A magas pitvarfibrilláció kockázatához társult thrombemboliás kockázat (MATHIAS)

Az előrejelző pitvarfibrilláció és annak tromboembóliás szövődményei egyre növekvő klinikai és társadalmi-gazdasági kihívást jelentenek Európában. Az AF erősen összefügg a stroke-szal, a jelentős szív- és érrendszeri eseményekkel (MACE), a rokkantsággal és a halálozással, és aránytalanul érinti az idősebb felnőtteket. Ahogy az európai népesség öregszik, az AF és az AF-hoz kapcsolódó stroke előfordulása várhatóan jelentősen növekedni fog, ami az egészségügyi kiadások és a társadalmi terhek növekedéséhez vezet. A stroke ellátása önmagában átlagosan 22 605,66 euróba kerül az első évben, amit főként a kórházi kezelés és a hosszú távú függőség hajt, a túlélők 45-50%-a pedig maradandó rokkantsággal él. Az AF-hez kapcsolódó tromboembóliás események megelőzése tehát klinikai és gazdasági szempontból is prioritást élvez.

Klinikai szempontból kritikus, még ki nem elégített igény van a magas AF-kockázatú egyének tromboembóliás kockázatának javított, felsőbb szintű rétegeződésére. Bár számos AF-előrejelző modell képes becsülni az AF incidens valószínűségét 5-10 évre, és a ≥65 éves felnőttek szisztematikus szűrése költségmegtakarítást mutatott a stroke megelőzésével, egy validált eszköz hiányzik az anticoaguláció kezdeményezésének irányítására magas kockázatú egyénekben, akiknél még nem állapítottak meg AF-et. A jelenlegi szokásos gyakorlat a CHA₂DS₂-VASc pontszámra támaszkodik, amint AF-et diagnosztizálnak; ennek a pontszámnak azonban ismert korlátai vannak. Nem tartalmaz számos releváns kockázat-módosítót, mint például a krónikus vesebetegséget, a rákot, a biomarkereket, az elektrokardiográfiás eltéréseket vagy az etnikai hovatartozást, és lehet, hogy nem eléggé különbözteti meg a kockázatot bizonyos alcsoportokban, köztük a nők és a multimorbiditású betegek körében. Következésképpen a klinikai döntéshozatal gyakran túlmutat a pontszámon, ami a kiterjedtebb és pontosabb eszközök iránti igényt tükrözi.

Újabb bizonyítékok támogatják az AF-et mint klinikai kontinuum koncepcióját. Egy protrombotikus pitvari szubsztrát megelőzheti a nyilvánvaló aritmiát, létrehozva egy „pre-AF” stádiumot, amely alatt a tromboembóliás kockázat már megnövekedett. A 2023-as ACC/AHA/ACCP/HRS irányelvek hivatalosan is elismerik a „kockázatnak kitett” és a „pre-AF” stádiumokat, kiemelve egy korábbi megelőző beavatkozás lehetőségét. Azonban gyakorlati eszközök ennek a populációnak az azonosítására és rétegeződésére a rutin elsődleges ellátásban továbbra is korlátozottak.

A mesterséges intelligencia (AI) ígéretes stratégiát kínál e hiányosságok kezelésére. A magas dimenziójú elektronikus egészségügyi nyilvántartási (EHR) adatok felhasználásával az AI-modellek képesek rögzíteni a klasszikus és új kockázati tényezők közötti összetett, nemlineáris kölcsönhatásokat, potenciálisan pontosabb egyéni tromboembóliás kockázati előrejelzést nyújtva, mint a hagyományos pontszámok. A korai gépi tanulás (ML) megközelítések javított megkülönböztetést mutattak AF-re és szív- és érrendszeri eseményekre vonatkozóan a hagyományos modellekhez képest.

A MATHIAS projekt (throMboembolic risk Associated To High atrIal fibrillation riSk) célja egy AI-alapú modell fejlesztése és prospektív validálása, amely a valós világ elsődleges ellátási EHR adatait felhasználva becsüli a tromboembóliás kockázatot magas AF-kockázatú, ≥65 éves felnőttekben. Ez a modell egy digitálisan támogatott ellátási útvonalba integrálódik, amely célzott, kockázatvezérelt fotopletizmográfiás szűrést és egyéni anticoagulációs döntéseket foglal magában. A cél a korai felismerés fokozása, az anticoagulációs stratégiák finomítása, valamint a ritmuskontroll és a komorbiditáskezelés személyre szabása.

Előzetes retrospektív elemzések validált AF-kockázat rétegeződési kohorszokon (AFRICAT NCT03188484 és PREFATE NCT05772806) és öt pilot ML-modellen alapulva ígéretes eredményeket mutattak. Az Adaboost modell szignifikánsan felülmúlta a CHA₂DS₂-VASc-t a MACE előrejelzésében (AUC 99,99% vs. 81,71%; p = 0,0034). Bár ezek az eredmények bíztatók, prospektív, multicentrikus értékelésre van szükség az általánosíthatóság, az optimális követési intervallumok, a betegválasztás (beleértve a magas kockázatúkat, TIA/stroke-osokat és különböző CHA₂DS₂-VASc rétegeket) és a betegszempontból fontos eredményekre gyakorolt hatás felméréséhez, mint például a stroke, a vérzés, az életminőség és a költség-hatékonyság.

A projekt egy Markov döntéselemző modellt is tartalmaz a MACE, stroke, rokkantság, minőséggel korrigált életévek (QALY) és költségek becslésére mind az egészségügyi finanszírozó, mind a társadalmi szempontból. Forgatókönyv-elemzések értékelik majd, hogy az AI-modell rutinellátásba való integrálása költség-hatékony-e a szokásos ellátáshoz, az alkalmi szűréshez vagy a viselhető eszközök elsőbbségét adó stratégiákhoz képest. Különös figyelmet kapnak a nem-specifikus eredmények és a haszoneloszlás lehetséges egyenlőtlenségei.

A várt klinikai hatás közé tartozik a MACE incidens csökkentése 50 alá 1000 személyévre vetítve a magas kockázatú populációkban, az AF-hez kapcsolódó stroke arányának csökkentése 10% alá, az anticoaguláció megfelelőségének javítása akár 65%-ban a jogosult betegek körében, és annak biztosítása, hogy a magas kockázatú egyének legalább 90%-a megfelelő orális anticoaguláns terápiát kapjon. A strukturált AF ellátási útvonalakhoz (pl. AF-CARE) való ragaszkodás már összefüggésbe hozható az összes okból származó halálozás és MACE jelentős csökkenésével; az AI-vezérelt kockázatrétegeződés integrálása tovább fokozhatja ezeket az előnyöket.

Gazdasági szempontból, bár a szűrés és a szélesebb körű anticoaguláns alkalmazás kezdetben növelheti a közvetlen költségeket, a stroke megelőzés jelentős hosszú távú megtakarításokat várhatóan generál. Csak Katalóniában a magas kockázatú AF populációk becsült éves megtakarítása 12,3 millió és 79,2 millió euró között mozog. A stroke súlyosságának, a rokkantságnak és a kórházi kezeléseknek a csökkenése enyhíti mind a közvetlen orvosi költségeket, mind a termelékenységvesztéshez és a hosszú távú függőséghez kapcsolódó közvetett társadalmi költségeket.

Összefoglalva, ez a projekt egy jelentős hiányosságot kezel a szív- és érrendszeri megelőzésben, egy AI-vezérelt tromboembóliás kockázat rétegeződési modell fejlesztésével és implementálásával a magas AF-kockázatú egyének számára. A kortárs európai irányelvekkel és a precíziós orvosi stratégiákkal összhangban a kezdeményezés célja a korai azonosítás javítása, a terápiás döntések személyre szabása, a MACE és a stroke terheinek csökkentése, a betegautonómia és az életminőség megőrzése, valamint a fenntartható egészségügyi erőforrás-felhasználás biztosítása.