COMUNICACIÓN POSTER
AUTORES
Sánchez Rodríguez, Carmen 1; Gago Veiga, Ana Beatriz 1; null, Josue 2; Fernández Lázaro, Iris 1; Rodríguez Vico, Jaime Samuel 3; null, Alex 3; Gómez García, Andrea 3; Casas Limón, Javier 4; Díaz de Terán, Javier 5; Sastre Real, Maria 5; null, Javier 5; null, German 6; Calle de Miguel, Carlos 6; Gil Luque, Sendoa 7; Trevino Peinado, Cristina 8; null, Sonia 1; null, Patricia 1; García Azorín, David 9; Echavarría Íñiguez, Ana 7; Guerrero Peral, Angel 9; Sierra Mencía, Alvaro 9; González García, Nuria 10; Porta Etessam, Jesus 10; Gonzalez Martinez, Alicia 1
CENTROS
1. Servicio de Neurología. Hospital Universitario de la Princesa; 2. Departamento de Ingeniería Electrónica. Universidad Politécnica de Madrid; 3. Servicio de Neurología. Fundación Jiménez Díaz-Ute; 4. Servicio de Neurología. Hospital Universitario Fundación Alcorcón; 5. Servicio de Neurología. Hospital Universitario La Paz; 6. Servicio de Neurología. Hospital Universitario de Fuenlabrada; 7. Servicio de Neurología. Hospital Universitario de Burgos; 8. Servicio de Neurología. Hospital Universitario Severo Ochoa; 9. Servicio de Neurología. Hospital Clínico Universitario de Valladolid; 10. Servicio de Neurología. Hospital Clínico San Carlos
OBJETIVOS
La predicción de respuesta a las recientes terapias anti-CGRP es un tema de interés en el campo de la migraña. Estudios previos realizados en nuestro grupo han desarrollado una herramienta predictora de respuesta a anticuerpos anti-CGRP utilizando un enfoque basado en técnicas de machine-learning. El objetivo del presente estudio fue validar esta herramienta y su utilidad en pacientes con migraña crónica (MC) y episódica (ME).
MATERIAL Y MÉTODOS
Estudio multicéntrico, de cohorte retrospectivo, con pacientes con migraña procedentes de 9 Unidades de Cefaleas, diferentes a la cohorte de generación del modelo. Se obtuvo la sensibilidad(S), especificidad(E) y valores predictivos positivo(VPP) y negativo(VPN) globales y para los distintos grupos.
RESULTADOS
Se incluyeron 127 pacientes con migraña, 104(81,88%) con MC, 108(85,03%) mujeres y edad media 53,73(DE 13,84) años. En la valoración del algoritmo de respuesta global superior al 50% a los 6 meses, la S global fue del 78,04% y la E global del 80%. El área bajo la curva(AUC) fue de 0.790, CI[0.726-0.849) y F1 ponderado de 79% en la cohorte de validación, con un AUC de 0,819 CI[0,762-0,884] y F1 ponderado de 81,88% en MC y AUC de 0,592 CI[0,322-0,842] con F1 ponderado de 68,97% en ME.
CONCLUSIONES
Nuestro estudio confirma la validez externa del modelo predictivo de respuesta a anti-CGRP en una cohorte distinta a la de generación del algoritmo. La S y E del modelo predictivo fueron mayores en el grupo de pacientes con MC. Futuros modelos podrían mejorar la capacidad predictiva de esta herramienta en los pacientes con ME.
