thromboembolisk risiko forbundet med høj atrieflimren risiko (MATHIAS)

Atrieflimmer og dets tromboemboliske komplikationer repræsenterer en stigende klinisk og socioøkonomisk udfordring i Europa. AF er stærkt forbundet med slagtilfælde, større uønskede hjerte-kar-hændelser (MACE), handicap og dødelighed, der uforholdsmæssigt påvirker ældre voksne. I takt med at den europæiske befolkning ældes, forventes forekomsten af AF og AF-relateret slagtilfælde at stige betydeligt, hvilket fører til stigende sundhedsudgifter og samfundsbyrde. Alene behandling af slagtilfælde koster i gennemsnit €22.605,66 det første år, hovedsageligt drevet af indlæggelse og langsigtet afhængighed, hvor 45-50% af overleverne oplever resterende handicap. Forebyggelse af AF-relaterede tromboemboliske hændelser repræsenterer derfor både en klinisk og økonomisk prioritet.

Fra et klinisk synspunkt er der et kritisk uopfyldt behov for forbedret upstream tromboembolisk risikostratificering hos personer med høj risiko for AF. Selvom flere AF-prediktionsmodeller kan estimere sandsynligheden for nyopstået AF over 5-10 år, og systematisk screening af voksne i alderen ≥65 år har vist omkostningsbesparelser gennem forebyggelse af slagtilfælde, mangler et valideret værktøj til at vejlede antikoagulationsindledning hos højrisikopersoner uden etableret AF. Nuværende standardpraksis er afhængig af CHA₂DS₂-VASc-scoren, når AF først er diagnosticeret; denne score har dog anerkendte begrænsninger. Den inkorporerer ikke flere relevante risikomodifikatorer såsom kronisk nyresygdom, kræft, biomarkører, elektrokardiografiske abnormaliteter eller etnicitet, og den kan utilstrækkeligt diskriminere risiko i visse undergrupper, herunder kvinder og patienter med multimorbiditet. Følgelig strækker klinisk beslutningstagning sig ofte ud over scoren, hvilket afspejler behovet for mere omfattende og præcise værktøjer.

Fremvoksende evidens understøtter konceptet af AF som en klinisk kontinuum. Et protrombotisk atrie-substrat kan foregå åbenlys arytmi, hvilket skaber et "præ-AF"-stadie, hvor tromboembolisk risiko allerede er forhøjet. Retningslinjerne fra ACC/AHA/ACCP/HRS i 2023 anerkender formelt "risiko"- og "præ-AF"-stadier, hvilket fremhæver en mulighed for tidligere forebyggende intervention. Dog er praktiske værktøjer til at identificere og stratificere denne population i rutinemæssig primærpleje stadig begrænsede.

Kunstig intelligens (AI) tilbyder en lovende strategi til at adressere disse huller. Ved at udnytte højdimensionelle elektroniske patientjournal (EHR) data kan AI-modeller fange komplekse, ikke-lineære interaktioner mellem klassiske og nye risikofaktorer, hvilket potentielt giver mere præcis individualiseret tromboembolisk risikoprædiktion end traditionelle scorer. Tidlige maskinlæringstilgange (ML) har demonstreret forbedret diskrimination for AF og hjerte-kar-hændelser sammenlignet med konventionelle modeller.

MATHIAS-projektet (throMboembolic risk Associated To High atrIal fibrillation riSk) har til formål at udvikle og prospektivt validere en AI-baseret model til at estimere tromboembolisk risiko hos voksne i alderen ≥65 år med høj risiko for AF ved hjælp af EHR-data fra virkelighedens primærpleje. Denne model vil blive integreret i en digitalt understøttet behandlingsforløb, der inkorporerer målrettet, risikostyret fotopletysmografisk screening og individualiserede antikoagulationsbeslutninger. Målet er at forbedre tidlig opdagelse, forfine antikoagulationsstrategier og personalisere rytmekontrol og komorbiditetshåndtering.

Foreløbige retrospektive analyser baseret på validerede AF-risikostratificeringskohorter (AFRICAT NCT03188484 og PREFATE NCT05772806) og fem pilot-ML-modeller viste lovende resultater. Adaboost-modellen overgik CHA₂DS₂-VASc signifikant i at forudsige MACE (AUC 99,99% vs. 81,71%; p = 0,0034). Mens disse resultater er opmuntrende, kræves prospektiv, multicentervurdering for at vurdere generaliserbarhed, optimale opfølgningsintervaller, patientudvælgelse (inklusive højrisiko, TIA/slagtilfælde og varierende CHA₂DS₂-VASc-strata) og indvirkning på patientvigtige resultater såsom slagtilfælde, blødning, livskvalitet og omkostningseffektivitet.

Projektet inkorporerer også en Markov beslutningsanalytisk model til at estimere MACE, slagtilfælde, handicap, kvalitetsjusterede leveår (QALYs) og omkostninger fra både sundhedsbetalers og samfundsperspektiver. Scenarieanalyser vil evaluere, om integration af AI-modellen i rutinemæssig pleje er omkostningseffektiv sammenlignet med sædvanlig pleje, opportunistisk screening eller bærbare først-strategier. Særlig opmærksomhed vil blive givet til kønspecifikke resultater og potentielle uligheder i fordelingsfordelingen.

Den forventede kliniske indvirkning omfatter reduktion af MACE-incidens til under 50 per 1.000 personår i højrisikopopulationer, sænkning af AF-relateret slagtilfældeproportion til under 10%, forbedring af antikoagulationshensigtsmæssighed hos op til 65% af berettigede patienter og sikring af, at mindst 90% af højrisikopersoner modtager passende oral antikoagulantterapi. Overholdelse af struktureret AF-plejeforløb (f.eks. AF-CARE) er allerede blevet forbundet med betydelige reduktioner i total dødelighed og MACE; integration af AI-drevet risikostratificering kan yderligere forstærke disse fordele.

Økonomisk set, selvom screening og bredere antikoagulantbrug i første omgang kan øge de direkte omkostninger, forventes forebyggelse af slagtilfælde at generere betydelige langsigtede besparelser. Alene i Catalonien varierer de estimerede årlige besparelser for højrisiko AF-populationer fra €12,3 millioner til €79,2 millioner. Reduktioner i slagtilfældessværhedsgrad, handicap og indlæggelser vil mindske både direkte medicinske omkostninger og indirekte samfundsomkostninger relateret til tab af produktivitet og langsigtet afhængighed.

Opsummerende adresserer dette projekt et stort hul i hjerte-kar-forebyggelse ved at udvikle og implementere en AI-drevet tromboembolisk risikostratificeringsmodel for personer med høj risiko for AF. Ved at tilpasse sig til samtidige europæiske retningslinjer og præcisionsmedicinstrategier søger initiativet at forbedre tidlig identifikation, personalisere terapeutiske beslutninger, reducere MACE- og slagtilfældesbyrde, bevare patientautonomi og livskvalitet og sikre bæredygtig sundhedsressourceudnyttelse.