Patiëntgericht machinaal leermodel voor bloedingen en ischemische risico's (xDAPT)

Dubbele plaatjesaggregatieremmers (DAPT) met aspirine en een P2Y12-remmer is de standaardbehandeling voor secundaire preventie na percutane coronaire interventie (PCI). DAPT heeft zijn werkzaamheid aangetoond bij het verminderen van ischemische complicaties (waaronder stenttrombose) na PCI, hoewel dit ten koste gaat van een verhoogd risico op bloedingen. Omdat beide soorten gebeurtenissen onafhankelijk in verband zijn gebracht met overmatige morbiditeit en mortaliteit, benadrukken internationale richtlijnen de noodzaak om de duur en intensiteit van DAPT aan te passen aan het individuele ischemische en bloedingsrisicoprofiel van elke patiënt. In deze context zijn verschillende voorspellende risicomodellen voor bloedingen en trombose ontwikkeld met als doel klinische beslissingen over DAPT-management na PCI te begeleiden. Veel van deze risicomodellen hebben echter slechts bescheiden prestaties en beperkte toepasbaarheid in de klinische praktijk laten zien. Dergelijke beperkingen kunnen, althans gedeeltelijk, worden toegeschreven aan de analytische benaderingen die worden gebruikt voor de ontwikkeling ervan, meestal gebaseerd op lineaire modellen die niet in staat zijn de complexe wisselwerking tussen verschillende klinische covariaten vast te leggen. Machine learning-methoden bieden het potentieel om deze beperkingen te overwinnen door computeralgoritmen in te zetten voor grote datasets die hoogdimensionale, niet-lineaire relaties tussen variabelen vastleggen. De haalbaarheid en bruikbaarheid van op machine learning gebaseerde prognostische risicomodellen bij PCI-patiënten blijven echter relatief onontgonnen.

De huidige studie zal gegevens analyseren van 11 klinische onderzoeken waarbij ongeveer 19.000 patiënten betrokken zijn die een percutane coronaire interventie (PCI) ondergaan met een everolimus-eluerende stent om een ​​op machine learning gebaseerd algoritme te ontwikkelen. Goedkeuring door de institutionele beoordelingsraad of geïnformeerde toestemming van de patiënt was niet vereist, aangezien dit onderzoek een analyse is van eerder gepubliceerde klinische onderzoeken en alle individuele patiëntgegevens niet meer geïdentificeerd konden worden. Het doel is om de waarschijnlijkheid van een ischemische gebeurtenis of bloeding tot 1 jaar na PCI te voorspellen. Gegevens op patiëntniveau uit de in aanmerking komende klinische onderzoeken die zijn vermeld volgens het XIENCE Machine Learning Data Acquisition Protocol (90961902) worden samengevoegd en willekeurig opgesplitst in een trainingscohort (~75%) en een validatiecohort (~25%). Deze omvatten zowel door Abbott gesponsorde als door onderzoekers geïnitieerde XIENCE-onderzoeken (d.w.z. XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAINATION, SIERRA-75 en ITALIC). De prestaties van verschillende onderzoeken met machine learning-classificatoren zullen worden vergeleken met traditionele statistische benaderingen voor de voorspelling van ischemische en bloedingsresultaten. Het best presterende machine learning-model zal vervolgens worden geselecteerd en getest aan de hand van een vooraf gedefinieerd prestatiedoel om de klinische bruikbaarheid ervan te beoordelen. Gebaseerd op bestaande literatuur over vastgestelde risicoscores die momenteel de klinische praktijk informeren, is het prestatiedoel voor het model vastgesteld op een C-indexwaarde gelijk aan of groter dan 0,65 bij het 97,5% lagere betrouwbaarheidsinterval van de bootstrap C-indexverdeling. Dit is om ervoor te zorgen dat de werkelijke waarde van de C-index nog steeds binnen een klinisch relevant bereik ligt en om de klinische bruikbaarheid van het risicovoorspellingsmodel te valideren.