Modello di machine learning centrato sul paziente per il rischio di sanguinamento e ischemia (xDAPT)

La doppia terapia antipiastrinica (DAPT) con aspirina e un inibitore P2Y12 è lo standard di cura per la prevenzione secondaria dopo intervento coronarico percutaneo (PCI). La DAPT ha dimostrato la sua efficacia nel ridurre le complicanze ischemiche (inclusa la trombosi dello stent) dopo PCI, anche se a costo di un aumento del rischio di sanguinamento. Poiché entrambi i tipi di eventi sono stati collegati in modo indipendente con l’eccesso di morbilità e mortalità, le linee guida internazionali sottolineano la necessità di adattare la durata e l’intensità della DAPT in base al profilo di rischio ischemico e emorragico individuale di ciascun paziente. In questo contesto, sono stati sviluppati diversi modelli predittivi di rischio per sanguinamento e trombosi con l’obiettivo di guidare le decisioni cliniche sulla gestione della DAPT post-PCI. Tuttavia, molti di questi modelli di rischio hanno mostrato solo prestazioni modeste e un’applicabilità limitata nella pratica clinica del mondo reale. Tali limitazioni possono essere attribuite, almeno in parte, agli approcci analitici utilizzati per il loro sviluppo, per lo più basati su modelli lineari incapaci di catturare la complessa interazione tra le diverse covariate cliniche. I metodi di apprendimento automatico offrono il potenziale per superare queste limitazioni sfruttando algoritmi informatici su set di dati di grandi dimensioni che catturano relazioni non lineari e ad alta dimensione tra le variabili. Tuttavia, la fattibilità e l’utilità dei modelli di rischio prognostico basati sull’apprendimento automatico nei pazienti sottoposti a PCI rimangono relativamente inesplorate.

Il presente studio analizzerà i dati di 11 studi clinici che comprendono circa 19.000 pazienti sottoposti a intervento coronarico percutaneo (PCI) con uno stent a eluizione di everolimus per sviluppare un algoritmo basato sull'apprendimento automatico. Non è stata richiesta l'approvazione del comitato di revisione istituzionale o il consenso informato del paziente poiché questo studio è un'analisi di studi clinici precedentemente pubblicati e tutti i dati dei singoli pazienti sono stati deidentificati. L'obiettivo è prevedere la probabilità di un evento ischemico o emorragico fino a 1 anno dopo la PCI. I dati a livello di paziente provenienti dagli studi clinici idonei elencati secondo il protocollo di acquisizione dati di apprendimento automatico XIENCE (90961902) verranno raggruppati e suddivisi casualmente in una coorte di formazione (~75%) e una coorte di convalida (~25%). Questi includono studi XIENCE sponsorizzati da Abbott e avviati dallo sperimentatore (ad esempio, XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAMINATION, SIERRA-75 e ITALIC). Le prestazioni di diversi studi di classificatori di machine learning saranno confrontate con approcci statistici tradizionali per la previsione degli esiti ischemici e emorragici. Il modello di machine learning con le migliori prestazioni verrà quindi selezionato e testato rispetto a un obiettivo prestazionale predefinito per valutarne l’utilità clinica. Sulla base della letteratura esistente sui punteggi di rischio stabiliti che attualmente informano la pratica clinica, l’obiettivo prestazionale per il modello è fissato a un valore dell’indice C pari o superiore a 0,65 all’intervallo di confidenza inferiore del 97,5% della distribuzione dell’indice C bootstrap. Questo per garantire che il valore reale dell’indice C sia ancora all’interno di un intervallo clinicamente rilevante e per convalidare l’utilità clinica del modello di previsione del rischio.