Tromboembolisk risiko forbundet med høy atrieflimmerrisiko (MATHIAS)

Atrieflimmer og dets tromboemboliske komplikasjoner utgjør en voksende klinisk og sosialøkonomisk utfordring i Europa. AF er sterkt assosiert med hjerneslag, store kardiovaskulære hendelser (MACE), funksjonshemming og dødelighet, og rammer eldre voksne uforholdsmessig. Etter hvert som den europeiske befolkningen eldes, forventes forekomsten av AF og AF-relatert hjerneslag å øke betydelig, noe som fører til økende helseutgifter og samfunnsmessig belastning. Behandling av hjerneslag alene koster i gjennomsnitt €22 605,66 det første året, hovedsakelig drevet av innleggelse og langvarig avhengighet, hvor 45–50 % av overlevende opplever restfunksjonshemming. Å forebygge AF-relaterte tromboemboliske hendelser representerer derfor både en klinisk og økonomisk prioritet.

Fra et klinisk ståsted er det et kritisk uoppfylt behov for forbedret tidlig tromboembolisk risikostratifisering hos individer med høy risiko for AF. Selv om flere AF-prediksjonsmodeller kan estimere sannsynligheten for AF over 5–10 år, og systematisk screening av voksne ≥65 år har vist kostnadsbesparelser gjennom hjerneslagforebygging, mangler et valideringsverktøy for å veilede antikoagulasjonsinitiering hos høyt risikoutsatte individer uten etablert AF. Nåværende standardpraksis er avhengig av CHA₂DS₂-VASc-scoren når AF er diagnostisert; denne scoren har imidlertid anerkjente begrensninger. Den inkluderer ikke flere relevante risikomodifikatorer som kronisk nyresykdom, kreft, biomarkører, elektrokardiografiske abnormaliteter eller etnisitet, og den kan utilstrekkelig diskriminere risiko i visse undergrupper, inkludert kvinner og pasienter med multimorbiditet. Følgelig strekker klinisk beslutningstaking seg ofte utover scoren, noe som reflekterer behovet for mer omfattende og presise verktøy.

Nyere beviser støtter konseptet om AF som en klinisk kontinuitet. Et protrombotisk atriesubstrat kan foregå åpen arytmi, og skape et "pre-AF"-stadie hvor tromboembolisk risiko allerede er forhøyet. Retningslinjene fra 2023 ACC/AHA/ACCP/HRS anerkjenner formelt "at-risk"- og "pre-AF"-stadiene, og fremhever en mulighet for tidligere forebyggende intervensjon. Imidlertid er praktiske verktøy for å identifisere og stratifisere denne populasjonen i rutinemessig primærhelsetjeneste fortsatt begrenset.

Kunstig intelligens (AI) tilbyr en lovende strategi for å håndtere disse hullene. Ved å utnytte høy-dimensjonale elektroniske helseregisterdata (EHR) kan AI-modeller fange komplekse, ikke-lineære interaksjoner mellom klassiske og nye risikofaktorer, og potensielt gi mer nøyaktig individualisert tromboembolisk risikoprediksjon enn tradisjonelle scorer. Tidlige maskinlæringstilnærminger har vist forbedret diskriminering for AF og kardiovaskulære hendelser sammenlignet med konvensjonelle modeller.

MATHIAS-prosjektet (throMboembolic risk Associated To High atrIal fibrillation riSk) har som mål å utvikle og prospektivt validere en AI-basert modell for å estimere tromboembolisk risiko hos voksne ≥65 år med høy risiko for AF ved bruk av reelle primærhelsetjeneste EHR-data. Denne modellen vil integreres i en digitalt aktivert behandlingsvei som inkorporerer målrettet, risikostyrt fotopletysmografiscreening og individualiserte antikoagulasjonsbeslutninger. Målet er å forbedre tidlig oppdagelse, avgrense antikoagulasjonsstrategier og personalisere rytmekontroll og komorbiditetshåndtering.

Foreløpige retrospektive analyser basert på validerte AF-risikostratifiseringskohorter (AFRICAT NCT03188484 og PREFATE NCT05772806) og fem pilot ML-modeller viste lovende resultater. Adaboost-modellen overgikk signifikant CHA₂DS₂-VASc i prediksjon av MACE (AUC 99,99 % vs. 81,71 %; p = 0,0034). Selv om disse funnene er oppmuntrende, kreves prospektiv, multikenter evaluering for å vurdere generaliserbarhet, optimale oppfølgningsintervaller, pasientutvalg (inkludert høyrisiko, TIA/hjerneslag og varierende CHA₂DS₂-VASc-strata) og innvirkning på pasientviktige utfall som hjerneslag, blødning, livskvalitet og kostnadseffektivitet.

Prosjektet inkorporerer også en Markov beslutningsanalytisk modell for å estimere MACE, hjerneslag, funksjonshemming, kvalitetsjusterte leveår (QALYs) og kostnader fra både helsefinansierings- og samfunnsperspektiv. Scenarioanalyser vil evaluere om integrering av AI-modellen i rutinemessig behandling er kostnadseffektiv sammenlignet med vanlig behandling, opportunistisk screening eller "wearable-first"-strategier. Spesiell oppmerksomhet vil bli gitt til kjønnsspesifikke utfall og potensielle ulikheter i fordelingen av fordeler.

Den forventede kliniske påvirkningen inkluderer reduksjon av MACE-forekomst til under 50 per 1000 person-år i høyt risikoutsatte populasjoner, redusering av AF-relatert hjerneslagandel til under 10 %, forbedring av antikoagulasjonshensiktsmessighet hos opptil 65 % av kvalifiserte pasienter, og sikring av at minst 90 % av høyt risikoutsatte individer mottar hensiktsmessig oral antikoagulasjonsterapi. Overholdelse av strukturerte AF-behandlingsveier (f.eks. AF-CARE) har allerede vært assosiert med betydelige reduksjoner i totaldødelighet og MACE; integrering av AI-drevet risikostratifisering kan ytterligere forbedre disse fordelene.

Økonomisk, selv om screening og bredere antikoagulantbruk kan øke direkte kostnader initielt, forventes hjerneslagforebygging å generere betydelige langsiktige besparelser. I Catalonia alene er estimerte årlige besparelser for høyt risikoutsatte AF-populasjoner fra €12,3 millioner til €79,2 millioner. Reduksjoner i hjerneslagalvorlighet, funksjonshemming og innleggelser vil dempe både direkte medisinske kostnader og indirekte samfunnskostnader relatert til tap av produktivitet og langvarig avhengighet.

Oppsummert adresserer dette prosjektet et stort gap i kardiovaskulær forebygging ved å utvikle og implementere en AI-drevet tromboembolisk risikostratifiseringsmodell for individer med høy risiko for AF. Ved å tilpasse seg samtidens europeiske retningslinjer og presisjonsmedisinske strategier, søker initiativet å forbedre tidlig identifisering, personalisere terapeutiske beslutninger, redusere MACE og hjerneslagbelastning, bevare pasientautonomi og livskvalitet, og sikre bærekraftig helseressursutnyttelse.