Thromboembolisches Risiko im Zusammenhang mit hohem Vorhofflimmern-Risiko (MATHIAS)

Vorhofflimmern und seine thromboembolischen Komplikationen stellen eine zunehmende klinische und sozioökonomische Herausforderung in Europa dar. AF ist stark mit Schlaganfall, schwerwiegenden kardiovaskulären Ereignissen (MACE), Behinderung und Mortalität assoziiert und betrifft ältere Erwachsene überproportional. Mit der Alterung der europäischen Bevölkerung wird die Prävalenz von AF und AF-bedingtem Schlaganfall voraussichtlich erheblich zunehmen, was zu steigenden Gesundheitsausgaben und gesellschaftlicher Belastung führt. Die Schlaganfallversorgung allein kostet im ersten Jahr durchschnittlich 22.605,66 €, hauptsächlich getrieben durch Hospitalisierung und langfristige Abhängigkeit, wobei 45-50 % der Überlebenden eine bleibende Behinderung erleben. Die Prävention AF-bedingter thromboembolischer Ereignisse stellt daher sowohl eine klinische als auch wirtschaftliche Priorität dar.

Aus klinischer Sicht besteht ein kritischer ungedeckter Bedarf für eine verbesserte Upstream-Thromboembolierisikostratifizierung bei Personen mit hohem AF-Risiko. Obwohl mehrere AF-Prädiktionsmodelle die Wahrscheinlichkeit eines AF-Ereignisses über 5-10 Jahre schätzen können und systematisches Screening bei Erwachsenen ab 65 Jahren Kosteneinsparungen durch Schlaganfallprävention gezeigt hat, fehlt ein validiertes Instrument zur Antikoagulationsinitiierung bei Hochrisikopersonen ohne etabliertes AF. Die derzeitige Standardpraxis stützt sich auf den CHA₂DS₂-VASc-Score nach AF-Diagnose; dieser Score hat jedoch bekannte Limitationen. Er beinhaltet nicht mehrere relevante Risikomodifikatoren wie chronische Nierenerkrankung, Krebs, Biomarker, elektrokardiographische Anomalien oder Ethnizität und kann das Risiko in bestimmten Subgruppen, einschließlich Frauen und Patienten mit Multimorbidität, unzureichend differenzieren. Folglich geht die klinische Entscheidungsfindung oft über den Score hinaus, was den Bedarf an umfassenderen und präziseren Werkzeugen widerspiegelt.

Neue Evidenz unterstützt das Konzept von AF als klinischem Kontinuum. Ein prothrombotisches atriales Substrat kann der manifesten Arrhythmie vorausgehen und eine "Prä-AF"-Phase schaffen, in der das thromboembolische Risiko bereits erhöht ist. Die Leitlinien 2023 von ACC/AHA/ACCP/HRS erkennen formal "gefährdete" und "Prä-AF"-Stadien an und heben eine Chance für frühere präventive Intervention hervor. Praktische Werkzeuge zur Identifizierung und Stratifizierung dieser Population in der routinemäßigen Primärversorgung bleiben jedoch begrenzt.

Künstliche Intelligenz (KI) bietet eine vielversprechende Strategie, um diese Lücken zu adressieren. Durch Nutzung hochdimensionaler elektronischer Gesundheitsakten (EHR)-Daten können KI-Modelle komplexe, nichtlineare Interaktionen zwischen klassischen und neuen Risikofaktoren erfassen und potenziell genauere individuelle thromboembolische Risikovorhersagen als traditionelle Scores liefern. Frühe maschinelle Lernansätze (ML) haben eine verbesserte Diskriminierung für AF und kardiovaskuläre Ereignisse im Vergleich zu konventionellen Modellen gezeigt.

Das MATHIAS-Projekt (throMboembolic risk Associated To High atrIal fibrillation riSk) zielt darauf ab, ein KI-basiertes Modell zur Schätzung des thromboembolischen Risikos bei Erwachsenen ab 65 Jahren mit hohem AF-Risiko unter Verwendung realer Primärversorgungs-EHR-Daten zu entwickeln und prospektiv zu validieren. Dieses Modell wird in einen digital unterstützten Versorgungspfad integriert, der gezieltes, risikogesteuertes Photoplethysmographie-Screening und individuelle Antikoagulationsentscheidungen umfasst. Das Ziel ist, die Früherkennung zu verbessern, Antikoagulationsstrategien zu verfeinern und Rhythmuskontrolle sowie Komorbiditätsmanagement zu personalisieren.

Vorläufige retrospektive Analysen basierend auf validierten AF-Risikostratifizierungskohorten (AFRICAT NCT03188484 und PREFATE NCT05772806) und fünf Pilot-ML-Modellen zeigten vielversprechende Ergebnisse. Das Adaboost-Modell übertraf CHA₂DS₂-VASc signifikant in der Vorhersage von MACE (AUC 99,99 % vs. 81,71 %; p = 0,0034). Während diese Ergebnisse ermutigend sind, ist eine prospektive, multizentrische Evaluation erforderlich, um die Generalisierbarkeit, optimale Nachbeobachtungsintervalle, Patientenauswahl (einschließlich Hochrisiko-, TIA/Schlaganfall- und variierenden CHA₂DS₂-VASc-Schichten) und Auswirkungen auf patientenrelevante Endpunkte wie Schlaganfall, Blutung, Lebensqualität und Kosteneffektivität zu bewerten.

Das Projekt beinhaltet auch ein Markov-Entscheidungsanalysemodell zur Schätzung von MACE, Schlaganfall, Behinderung, qualitätsadjustierten Lebensjahren (QALYs) und Kosten sowohl aus Perspektive des Gesundheitszahlers als auch der Gesellschaft. Szenarioanalysen werden bewerten, ob die Integration des KI-Modells in die Routineversorgung im Vergleich zur üblichen Versorgung, opportunistischem Screening oder Wearable-First-Strategien kosteneffektiv ist. Besondere Aufmerksamkeit wird geschlechtsspezifischen Ergebnissen und potenziellen Ungleichheiten in der Nutzenverteilung gewidmet.

Der erwartete klinische Einfluss umfasst die Reduktion der MACE-Inzidenz auf unter 50 pro 1000 Personenjahre in Hochrisikopopulationen, Senkung des AF-bedingten Schlaganfallanteils auf unter 10 %, Verbesserung der Antikoagulationsangemessenheit bei bis zu 65 % der geeigneten Patienten und Sicherstellung, dass mindestens 90 % der Hochrisikoindividuen eine angemessene orale Antikoagulationstherapie erhalten. Die Einhaltung strukturierter AF-Versorgungspfade (z.B. AF-CARE) wurde bereits mit signifikanten Reduktionen der Gesamtmortalität und MACE assoziiert; die Integration KI-gesteuerter Risikostratifizierung könnte diese Vorteile weiter verstärken.

Ökonomisch, obwohl Screening und breitere Antikoagulanziennutzung anfänglich direkte Kosten erhöhen können, wird von der Schlaganfallprävention erwartet, erhebliche langfristige Einsparungen zu generieren. Allein in Katalonien liegen die geschätzten jährlichen Einsparungen für Hochrisiko-AF-Populationen zwischen 12,3 Millionen € und 79,2 Millionen €. Reduktionen in Schlaganfallschwere, Behinderung und Hospitalisierungen werden sowohl direkte medizinische Kosten als auch indirekte gesellschaftliche Kosten im Zusammenhang mit Produktivitätsverlust und langfristiger Abhängigkeit mindern.

Zusammenfassend adressiert dieses Projekt eine große Lücke in der kardiovaskulären Prävention durch Entwicklung und Implementierung eines KI-gesteuerten thromboembolischen Risikostratifizierungsmodells für Personen mit hohem AF-Risiko. Durch Ausrichtung an zeitgenössischen europäischen Leitlinien und Präzisionsmedizinstrategien strebt die Initiative an, die Früherkennung zu verbessern, therapeutische Entscheidungen zu personalisieren, MACE- und Schlaganfalllast zu reduzieren, Patientenautonomie und Lebensqualität zu bewahren und eine nachhaltige Nutzung von Gesundheitsressourcen sicherzustellen.