Vorhersage des Risikos von Vorhofflimmern und Assoziation mit anderen Krankheiten (FIND-AF)

Vorhofflimmern (AF) ist ein großes Problem für die öffentliche Gesundheit: Es tritt immer häufiger auf, verursacht erhebliche Gesundheitsausgaben und ist mit einer Reihe von unerwünschten Folgen verbunden. Es gibt Gründe für die frühzeitige Diagnose von Vorhofflimmern, bevor die erste Komplikation auftritt. Frühere Vorhofflimmern-Screening-Forschung ist durch die geringe Ausbeute an neuen Fällen und verhinderten Schlaganfällen in den gescreenten Populationen begrenzt. Damit das Vorhofflimmern-Screening klinisch und kosteneffektiv ist, muss die Effizienz der Erkennung neu diagnostizierter Vorhofflimmern verbessert werden und die angebotene Intervention muss möglicherweise über die orale Antikoagulation zur Schlaganfallprophylaxe hinausgehen. Frühere Vorhersagemodelle für Vorhofflimmern waren durch ihre Datenquellen und Methodologien eingeschränkt. Ein genaues Modell, das vorhandene routinemäßig erhobene Daten nutzt, ist erforderlich, um Ärzte über das Risiko von Vorhofflimmern auf Patientenebene zu informieren, nationale Screening-Richtlinien zu informieren und Möglichkeiten aufzuzeigen, die Patientenergebnisse aus dem Vorhofflimmern-Screening über die reine Schlaganfallprävention hinaus zu verbessern.

Die Anwendung von Random Forest wird untersucht und eine multivariable logistische Regression zur Vorhersage von Vorhofflimmern innerhalb eines Vorhersagehorizonts von 6 Monaten, d. h. einem Zeitfenster, das mit der Durchführung von Untersuchungen für Vorhofflimmern konsistent ist. Der Clinical Practice Research Datalink (CPRD)-GOLD-Datensatz wird für die Ableitung verwendet, und der Clalit Health Services-Datensatz wird für die internationale externe geografische Validierung verwendet. Beide umfassen eine große repräsentative Population und umfassen klinische Ergebnisse in der Primär- und Sekundärversorgung. Die Analysen umfassen Metriken der Vorhersageleistung und des klinischen Nutzens. Es werden nur in der Gemeinschaft zugängliche Risikofaktoren verwendet, und das Modell könnte somit ein passives Screening für Personen mit hohem Risiko in elektronischen Patientenakten ermöglichen, die mit der Präsentation neuer Daten aktualisiert werden. Ziel der Studie ist es, aus einem sparsamen Modell einen Taschenrechner zu erstellen. Kaplan-Meier-Diagramme für Personen, bei denen ein höheres und niedrigeres prognostiziertes VHF-Risiko festgestellt wurde, werden berechnet und die kumulative Inzidenzrate für kardiorenale und metabolische Erkrankungen ohne VHF und Tod über einen längeren Zeitraum abgeleitet, um festzustellen, wie das prognostizierte VHF-Risiko mit a assoziiert ist Reihe neuer Nicht-VHF-Erkrankungszustände.

Um festzustellen, ob das Vorhersagemodell auf Regionen außerhalb des Vereinigten Königreichs übertragbar ist, wird die Leistung des Modells in der Clalit Health Services-Datenbank in Israel extern validiert. Die Validierung umfasst Teilnehmer, die bei Clalit mit einer ununterbrochenen Mitgliedschaft für mindestens 1 Jahr vor dem 01.01.2019 versichert waren: 2.159.663 Patienten, von denen 4.330 im ersten Halbjahr 2019 einen neuen Vorhofflimmern-Vorfall (Vorhofflimmern und/oder Vorhofflattern) hatten . Die Studienpopulation umfasst alle verfügbaren Patienten mit einer Nachbeobachtungszeit von mindestens 1 Jahr. Das interessierende Ergebnis ist das erste diagnostizierte Vorhofflimmern nach der Baseline und wird anhand von Read-Codes und ICD-9/10-Codes identifiziert. Patienten mit weniger als einem Jahr Registrierung, die zum Zeitpunkt des Studieneintritts unter 30 Jahre alt sind oder bei denen zuvor Vorhofflimmern diagnostiziert wurde, werden ausgeschlossen.