Potilaskeskeinen koneoppimismalli verenvuodolle ja iskeemiselle riskille (xDAPT)

Kaksoisverihiutaleiden vastainen hoito (DAPT) aspiriinin ja P2Y12-estäjän kanssa on sekundaarisen ehkäisyn standardi hoito perkutaanisen sepelvaltimointervention (PCI) jälkeen. DAPT on osoittanut tehokkuutensa vähentämään iskeemisiä komplikaatioita (mukaan lukien stenttitromboosi) PCI:n jälkeen, vaikkakin lisääntyneen verenvuotoriskin kustannuksella. Koska molemmat tapahtumatyypit on yhdistetty itsenäisesti liialliseen sairastuvuuteen ja kuolleisuuteen, kansainväliset ohjeet painottavat tarvetta räätälöidä DAPT:n kesto ja intensiteetti kunkin potilaan yksilöllisen iskeemisen ja verenvuodon riskiprofiilin mukaan. Tässä yhteydessä on kehitetty useita ennustavia riskimalleja verenvuodolle ja tromboosille, joiden tarkoituksena on ohjata kliinisiä päätöksiä DAPT:n hoidosta PCI:n jälkeen. Monet näistä riskimalleista ovat kuitenkin osoittaneet vain vaatimatonta suorituskykyä ja rajoitettua sovellettavuutta todellisessa kliinisessä käytännössä. Tällaiset rajoitukset voivat johtua ainakin osittain niiden kehittämiseen käytetyistä analyyttisista lähestymistavoista, jotka perustuvat enimmäkseen lineaarisiin malleihin, jotka eivät pysty kaappaamaan monimutkaista vuorovaikutusta eri kliinisten kovariaattien välillä. Koneoppimismenetelmät tarjoavat mahdollisuuden voittaa nämä rajoitukset hyödyntämällä tietokonealgoritmeja suuriin tietokokonaisuuksiin, jotka sieppaavat suuriulotteisia, epälineaarisia muuttujien välisiä suhteita. Koneoppimiseen perustuvien prognostisten riskimallien toteutettavuus ja hyödyllisyys PCI-potilailla on kuitenkin edelleen suhteellisen tutkimatta.

Tässä tutkimuksessa analysoidaan tietoja 11 kliinisestä tutkimuksesta, joissa on mukana noin 19 000 potilasta, joille tehdään perkutaaninen sepelvaltimointerventio (PCI) everolimuusia eluoivalla stentillä koneoppimiseen perustuvan algoritmin kehittämiseksi. Laitosarviointilautakunnan hyväksyntää tai tietoista potilaan suostumusta ei vaadittu, koska tämä tutkimus on aiemmin julkaistujen kliinisten tutkimusten analyysi ja kaikki yksittäiset potilastiedot on poistettu. Tavoitteena on ennustaa iskeemisen tai verenvuototapahtuman todennäköisyys jopa vuoden kuluttua PCI:stä. Potilastason tiedot kelvollisista kliinisistä tutkimuksista, jotka on lueteltu XIENCE Machine Learning Data Acquisition Protocol -protokollan (90961902) mukaisesti, yhdistetään ja jaetaan satunnaisesti koulutuskohorttiin (~75 %) ja validointikohorttiin (~25 %). Näitä ovat sekä Abbotin sponsoroimat että tutkijan aloitteet XIENCE-tutkimukset (eli XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Vertaa ABSORB, Vertaa Acute, EXAMINATION, SIERRA-75 ja ITALIC). Koneoppimisluokittajien erilaisten kokeiden suorituskykyä verrataan perinteisiin tilastollisiin lähestymistapoihin iskeemisten ja verenvuototulosten ennustamisessa. Sen jälkeen parhaiten suoriutuva koneoppimismalli valitaan ja testataan ennalta määritellyn suoritustavoitteen mukaisesti sen kliinisen hyödyn arvioimiseksi. Perustuen olemassa olevaan kirjallisuuteen vakiintuneista riskipisteistä, jotka tällä hetkellä vaikuttavat kliiniseen käytäntöön, mallin suorituskykytavoitteeksi asetetaan C-indeksin arvo, joka on yhtä suuri tai suurempi kuin 0,65 bootstrapin C-indeksijakauman 97,5 % alemmalla luottamusvälillä. Tällä varmistetaan, että C-indeksin todellinen arvo on edelleen kliinisesti merkityksellisellä alueella, ja validoidaan riskien ennustemallin kliininen hyödyllisyys.