Korkean atrioventriculaarisen fibrillaation riskiin liittyvä tromboembolinen riski (MATHIAS)

Eteisvärinä ja sen tromboemboliset komplikaatiot edustavat kasvavaa kliinistä ja sosioekonomista haastetta Euroopassa.
Eteisvärinä liittyy vahvasti aivohalvaukseen, merkittäviin kardiovaskulaariset haittatapahtumiin (MACE), vammautumiseen ja kuolleisuuteen, mikä vaikuttaa epäsuhteellisesti vanhempiin aikuisiin.
Eurooppalaisen väestön ikääntyessä eteisvärinän ja eteisvärinään liittyvän aivohalvauksen esiintyvyyden ennustetaan kasvavan merkittävästi, mikä johtaa kasvaviin terveydenhuoltokustannuksiin ja yhteiskunnalliseen taakkaan.
Pelkästään aivohalvaushoito maksaa keskimäärin 22 605,66 € ensimmäisenä vuonna, pääosin sairaalahoidon ja pitkäaikaisen riippuvuuden vuoksi, ja 45–50 % selviytyjistä kokee jäännösvammautumista.
Eteisvärinään liittyvien tromboembolisten tapahtumien ehkäisemisestä on siis sekä kliininen että taloudellinen prioriteetti.

Kliinisestä näkökulmasta on kriittinen täyttämätön tarve parantaa tromboembolisen riskin ylöspäin suuntautuvaa riskiluokittelua henkilöillä, joilla on korkea eteisvärinäriski.
Vaikka useat eteisvärinän ennustemallit voivat arvioida eteisvärinän todennäköisyyttä 5–10 vuoden aikana, ja systemaattinen seulonta 65 vuotta täyttäneillä aikuisilla on osoittanut kustannussäästöjä aivohalvauksen ehkäisyn kautta, validoitua työkalua ohjaamaan antikoagulaatiohoitoa korkean riskin henkilöille ilman vakiintunutta eteisvärinää ei ole saatavilla.
Nykyinen standardikäytäntö perustuu CHA₂DS₂-VASc-pisteeseen, kun eteisvärinä on diagnosoitu; tällä pisteellä on kuitenkin tunnustetut rajoitukset.
Se ei sisällä useita merkityksellisiä riskin muuttajia, kuten kroonista munuaissairautta, syöpää, biomarkkereita, elektrokardiografisia poikkeavuuksia tai etnisyyttä, ja se saattaa erotella riskiä riittämättömästi tietyissä alaryhmissä, mukaan lukien naisissa ja potilaissa, joilla on monisairastavuus.
Näin ollen kliininen päätöksenteko usein ylittää pisteytyksen, mikä heijastaa tarpetta kattavammille ja tarkemmille työkaluille.

Uudet todisteet tukevat käsitystä eteisvärinästä kliinisena jatkumona.
Protromboottinen eteissubstraatti voi edeltää selkeää rytmihäiriötä, luoden "pre-eiteisvärinä"-vaiheen, jonka aikana tromboembolinen riski on jo kohonnut.
Vuoden 2023 ACC/AHA/ACCP/HRS-ohjeistot tunnustavat virallisesti "riskissä" ja "pre-eiteisvärinä"-vaiheet, korostaen mahdollisuutta aikaisempaan ehkäisevään interventioon.
Käytännön työkalut tämän väestön tunnistamiseksi ja riskiluokittelemiseksi rutiininomaisessa perusterveydenhuollossa ovat kuitenkin edelleen rajalliset.

Tekoäly (AI) tarjoaa lupaavan strategian näiden aukkojen täyttämiseksi.
Hyödyntämällä korkeaulotteista sähköistä terveystietorekisteri (EHR) -dataa, tekoälymallit voivat siepata monimutkaisia, epälineaarisia vuorovaikutuksia perinteisten ja uusien riskitekijöiden välillä, mahdollisesti tarjoten tarkemman yksilöllisen tromboembolisen riskin ennusteen kuin perinteiset pisteytykset.
Varhaiset koneoppimis (ML) -lähestymistavat ovat osoittaneet parantuneen erottelukyvyn eteisvärinälle ja kardiovaskulaarisille tapahtumille verrattuna perinteisiin malleihin.

MATHIAS-hanke (throMboembolic risk Associated To High atrIal fibrillation riSk) pyrkii kehittämään ja prospektiivisesti validoimaan tekoälyyn perustuvan mallin tromboembolisen riskin arvioimiseksi 65 vuotta täyttäneillä aikuisilla, joilla on korkea eteisvärinäriski, käyttäen reaalimaailman perusterveydenhuollon EHR-dataa.
Tämä malli integroidaan digitaalisesti mahdollistettuun hoitopolkuun, joka sisältää kohdennetun, riskiohjauksen mukaisen fotopletysmografian seulonnan ja yksilölliset antikoagulaatiopäätökset.
Tavoitteena on parantaa varhaista havaitsemista, hienosäätää antikoagulaatiostrategioita ja personoida rytmihallintaa ja komorbiditeetin hoitoa.

Alustavat retrospektiiviset analyysit, jotka perustuvat validoituihin eteisvärinän riskiluokittelukohorteihin (AFRICAT NCT03188484 ja PREFATE NCT05772806) ja viiteen pilotti-ML-malliin, osoittivat lupaavia tuloksia.
Adaboost-malli ylitti merkittävästi CHA₂DS₂-VASc-pisteen MACE:n ennustamisessa (AUC 99,99 % vs. 81,71 %;
p = 0,0034).
Vaikka nämä löydökset ovat rohkaisevia, prospektiivista, monikeskuksellista arviointia tarvitaan yleistävyyden, optimaalisten seurantaväliaikojen, potilasvalinnan (mukaan lukien korkean riskin, TIA/aivohalvauksen ja eri CHA₂DS₂-VASc-strata) sekä vaikutuksen arvioimiseksi potilaskeskeisiin lopputulemiin, kuten aivohalvaukseen, verenvuotoon, elämänlaatuun ja kustannustehokkuuteen.

Hanke sisältää myös Markov-päätösanalyysimallin MACE:n, aivohalvauksen, vammautumisen, laatuun sopeutettujen elinvuosien (QALY) ja kustannusten arvioimiseksi sekä terveydenhuollon maksajan että yhteiskunnan näkökulmista.
Skenaarioanalyysit arvioivat, onko tekoälymallin integrointi rutiinihuoltoon kustannustehokasta verrattuna tavanomaiseen hoitoon, opportunistiseen seulontaan tai wearables-ensimmäisiin strategioihin.
Erityistä huomiota kiinnitetään sukupuolikohtaisiin lopputulemiin ja mahdollisiin epätasa-arvoihin hyödyn jakautumisessa.

Ennustettu kliininen vaikutus sisältää MACE:n ilmaantuvuuden vähentämisen alle 50:een 1000 henkilövuotta kohden korkean riskin väestöissä, eteisvärinään liittyvän aivohalvauksen osuuden laskemisen alle 10 %, antikoagulaation sopivuuden parantamisen jopa 65 %:ssa oikeutetuista potilaista ja varmistamisen, että vähintään 90 % korkean riskin henkilöistä saa asianmukaista suun kautta annettavaa antikoagulanttihoidosta.
Rakenteellisten eteisvärinän hoitopolkujen (esim. AF-CARE) noudattaminen on jo liitetty merkittäviin vähennyksiin kaiken syyn kuolleisuudessa ja MACE:ssa; tekoälyyn perustuvan riskiluokittelun integrointi voi edelleen parantaa näitä hyötyjä.

Taloudellisesti, vaikka seulonta ja laajempi antikoagulanttien käyttö saattavat aluksi lisätä suoria kustannuksia, aivohalvauksen ehkäisyn odotetaan tuottavan huomattavia pitkän aikavälin säästöjä.
Pelkästään Kataloniassa arvioidut vuotuiset säästöt korkean riskin eteisvärinäväestöissä vaihtelevat 12,3 miljoonasta eurosta 79,2 miljoonaan euroon.
Aivohalvauksen vakavuuden, vammautumisen ja sairaalahoitojen vähennykset lieventävät sekä suoria lääketieteellisiä kustannuksia että epäsuoria yhteiskunnallisia kustannuksia liittyen tuottavuuden menetykseen ja pitkäaikaiseen riippuvuuteen.

Yhteenvetona tämä hanke käsittelee merkittävän aukon sydän- ja verisuonitautien ehkäisyssä kehittämällä ja toteuttamalla tekoälyyn perustuvan tromboembolisen riskiluokittelumallin henkilöille, joilla on korkea eteisvärinäriski.
Kohdistamalla nykyaikaisten eurooppalaisten ohjeistojen ja tarkkailulääketieteen strategioiden kanssa, aloite pyrkii parantamaan varhaista tunnistamista, personoimaan terapeuttisia päätöksiä, vähentämään MACE:n ja aivohalvauksen taakkaa, säilyttämään potilaan autonomian ja elämänlaadun sekä varmistamaan kestävän terveydenhuoltovarat käytön.