Ryzyko zakrzepowo-zatorowe związane z wysokim ryzykiem migotania przedsionków (MATHIAS)

Migotanie przedsionków i jego powikłania zakrzepowo-zatorowe stanowią rosnące wyzwanie kliniczne i społeczno-ekonomiczne w Europie. AF jest silnie związane z udarem mózgu, poważnymi niekorzystnymi zdarzeniami sercowo-naczyniowymi (MACE), niepełnosprawnością i śmiertelnością, nieproporcjonalnie dotykając osoby starsze. W miarę starzenia się populacji europejskiej, przewiduje się znaczny wzrost częstości występowania AF i udaru związanego z AF, co prowadzi do rosnących wydatków na opiekę zdrowotną i obciążenia społecznego. Koszt samej opieki po udarze wynosi średnio 22 605,66 € w pierwszym roku, w dużej mierze napędzany hospitalizacją i długotrwałą zależnością, przy czym 45-50% osób, które przeżyły, doświadcza trwałej niepełnosprawności. Zapobieganie zdarzeniom zakrzepowo-zatorowym związanym z AF stanowi zatem priorytet zarówno kliniczny, jak i ekonomiczny.

Z punktu widzenia klinicznego, istnieje krytyczna niezaspokojona potrzeba poprawy wczesnej stratyfikacji ryzyka zakrzepowo-zatorowego u osób z wysokim ryzykiem AF. Chociaż kilka modeli predykcyjnych AF może oszacować prawdopodobieństwo wystąpienia AF w ciągu 5-10 lat, a systematyczne badania przesiewowe osób w wieku ≥65 lat wykazały oszczędności kosztów dzięki zapobieganiu udarom, brakuje zwalidowanego narzędzia do kierowania rozpoczęciem antykoagulacji u osób wysokiego ryzyka bez ustalonego AF. Obecna standardowa praktyka opiera się na skali CHA₂DS₂-VASc po zdiagnozowaniu AF; jednak skala ta ma uznane ograniczenia. Nie obejmuje ona kilku istotnych modyfikatorów ryzyka, takich jak przewlekła choroba nerek, nowotwór, biomarkery, nieprawidłowości elektrokardiograficzne czy pochodzenie etniczne, i może niewystarczająco różnicować ryzyko w niektórych podgrupach, w tym u kobiet i pacjentów z wielochorobowością. W konsekwencji podejmowanie decyzji klinicznych często wykracza poza wynik skali, co odzwierciedla potrzebę bardziej kompleksowych i precyzyjnych narzędzi.

Pojawiające się dowody wspierają koncepcję AF jako kontinuum klinicznego. Prozakrzepowe podłoże przedsionkowe może poprzedzać jawną arytmię, tworząc etap „przed-AF”, podczas którego ryzyko zakrzepowo-zatorowe jest już podwyższone. Wytyczne ACC/AHA/ACCP/HRS z 2023 roku formalnie uznają etapy „zagrożenia” i „przed-AF”, podkreślając możliwość wcześniejszej interwencji prewencyjnej. Jednak praktyczne narzędzia do identyfikacji i stratyfikacji tej populacji w rutynowej opiece podstawowej pozostają ograniczone.

Sztuczna inteligencja (AI) oferuje obiecującą strategię rozwiązania tych luk. Wykorzystując wielowymiarowe dane z elektronicznej dokumentacji medycznej (EHR), modele AI mogą uchwycić złożone, nieliniowe interakcje między klasycznymi i nowymi czynnikami ryzyka, potencjalnie zapewniając dokładniejszą, zindywidualizowaną predykcję ryzyka zakrzepowo-zatorowego niż tradycyjne skale. Wczesne podejścia uczenia maszynowego (ML) wykazały lepszą zdolność dyskryminacyjną dla AF i zdarzeń sercowo-naczyniowych w porównaniu z konwencjonalnymi modelami.

Projekt MATHIAS (ryzyko Zakrzepowo-zatorowe Związane z Wysokim ryzykiem migotania Przedsionków) ma na celu opracowanie i prospektywne walidację modelu opartego na AI do szacowania ryzyka zakrzepowo-zatorowego u dorosłych w wieku ≥65 lat z wysokim ryzykiem AF, wykorzystując rzeczywiste dane EHR z opieki podstawowej. Model ten zostanie zintegrowany z cyfrowo wspieraną ścieżką opieki, obejmującą ukierunkowane, oparte na ryzyku badanie przesiewowe fotopletyzmografią oraz zindywidualizowane decyzje dotyczące antykoagulacji. Celem jest poprawa wczesnego wykrywania, udoskonalenie strategii antykoagulacji oraz personalizacja kontroli rytmu i zarządzania chorobami współistniejącymi.

Wstępne analizy retrospektywne oparte na zwalidowanych kohortach stratyfikacji ryzyka AF (AFRICAT NCT03188484 i PREFATE NCT05772806) oraz pięciu pilotażowych modelach ML wykazały obiecujące wyniki. Model Adaboost znacząco przewyższył skalę CHA₂DS₂-VASc w przewidywaniu MACE (AUC 99,99% vs. 81,71%; p = 0,0034). Chociaż te wyniki są zachęcające, wymagana jest prospektywna, wieloośrodkowa ocena w celu oszacowania uogólnialności, optymalnych interwałów obserwacji, doboru pacjentów (w tym wysokiego ryzyka, TIA/udaru i różnych warstw CHA₂DS₂-VASc) oraz wpływu na istotne dla pacjenta punkty końcowe, takie jak udar, krwawienie, jakość życia i opłacalność kosztowa.

Projekt obejmuje również model analityczny decyzyjny Markowa do szacowania MACE, udaru, niepełnosprawności, lat życia skorygowanych o jakość (QALY) i kosztów z perspektywy zarówno płatnika opieki zdrowotnej, jak i społecznej. Analizy scenariuszowe ocenią, czy integracja modelu AI z rutynową opieką jest opłacalna w porównaniu ze standardową opieką, badaniami przesiewowymi okazjonalnymi lub strategiami opartymi na urządzeniach noszonych. Szczególną uwagę poświęci się wynikom specyficznym dla płci i potencjalnym nierównościom w dystrybucji korzyści.

Oczekiwany wpływ kliniczny obejmuje zmniejszenie częstości występowania MACE do poniżej 50 na 1000 osobo-lat w populacjach wysokiego ryzyka, obniżenie odsetka udarów związanych z AF do poniżej 10%, poprawę adekwatności antykoagulacji u do 65% kwalifikujących się pacjentów oraz zapewnienie, że co najmniej 90% osób wysokiego ryzyka otrzyma odpowiednią terapię doustnymi antykoagulantami. Przestrzeganie ustrukturyzowanych ścieżek opieki nad AF (np. AF-CARE) zostało już powiązane ze znacznym zmniejszeniem śmiertelności ogólnej i MACE; integracja stratyfikacji ryzyka napędzanej przez AI może dodatkowo wzmocnić te korzyści.

Ekonomicznie, chociaż badania przesiewowe i szersze stosowanie antykoagulantów mogą początkowo zwiększyć koszty bezpośrednie, zapobieganie udarom ma generować znaczne długoterminowe oszczędności. W samej Katalonii szacunkowe roczne oszczędności dla populacji wysokiego ryzyka AF wahają się od 12,3 mln € do 79,2 mln €. Zmniejszenie ciężkości udaru, niepełnosprawności i hospitalizacji złagodzi zarówno bezpośrednie koszty medyczne, jak i pośrednie koszty społeczne związane z utratą produktywności i długotrwałą zależnością.

Podsumowując, ten projekt rozwiązuje istotną lukę w prewencji sercowo-naczyniowej poprzez opracowanie i wdrożenie modelu stratyfikacji ryzyka zakrzepowo-zatorowego napędzanego przez AI dla osób z wysokim ryzykiem AF. Wyrównując się ze współczesnymi wytycznymi europejskimi i strategiami medycyny precyzyjnej, inicjatywa dąży do poprawy wczesnej identyfikacji, personalizacji decyzji terapeutycznych, redukcji obciążenia MACE i udarem, zachowania autonomii pacjenta i jakości życia oraz zapewnienia zrównoważonego wykorzystania zasobów opieki zdrowotnej.