Riziko tromboembolie spojené s vysokým rizikem fibrilace síní (MATHIAS)

Fibrilace síní a její tromboembolické komplikace představují v Evropě rostoucí klinickou a socioekonomickou výzvu. AF je silně spojena s cévní mozkovou příhodou, závažnými nežádoucími kardiovaskulárními příhodami (MACE), invaliditou a mortalitou, což nepřiměřeně postihuje starší dospělé. Stárnutím evropské populace se prevalence AF a AF-související cévní mozkové příhody předpokládá výrazně zvýšit, což povede k rostoucím výdajům na zdravotní péči a společenské zátěži. Samotná péče o cévní mozkovou příhodu stojí v prvním roce průměrně 22 605,66 €, což je z velké části způsobeno hospitalizací a dlouhodobou závislostí, přičemž 45–50 % přeživších má zbytkovou invaliditu. Prevence AF-souvisejících tromboembolických příhod proto představuje jak klinickou, tak ekonomickou prioritu.

Z klinického hlediska existuje kriticky nenaplněná potřeba zlepšené stratifikace tromboembolického rizika u jedinců s vysokým rizikem AF. Ačkoli několik predikčních modelů AF dokáže odhadnout pravděpodobnost výskytu AF v průběhu 5–10 let a systematický screening dospělých ve věku ≥65 let prokázal úsporu nákladů díky prevenci cévní mozkové příhody, chybí ověřený nástroj pro zahájení antikoagulační léčby u vysoce rizikových jedinců bez prokázané AF. Současná standardní praxe se spoléhá na skóre CHA₂DS₂-VASc po stanovení diagnózy AF; toto skóre má však známá omezení. Nezahrnuje několik relevantních modifikátorů rizika, jako je chronické onemocnění ledvin, onkologické onemocnění, biomarkery, elektrokardiografické abnormality nebo etnicita, a může nedostatečně rozlišovat riziko v určitých podskupinách, včetně žen a pacientů s multimorbiditou. V důsledku toho se klinické rozhodování často překračuje rámec skóre, což odráží potřebu komplexnějších a přesnějších nástrojů.

Nastupující důkazy podporují koncept AF jako klinického kontinua. Protrombotický síňový substrát může předcházet manifestní arytmii, což vytváří „pre-AF“ stadium, během kterého je tromboembolické riziko již zvýšené. Směrnice ACC/AHA/ACCP/HRS z roku 2023 formálně uznávají stadia „ohrožení“ a „pre-AF“, což zdůrazňuje příležitost pro dřívější preventivní zásah. Praktické nástroje pro identifikaci a stratifikaci této populace v běžné primární péči však zůstávají omezené.

Umělá inteligence (AI) nabízí slibnou strategii k řešení těchto mezer. Využitím vícerozměrných údajů z elektronických zdravotních záznamů (EHR) mohou modely AI zachytit komplexní, nelineární interakce mezi klasickými a nově se objevujícími rizikovými faktory, což potenciálně poskytuje přesnější individualizovanou predikci tromboembolického rizika než tradiční skóre. Raná přístupy strojového učení (ML) prokázaly lepší diskriminaci pro AF a kardiovaskulární příhody ve srovnání s konvenčními modely.

Projekt MATHIAS (throMboembolic risk Associated To High atrIal fibrillation riSk) si klade za cíl vyvinout a prospektivně ověřit model založený na AI pro odhad tromboembolického rizika u dospělých ve věku ≥65 let s vysokým rizikem AF s využitím reálných údajů EHR z primární péče. Tento model bude integrován do digitálně podporované cesty péče zahrnující cílený, rizikem vedený screening fotopletysmografií a individualizovaná rozhodnutí o antikoagulaci. Cílem je zlepšit časnou detekci, zpřesnit antikoagulační strategie a personalizovat kontrolu rytmu a management komorbidit.

Předběžné retrospektivní analýzy založené na ověřených kohortách stratifikace rizika AF (AFRICAT NCT03188484 a PREFATE NCT05772806) a pěti pilotních ML modelech ukázaly slibné výsledky. Model Adaboost významně překonal CHA₂DS₂-VASc v predikci MACE (AUC 99,99 % vs. 81,71 %; p = 0,0034). Ačkoli jsou tato zjištění povzbudivá, je nutné prospektivní multicentrické hodnocení k posouzení zobecnitelnosti, optimálních intervalů sledování, výběru pacientů (včetně vysokého rizika, TIA/cévní mozkové příhody a různých CHA₂DS₂-VASc strat) a dopadu na pacienty důležité výsledky, jako je cévní mozková příhoda, krvácení, kvalita života a nákladová efektivita.

Projekt také zahrnuje Markovův rozhodovací analytický model pro odhad MACE, cévní mozkové příhody, invalidity, kvalitou života upravených let (QALY) a nákladů z pohledu jak plátce zdravotní péče, tak společnosti. Scénářové analýzy vyhodnotí, zda je integrace modelu AI do běžné péče nákladově efektivní ve srovnání s obvyklou péčí, oportunistickým screeningem nebo strategiemi zaměřenými na nositelná zařízení. Zvláštní pozornost bude věnována výsledkům specifickým pro pohlaví a potenciálním nerovnostem v distribuci přínosů.

Očekávaný klinický dopad zahrnuje snížení incidence MACE pod 50 na 1000 osobo-let ve vysoce rizikových populacích, snížení podílu AF-související cévní mozkové příhody pod 10 %, zlepšení vhodnosti antikoagulace až u 65 % způsobilých pacientů a zajištění, aby alespoň 90 % vysoce rizikových jedinců dostalo vhodnou perorální antikoagulační terapii. Dodržování strukturovaných cest péče o AF (např. AF-CARE) již bylo spojeno s významným snížením celkové mortality a MACE; integrace stratifikace rizika řízené AI může tyto přínosy dále zvýšit.

Ekonomicky, ačkoli screening a širší použití antikoagulancií mohou zpočátku zvýšit přímé náklady, prevence cévní mozkové příhody by měla generovat značné dlouhodobé úspory. Pouze v Katalánsku se odhadované roční úspory pro vysoce rizikové populace AF pohybují od 12,3 milionu € do 79,2 milionu €. Snížení závažnosti cévní mozkové příhody, invalidity a hospitalizací zmírní jak přímé lékařské náklady, tak nepřímé společenské náklady související se ztrátou produktivity a dlouhodobou závislostí.

Stručně řečeno, tento projekt řeší významnou mezeru v kardiovaskulární prevenci vývojem a implementací modelu stratifikace tromboembolického rizika řízeného AI pro jedince s vysokým rizikem AF. Projekt, který je v souladu s moderními evropskými směrnicemi a strategiemi precizní medicíny, usiluje o zlepšení časné identifikace, personalizaci terapeutických rozhodnutí, snížení zátěže MACE a cévní mozkové příhody, zachování autonomie pacienta a kvality života a zajištění udržitelného využívání zdrojů zdravotní péče.