Pasientsentrert maskinlæringsmodell for blødning og iskemisk risiko (xDAPT)

Dobbel antiplate-terapi (DAPT) med aspirin og en P2Y12-hemmer er standardbehandlingen for sekundær forebygging etter perkutan koronar intervensjon (PCI). DAPT har vist sin effektivitet for å redusere iskemiske komplikasjoner (inkludert stenttrombose) etter PCI, men på bekostning av økt risiko for blødning. Siden begge hendelsestypene har vært uavhengig knyttet til overdreven sykelighet og dødelighet, understreker internasjonale retningslinjer behovet for å skreddersy DAPT-varighet og intensitet i henhold til den individuelle iskemiske og blødningsrisikoprofilen til hver pasient. I denne sammenheng er det utviklet flere prediktive risikomodeller for blødning og trombose med sikte på å veilede kliniske beslutninger om DAPT-behandling etter PCI. Imidlertid har mange av disse risikomodellene vist bare beskjeden ytelse og begrenset anvendelighet i klinisk praksis i den virkelige verden. Slike begrensninger kan tilskrives, i det minste delvis, de analytiske tilnærmingene som brukes for deres utvikling, for det meste basert på lineære modeller som ikke er i stand til å fange det komplekse samspillet mellom forskjellige kliniske kovariater. Maskinlæringsmetoder gir potensialet til å overvinne disse begrensningene ved å utnytte datamaskinalgoritmer til store datasett som fanger opp høydimensjonale, ikke-lineære forhold mellom variabler. Gjennomførbarheten og nytten av maskinlæringsbaserte prognostiske risikomodeller hos PCI-pasienter forblir imidlertid relativt uutforsket.

Denne studien vil analysere data fra 11 kliniske studier som omfatter omtrent 19 000 pasienter som gjennomgår perkutan koronar intervensjon (PCI) med en everolimus-eluerende stent for å utvikle en maskinlæringsbasert algoritme. Godkjenning av institusjonell vurderingsstyre eller informert pasientsamtykke var ikke nødvendig, da denne studien er en analyse av tidligere publiserte kliniske studier og alle individuelle pasientdata ble avidentifisert. Målet er å forutsi sannsynligheten for en iskemisk eller blødningshendelse inntil 1 år etter PCI. Data på pasientnivå fra de kvalifiserte kliniske studiene oppført i henhold til XIENCE Machine Learning Data Acquisition Protocol (90961902) vil bli samlet og tilfeldig delt inn i en treningskohort (~75 %) og en valideringskohort (~25 %). Disse inkluderer både Abbott-sponsede og etterforsker-initierte XIENCE-studier (dvs. XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAMINATION, SIERRA-75 og ITALIC). Ytelsen til forskjellige utprøvinger av maskinlæringsklassifiserere vil bli sammenlignet med tradisjonelle statistiske tilnærminger for prediksjon av iskemiske og blødningsutfall. Den beste maskinlæringsmodellen vil deretter bli valgt og testet mot et forhåndsdefinert ytelsesmål for å vurdere dens kliniske nytte. Basert på eksisterende litteratur om etablerte risikoskårer som for tiden informerer klinisk praksis, er ytelsesmålet for modellen satt til C-indeksverdi lik eller større enn 0,65 ved det 97,5 % lavere konfidensintervallet til bootstrap C-indeksfordelingen. Dette er for å sikre at den sanne verdien av C-indeksen fortsatt er innenfor et klinisk relevant område og for å validere den kliniske nytten av risikoprediksjonsmodellen.