Patientcentreret maskinlæringsmodel for blødning og iskæmisk risiko (xDAPT)

Dobbelt trombocythæmmende behandling (DAPT) med aspirin og en P2Y12-hæmmer er standardbehandlingen til sekundær forebyggelse efter perkutan koronar intervention (PCI). DAPT har vist sin effektivitet til at reducere iskæmiske komplikationer (inklusive stent-trombose) efter PCI, men på bekostning af en øget risiko for blødning. Da begge hændelsestyper er blevet uafhængigt forbundet med overskydende morbiditet og dødelighed, understreger internationale retningslinjer behovet for at skræddersy DAPT-varighed og intensitet i henhold til den individuelle iskæmiske og blødningsrisikoprofil for hver patient. I denne sammenhæng er der udviklet flere prædiktive risikomodeller for blødning og trombose med det formål at vejlede kliniske beslutninger om DAPT-behandling efter PCI. Imidlertid har mange af disse risikomodeller kun vist beskeden ydeevne og begrænset anvendelighed i klinisk praksis i den virkelige verden. Sådanne begrænsninger kan i det mindste delvist tilskrives de analytiske tilgange, der anvendes til deres udvikling, for det meste baseret på lineære modeller, der ikke er i stand til at fange det komplekse samspil mellem forskellige kliniske kovariater. Maskinlæringsmetoder giver mulighed for at overvinde disse begrænsninger ved at udnytte computeralgoritmer til store datasæt, der fanger højdimensionelle, ikke-lineære forhold mellem variabler. Gennemførligheden og anvendeligheden af ​​maskinlæringsbaserede prognostiske risikomodeller hos PCI-patienter forbliver dog relativt uudforsket.

Denne undersøgelse vil analysere data fra 11 kliniske forsøg, der omfatter cirka 19.000 patienter, der gennemgår perkutan koronar intervention (PCI) med en everolimus-eluerende stent for at udvikle en maskinlæringsbaseret algoritme. Godkendelse fra institutionelle revisionsnævn eller informeret patientsamtykke var ikke påkrævet, da denne undersøgelse er en analyse af tidligere offentliggjorte kliniske forsøg, og alle individuelle patientdata blev afidentificeret. Målet er at forudsige sandsynligheden for en iskæmisk eller blødningshændelse op til 1 år efter PCI. Data på patientniveau fra de kvalificerede kliniske forsøg, der er opført i henhold til XIENCE Machine Learning Data Acquisition Protocol (90961902) vil blive samlet og tilfældigt opdelt i en træningskohorte (~75 %) og en valideringskohorte (~25 %). Disse omfatter både Abbott-sponsorerede og investigator-initierede XIENCE-studier (dvs. XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Sammenlign ABSORB, Sammenlign Akut, UNDERSØGELSE, SIERRA-75 og ITALIC). Ydeevnen af ​​forskellige forsøg med maskinlæringsklassifikatorer vil blive sammenlignet med traditionelle statistiske tilgange til forudsigelse af iskæmiske og blødningsudfald. Den bedst ydende maskinlæringsmodel vil derefter blive udvalgt og testet i forhold til et foruddefineret præstationsmål for at vurdere dens kliniske anvendelighed. Baseret på eksisterende litteratur om etablerede risikoscore, der i øjeblikket informerer klinisk praksis, er præstationsmålet for modellen sat til C-indeksværdi lig med eller større end 0,65 ved det 97,5 % lavere konfidensinterval for bootstrap C-indeksfordelingen. Dette er for at sikre, at den sande værdi af C-indekset stadig er inden for et klinisk relevant interval og for at validere den kliniske anvendelighed af risikoforudsigelsesmodellen.