Voorspelling van het risico op boezemfibrilleren en associatie met andere ziekten (FIND-AF)

Boezemfibrilleren (AF) is een groot probleem voor de volksgezondheid: het komt steeds vaker voor, brengt aanzienlijke uitgaven voor gezondheidszorg met zich mee en wordt in verband gebracht met een reeks nadelige gevolgen. Er is reden voor de vroege diagnose van AF, voordat de eerste complicatie optreedt. Eerder onderzoek naar AF-screening wordt beperkt door lage opbrengsten van nieuwe gevallen en voorkomen van beroertes in de gescreende populaties. Om AF-screening klinisch en kosteneffectief te laten zijn, moet de efficiëntie van identificatie van nieuw gediagnosticeerde AF worden verbeterd en moet de aangeboden interventie mogelijk verder gaan dan orale antistolling voor beroerteprofylaxe. Eerdere voorspellingsmodellen voor incident-AF werden beperkt door hun gegevensbronnen en methodologieën. Een nauwkeurig model dat bestaande routinematig verzamelde gegevens gebruikt, is nodig om clinici te informeren over het risico op AF op patiëntniveau, het nationale screeningbeleid te informeren en mogelijkheden te benadrukken om de patiëntresultaten van AF-screening te verbeteren die verder gaan dan die van alleen beroertepreventie.

De toepassing van Random Forest zal worden onderzocht en multivariabele logistische regressie om incident AF te voorspellen binnen een voorspellingshorizon van 6 maanden, dat wil zeggen een tijdvenster dat consistent is met het uitvoeren van onderzoek naar AF. De dataset Clinical Practice Research Datalink (CPRD)-GOLD zal worden gebruikt voor afleiding en de dataset Clalit Health Services zal worden gebruikt voor internationale externe geografische validatie. Beide omvatten een grote representatieve populatie en omvatten klinische resultaten in de eerste en tweede lijn. Analyses omvatten statistieken van voorspellingsprestaties en klinisch nut. Alleen risicofactoren die toegankelijk zijn in de gemeenschap zullen worden gebruikt en het model zou dus passieve screening mogelijk kunnen maken voor personen met een hoog risico in elektronische medische dossiers die worden bijgewerkt met de presentatie van nieuwe gegevens. De studie heeft tot doel een rekenmachine te maken van een spaarzaam model. Kaplan-Meier-plots voor individuen geïdentificeerd als hoger en lager voorspeld risico op AF zullen worden berekend en het cumulatieve incidentiepercentage voor niet-AF cardio-renale-metabole ziekten en overlijden op de langere termijn afleiden om vast te stellen hoe voorspeld AF-risico geassocieerd is met een reeks nieuwe niet-AF-ziektetoestanden.

Om na te gaan of het voorspellingsmodel kan worden getransporteerd naar regio's buiten het VK, zullen de prestaties van het model extern worden gevalideerd in de Clalit Health Services-database in Israël. De validatie omvat deelnemers verzekerd door Clalit met een doorlopend lidmaatschap van minstens 1 jaar vóór 01/01/2019: 2.159.663 patiënten waarvan 4.330 met een nieuw incident van AF (atriumfibrilleren en/of atriumflutter) in de eerste helft van 2019 . De onderzoekspopulatie zal bestaan ​​uit alle beschikbare patiënten met een follow-up van ten minste 1 jaar. De uitkomst van belang is de eerste gediagnosticeerde AF na baseline en zal worden geïdentificeerd met behulp van leescodes en ICD-9/10-codes. Patiënten met minder dan een jaar registratie, die jonger zijn dan dertig jaar op het moment van binnenkomst in de studie, of bij wie vooraf de diagnose boezemfibrilleren is gesteld, worden uitgesloten.