Patientenzentriertes maschinelles Lernmodell für Blutungen und ischämisches Risiko (xDAPT)

Die duale Thrombozytenaggregationshemmung (DAPT) mit Aspirin und einem P2Y12-Inhibitor ist der Standard der Sekundärprävention nach perkutaner Koronarintervention (PCI). DAPT hat seine Wirksamkeit bei der Reduzierung ischämischer Komplikationen (einschließlich Stentthrombose) nach PCI gezeigt, allerdings auf Kosten eines erhöhten Blutungsrisikos. Da beide Ereignistypen unabhängig voneinander mit übermäßiger Morbidität und Mortalität verbunden sind, betonen internationale Leitlinien die Notwendigkeit, die Dauer und Intensität der DAPT an das individuelle Ischämie- und Blutungsrisikoprofil jedes Patienten anzupassen. In diesem Zusammenhang wurden mehrere prädiktive Risikomodelle für Blutungen und Thrombosen entwickelt, mit dem Ziel, klinische Entscheidungen zum DAPT-Management nach PCI zu leiten. Viele dieser Risikomodelle haben jedoch nur eine mäßige Leistung und eine begrenzte Anwendbarkeit in der realen klinischen Praxis gezeigt. Solche Einschränkungen lassen sich zumindest teilweise auf die analytischen Ansätze zurückführen, die für ihre Entwicklung verwendet wurden und meist auf linearen Modellen basieren, die nicht in der Lage sind, das komplexe Zusammenspiel verschiedener klinischer Kovariaten zu erfassen. Methoden des maschinellen Lernens bieten das Potenzial, diese Einschränkungen zu überwinden, indem sie Computeralgorithmen für große Datensätze nutzen, die hochdimensionale, nichtlineare Beziehungen zwischen Variablen erfassen. Allerdings sind die Machbarkeit und der Nutzen von auf maschinellem Lernen basierenden prognostischen Risikomodellen bei PCI-Patienten noch relativ unerforscht.

In der vorliegenden Studie werden Daten aus 11 klinischen Studien mit etwa 19.000 Patienten analysiert, die sich einer perkutanen Koronarintervention (PCI) mit einem Everolimus-freisetzenden Stent unterziehen, um einen auf maschinellem Lernen basierenden Algorithmus zu entwickeln. Eine Genehmigung durch ein institutionelles Prüfungsgremium oder eine Einwilligung des Patienten nach Aufklärung war nicht erforderlich, da es sich bei dieser Studie um eine Analyse zuvor veröffentlichter klinischer Studien handelt und alle individuellen Patientendaten anonymisiert wurden. Ziel ist es, die Wahrscheinlichkeit eines ischämischen oder Blutungsereignisses bis zu einem Jahr nach der PCI vorherzusagen. Daten auf Patientenebene aus den geeigneten klinischen Studien, die gemäß dem XIENCE Machine Learning Data Acquisition Protocol (90961902) aufgeführt sind, werden gepoolt und nach dem Zufallsprinzip in eine Trainingskohorte (~75 %) und eine Validierungskohorte (~25 %) aufgeteilt. Dazu gehören sowohl von Abbott gesponserte als auch von Forschern initiierte XIENCE-Studien (d. h. XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAMINATION, SIERRA-75 und ITALIC). Die Leistung verschiedener Versuche mit Klassifikatoren für maschinelles Lernen wird mit traditionellen statistischen Ansätzen zur Vorhersage von ischämischen und Blutungsergebnissen verglichen. Anschließend wird das leistungsstärkste Modell für maschinelles Lernen ausgewählt und anhand eines vordefinierten Leistungsziels getestet, um seinen klinischen Nutzen zu bewerten. Basierend auf der vorhandenen Literatur zu etablierten Risikobewertungen, die derzeit die klinische Praxis beeinflussen, wird das Leistungsziel für das Modell auf einen C-Index-Wert von mindestens 0,65 beim 97,5 % niedrigeren Konfidenzintervall der Bootstrap-C-Index-Verteilung festgelegt. Dadurch soll sichergestellt werden, dass der wahre Wert des C-Index immer noch innerhalb eines klinisch relevanten Bereichs liegt, und die klinische Nützlichkeit des Risikovorhersagemodells validiert werden.