Forudsigelse af risiko for atrieflimren og forbindelse med andre sygdomme (FIND-AF)

Atrieflimren (AF) er et stort folkesundhedsproblem: det er mere og mere almindeligt, medfører betydelige sundhedsudgifter og er forbundet med en række uønskede resultater. Der er begrundelse for den tidlige diagnose af AF, før den første komplikation opstår. Tidligere AF-screeningsforskning er begrænset af lave udbytter af nye tilfælde og slagtilfælde forhindret i de screenede populationer. For at AF-screening skal være klinisk og omkostningseffektiv, skal effektiviteten af ​​identifikation af nydiagnosticeret AF forbedres, og den tilbudte intervention kan være nødt til at strække sig ud over oral antikoagulering til slagtilfældeprofylakse. Tidligere forudsigelsesmodeller for hændelse AF har været begrænset af deres datakilder og metoder. En nøjagtig model, der udnytter eksisterende rutinemæssigt indsamlede data, er nødvendig for at informere klinikere om risikoen for AF på patientniveau, informere national screeningspolitik og fremhæve muligheder for at forbedre patientresultater fra AF-screening ud over det, der kun er til forebyggelse af slagtilfælde.

Anvendelsen af ​​Random Forest vil blive undersøgt og multivariabel logistisk regression for at forudsige hændelse AF inden for en 6 måneders forudsigelseshorisont, hvilket er et tidsvindue i overensstemmelse med at udføre undersøgelser for AF. Clinical Practice Research Datalink (CPRD)-GOLD-datasættet vil blive brugt til udledning, og Clalit Health Services-datasættet vil blive brugt til international ekstern geografisk validering. Begge omfatter en stor repræsentativ population og inkluderer kliniske resultater på tværs af primær og sekundær pleje. Analyser vil omfatte målinger af forudsigelsespræstation og klinisk anvendelighed. Kun risikofaktorer, der er tilgængelige i samfundet, vil blive brugt, og modellen vil således kunne muliggøre passiv screening for højrisikopersoner i elektroniske patientjournaler, der opdateres med præsentation af nye data. Undersøgelsen har til formål at skabe en lommeregner ud fra en sparsommelig model. Kaplan-Meier-plot for individer identificeret som højere og lavere forudsagt risiko for AF vil blive beregnet og udledt den kumulative forekomstrate for ikke-AF kardio-renal-metaboliske sygdomme og død på længere sigt for at fastslå, hvordan forudsagt AF-risiko er forbundet med en række nye ikke-AF sygdomstilstande.

For at fastslå, om forudsigelsesmodellen kan transporteres til geografier uden for Storbritannien, vil modellens ydeevne blive eksternt valideret i Clalit Health Services-databasen i Israel. Valideringen vil omfatte deltagere forsikret af Clalit med kontinuerligt medlemskab i mindst 1 år inden 01/01/2019: 2.159.663 patienter, hvoraf 4.330 havde en ny hændelse af AF (atrieflimren og/eller atrieflimren) i første halvdel af 2019 . Studiepopulationen vil omfatte alle tilgængelige patienter, som har mindst 1 års opfølgning. Resultatet af interesse er den første diagnosticerede AF efter baseline og vil blive identificeret ved hjælp af læsekoder og ICD-9/10-koder. Patienter med mindre end et års registrering, som er under tredive år på tidspunktet for undersøgelsens start, eller som har en forudgående diagnose af atrieflimren, vil blive udelukket.