trombo-embolisch risico geassocieerd met hoog atriumfibrillatierisico (MATHIAS)

Atriumfibrilleren en de trombo-embolische complicaties daarvan vormen een groeiende klinische en sociaaleconomische uitdaging in Europa. AF is sterk geassocieerd met beroerte, belangrijke nadelige cardiovasculaire gebeurtenissen (MACE), invaliditeit en sterfte, waarbij oudere volwassenen onevenredig worden getroffen. Naarmate de Europese bevolking veroudert, zal naar verwachting de prevalentie van AF en AF-gerelateerde beroerte aanzienlijk toenemen, wat leidt tot stijgende zorguitgaven en maatschappelijke lasten. Beroertezorg alleen kost gemiddeld €22.605,66 in het eerste jaar, grotendeels gedreven door ziekenhuisopname en langdurige afhankelijkheid, waarbij 45-50% van de overlevenden resterende invaliditeit ervaart. Het voorkomen van AF-gerelateerde trombo-embolische gebeurtenissen vertegenwoordigt daarom zowel een klinische als economische prioriteit.

Vanuit klinisch oogpunt is er een kritische, onvervulde behoefte aan verbeterde upstream trombo-embolische risicostratificatie bij individuen met een hoog risico op AF. Hoewel verschillende AF-voorspellingsmodellen de kans op incidenteel AF over 5-10 jaar kunnen schatten, en systematische screening van volwassenen van ≥65 jaar kostenbesparingen heeft aangetoond door beroertepreventie, ontbreekt een gevalideerd instrument om antistollingsinitiatie te begeleiden bij hoogrisico-individuen zonder vastgesteld AF. De huidige standaardpraktijk vertrouwt op de CHA₂DS₂-VASc score zodra AF is gediagnosticeerd; deze score heeft echter erkende beperkingen. Het omvat niet verschillende relevante risicoveranderende factoren zoals chronische nierziekte, kanker, biomarkers, elektrocardiografische afwijkingen of etniciteit, en het kan risico's onvoldoende onderscheiden in bepaalde subgroepen, waaronder vrouwen en patiënten met multimorbiditeit. Bijgevolg gaat klinische besluitvorming vaak verder dan de score, wat de behoefte aan meer uitgebreide en precieze instrumenten weerspiegelt.

Opkomend bewijs ondersteunt het concept van AF als een klinisch continuüm. Een protrombotisch atriumsubstraat kan voorafgaan aan duidelijke aritmie, waardoor een "pre-AF"-fase ontstaat waarin het trombo-embolische risico al verhoogd is. De 2023 ACC/AHA/ACCP/HRS-richtlijnen erkennen formeel "at-risk"- en "pre-AF"-stadia, wat een kans benadrukt voor vroegere preventieve interventie. Praktische instrumenten om deze populatie te identificeren en stratificeren in routinematige eerstelijnszorg blijven echter beperkt.

Kunstmatige intelligentie (AI) biedt een veelbelovende strategie om deze hiaten aan te pakken. Door gebruik te maken van hoogdimensionale elektronische gezondheidsdossier (EHR) gegevens, kunnen AI-modellen complexe, niet-lineaire interacties tussen klassieke en opkomende risicofactoren vastleggen, mogelijk nauwkeurigere geïndividualiseerde trombo-embolische risicovoorspelling biedend dan traditionele scores. Vroege machine learning (ML) benaderingen hebben verbeterde discriminatie voor AF en cardiovasculaire gebeurtenissen aangetoond in vergelijking met conventionele modellen.

Het MATHIAS-project (throMboembolic risk Associated To High atrIal fibrillation riSk) heeft tot doel een AI-gebaseerd model te ontwikkelen en prospectief te valideren om trombo-embolisch risico te schatten bij volwassenen van ≥65 jaar met een hoog risico op AF, gebruikmakend van real-world eerstelijnszorg EHR-gegevens. Dit model zal worden geïntegreerd in een digitaal ondersteund zorgpad dat gerichte, risicogestuurde fotoplethysmografie-screening en geïndividualiseerde antistollingsbeslissingen omvat. Het doel is vroegtijdige detectie te verbeteren, antistollingsstrategieën te verfijnen en ritmebeheersing en comorbiditeitsmanagement te personaliseren.

Preliminaire retrospectieve analyses gebaseerd op gevalideerde AF-risicostratificatiecohorten (AFRICAT NCT03188484 en PREFATE NCT05772806) en vijf pilot ML-modellen toonden veelbelovende resultaten. Het Adaboost-model presteerde significant beter dan CHA₂DS₂-VASc in het voorspellen van MACE (AUC 99,99% vs. 81,71%; p = 0,0034). Hoewel deze bevindingen bemoedigend zijn, is prospectieve, multicenterevaluatie vereist om generaliseerbaarheid, optimale follow-upintervallen, patiëntselectie (inclusief hoogrisico, TIA/beroerte, en variërende CHA₂DS₂-VASc-strata), en impact op patiëntbelangrijke uitkomsten zoals beroerte, bloeding, kwaliteit van leven en kosteneffectiviteit te beoordelen.

Het project omvat ook een Markov beslissingsanalytisch model om MACE, beroerte, invaliditeit, kwaliteitsgecorrigeerde levensjaren (QALY's) en kosten te schatten vanuit zowel zorgverzekeraars- als maatschappelijke perspectieven. Scenarioanalyses zullen evalueren of integratie van het AI-model in routinematige zorg kosteneffectief is in vergelijking met gebruikelijke zorg, opportunistische screening of wearable-first strategieën. Speciale aandacht zal worden besteed aan geslachtsspecifieke uitkomsten en potentiële ongelijkheden in voordeldistributie.

De verwachte klinische impact omvat reductie van MACE-incidentie tot onder 50 per 1.000 persoonsjaren in hoogrisicopopulaties, verlaging van AF-gerelateerde beroorteproportie tot onder 10%, verbetering van antistollingsgeschiktheid bij tot 65% van in aanmerking komende patiënten, en verzekering dat minstens 90% van hoogrisico-individuen passende orale antistollingstherapie ontvangt. Naleving van gestructureerde AF-zorgpaden (bijv. AF-CARE) is al geassocieerd met significante reducties in alle-oorzaaksterfte en MACE; integratie van AI-gedreven risicostratificatie kan deze voordelen verder versterken.

Economisch gezien, hoewel screening en breder antistollingsgebruik aanvankelijk directe kosten kunnen verhogen, wordt van beroertepreventie verwacht dat het aanzienlijke langetermijnbesparingen genereert. In Catalonië alleen al variëren geschatte jaarlijkse besparingen voor hoogrisico AF-populaties van €12,3 miljoen tot €79,2 miljoen. Verminderingen in beroerte-ernst, invaliditeit en ziekenhuisopnames zullen zowel directe medische kosten als indirecte maatschappelijke kosten gerelateerd aan productiviteitsverlies en langdurige afhankelijkheid verzachten.

Samenvattend adresseert dit project een groot hiaat in cardiovasculaire preventie door ontwikkeling en implementatie van een AI-gedreven trombo-embolisch risicostratificatiemodel voor individuen met een hoog risico op AF. Door aan te sluiten bij hedendaagse Europese richtlijnen en precisiegeneeskundestrategieën, streeft het initiatief ernaar vroegtijdige identificatie te verbeteren, therapeutische beslissingen te personaliseren, MACE- en beroortelast te verminderen, patiëntautonomie en kwaliteit van leven te behouden, en duurzaam gebruik van zorgmiddelen te verzekeren.