiología. 2023 [acceso 12/03/2025];91(2):109-16. Disponible en: https://www.redalyc.org/journal/3053/305377366003/html/
7. Pizarro R, Masson W. Estudios prospectivos poblacionales: las fortalezas de las cohortes históricas. Acta Gastroenterol Latinoam. 2020 [acceso 23/03/2021];50(4):382-7. Disponible en: https://actagastro.org/estudios-prospectivos-poblacionales-las-fortalezas-de-las-cohortes-historicas/
8. Organización Panamericana de la Salud. HEARTS: Paquete técnico para el manejo de las enfermedades cardiovasculares en la atención primaria de salud. Riesgo cardiovascular: Manejo de las ECV basado en el riesgo. Washington, D.C.: OPS; 2024. DOI: https://doi.org/10.37774/9789275328507
9. Vega-Abascal J, Piriz-Assa A, Nápoles-Riaño D. Modelo predictivo de enfermedad cardiovascular basado en inteligencia artificial en la atención primaria de salud. Rev Cuban Med Gen Int. 2023 [acceso 23/10/2023];39(3):e2768. Disponible en: https://revmgi.sld.cu/index.php/mgi/article/view/2768
10. Vega Abascal J, Piriz Assa A, Guimará Mosqueda M, Vega Abascal L, Caballero González L, Nápoles Riaño D. PredRCG_aps: Predicción del riesgo cardiovascular global en la atención primaria de salud. CCM. 2022 [acceso 19/09/2022];26(2). Disponible en: http://www.revcocmed.sld.cu/index.php/cocmed/article/view/4202/2136
11. World Medical Assocition Declaration of Helsinki: Ethical Principles for Medical Research Involving Human Subjects. JAMA. 2013;310(20):1-95. DOI: https://doi.org/10.1001/jama.2013.281053
12. Colectivo de autores. Enfermedades no trasmisibles en Cuba. Tamayo Muñiz S, Pérez Perea L, Pérez González RD, coordinadores. La Habana: Editorial Ciencias Médicas; 2022. [acceso 18/05/2023]. Disponible en: http://www.bvscuba.sld.cu/libro/enfermedades-notransmisibles-en-cuba
13. Badawy M, Naing L, Johar S, Ong S, Rahman HA, Tengah D, et al. Evaluation of cardiovascular diseases risk calculators for CVDs prevention and management: scoping review. BMC Public Health. 2022;22(1):1742. DOI: https://doi.org/10.1186/s12889-022-13944-w
14. Organización Mundial de la Salud. Estimaciones de salud mundial 2019: defunciones por causa, edad, sexo, país y región, 2000-2019. 2020 [acceso 28/04/2023]. Disponible en: https://www.who.int/es/news/item/09-12-2020-who-reveals-leading-causes-of-death-and-disability-worldwide-2000-2019
15. Revueltas-Agüero M, Valdés-González Y, Serra-Larín S, Suárez-Medina R, Ramírez-Sotolongo JC. Estimación del riesgo cardiovascular en una población, según dos tablas predictivas. Arch Méd Camagüey. 2020 [acceso 07/02/2021];24(5). Disponible en: http://www.revistaamc.sld.cu/index.php/amc/article/view/7533/3636
16. Ouchi G, Komiya I, Taira S, Wakugami T, Ohya Y. Triglyceride/low-density-lipoprotein cholesterol ratio is the most valuable predictor for increased small, dense LDL in type 2 diabetes patients. Lipids in Health and Disease. 2022;21(1):4. DOI: https://doi.org/10.1186/s12944-021-01612-8
17. Babic N, Valjevac A, Zaciragic A, Avdagic N, Zukic S, Hasic S. The Triglyceride/HDL Ratio and Triglyceride Glucose Index as Predictors of Glycemic Control in Patients with Diabetes Mellitus Type 2. Med Arch. 2019 [acceso 10/07/2021];73(3):163-8. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6643328/
18. Sáenz-San Martín A, Méndez-Ocampo P, Gutiérrez-Moctezuma I, Amezcua-Guerra LM. Proteína C reactiva, aspectos cardiovasculares de una proteína de fase aguda: una actualización para el médico. Arch Cardiol Mex. 2024 [acceso 12/12/2024];94(2):191-202. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11160552/
19. Castro M, Castro D, Seoane J, Torres L, González A, Aguirre C. Aterosclerosis subclínica en trabajadores de una institución de salud. Rev Cuban Med. 2021 [acceso 01/04/2022];60(3):e2134. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0034-
20. Aray-Andrade M, López-Montanero E, Preciado-Gómez J. Dislipidemia aterogénica, factor subdiagnosticado para las complicaciones cardiovasculares. Salud Pública Méx. 2018 [acceso 07/10/2020];60(4):381-2. Disponible en: http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0036-36342018000400007&lng=es
21. Fiallos J, Martínez E. Proteína C reactiva como biomarcador de procesos inflamatorios. [TESIS de Licenciada en Ciencias de la Salud en Laboratorio Clínico e Histopatológico]. Ecuador: Universidad Nacional de Chimborazo. 2022 [acceso 12/12/2024]. Disponible en: http://dspace.unach.edu.ec/handle/51000/9496
22. Vera-Ponce VJ, Rodas-Alvarado L, Talavera JE, Cruz-Ausejo L, Torres-Malca JR, et al. Asociación entre resistencia a la insulina y proteína C reactiva en una muestra de peruanos no obesos. Revista del Cuerpo Médico Hospital Nacional Almanzor Aguinaga Asenjo. 2021 [acceso 16/07/2022];14(2):124-7. Disponible en: http://www.scielo.org.pe/scielo.php?script=sci_abstract&pid=S2227-47312021000200002&lng=es&nrm=iso&tlng=es
23. Humeres G. Limitaciones del IMC (Grandes limitaciones) - Grupo Sobre Entrenamiento. 2024 [acceso 12/03/2025]. Disponible en: https://g-se.com/es/limitaciones-del-imc-grandes-limitaciones
24. Witten I, Frank E, Hall M. Data Mining: Practical Machine Learning Tools and Techniques. Tercera. San Francisco, California: Morgan Kaufmman, Elsevier; 2011. p. 525. [acceso 12/03/2025]. Disponible en: https://www.academia.edu/23331284/Data_Mining_Practical_Machine_Learning_Tools_and_Techniques_3rd_Edition
25. Fu Y, Wu Y, Liu E. C-reactive protein and cardiovascular disease: From animal studies to the clinic. Exp Ther Med. 2020 [acceso 22/10/2022];20(2):1211-9. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7388508/pdf/etm-20-02-1211.pdf
26. Fan J, Li X, Yu X, Liu Z, Jiang Y, Fang Y, et al. Global Burden, Risk Factors Analysis, and Prediction Study of Ischemic Stroke, 1990-2030. Neurology. 2023;17:10. DOI: https://doi.10.1212/WNL.0000000000207387
27. Rojas N, Caballero G, Madariaga A. Factores de riesgos tradicionales de enfermedad cardiovascular en el adulto mayor y su valor predictivo. Revista Cubana de Medicina. 2023 [acceso 20/07/2023];62(1). Disponible en: https://revmedicina.sld.cu/index.php/med/article/view/2982
28. Cosentino F, Verma S, Ambery P, Treppendahl MB, van Eickels M, Anker SD, et al. Cardiometabolic risk management: insights from a European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2023;00:1-16. DOI: https://dx.doi.org/10.1093/eurheartj/ehad445
29. Gaytán Ramírez E. La respuesta alostática al ambiente. El medio social como factor regulador de la fisiología y la salud humana | Revista Chilena de Antropología. Rev Chil Antropol. 2021 [acceso 18/03/2022];43. Disponible en: https://revistadeantropologia.uchile.cl/index.php/RCA/article/view/64437/70814
30. Engels F. Anti-Dühring. Capítulo XI. Moral y derecho. Libertad y necesidad. 2016 [acceso 25/07/2022]. Disponible en: https://inter-rev.foroactivo.com/t6105-f-engels-anti-duhring-capitulo-xi-moral-y-derecho-libertad-y-necesidad
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jorge Baudilio Vega Abascal, Alberto Rubén Piriz Assa, Diego Ambrosio Nápoles Riaño, Mayra Rosa Guimara Mosqueda
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
The Cuban Journal of Medicine protects the author's patrimonial rights. However, it is licensed under a Creative Commons Licensehttps://creativecommons.org/licenses/by-nc/4.0/deed.es_ES which permits unrestricted non-commercial use, distribution and reproduction in any medium, provided that the primary source of publication is duly cited. The author always retains his moral rights.
You are free to:
- Share - copy and redistribute the material in any medium or format.
- Adapt - remix, transform and build upon the material
- The license cannot revoke these freedoms as long as you follow the terms of the license.
Under the following terms:
- Attribution - You must give proper credit, provide a link to the license, and indicate if changes have been made. You may do so in any reasonable manner, but not in such a way as to suggest that you or your use is supported by the licensor.
- Non-Commercial Purpose- You may not make use of the material for commercial purposes.
- No Additional Restrictions - You may not apply legal terms or technological measures that legally restrict others from making any use permitted by the license.
