Modelo de aprendizado de máquina centrado no paciente para sangramento e risco isquêmico (xDAPT)

A terapia antiplaquetária dupla (DAPT) com aspirina e um inibidor P2Y12 é o tratamento padrão para prevenção secundária após intervenção coronária percutânea (ICP). A DAPT demonstrou a sua eficácia na redução de complicações isquémicas (incluindo trombose de stent) após ICP, embora à custa de um risco aumentado de hemorragia. Como ambos os tipos de eventos têm sido independentemente associados ao excesso de morbidade e mortalidade, as diretrizes internacionais enfatizam a necessidade de adaptar a duração e a intensidade da TAPD de acordo com o perfil individual de risco isquêmico e hemorrágico de cada paciente. Neste contexto, vários modelos preditivos de risco de sangramento e trombose foram desenvolvidos com o objetivo de orientar as decisões clínicas sobre o manejo da TAPD pós-ICP. No entanto, muitos destes modelos de risco mostraram apenas um desempenho modesto e uma aplicabilidade limitada na prática clínica do mundo real. Tais limitações podem ser atribuídas, pelo menos em parte, às abordagens analíticas utilizadas para o seu desenvolvimento, baseadas principalmente em modelos lineares incapazes de capturar a complexa interação entre diferentes covariáveis ​​clínicas. Os métodos de aprendizado de máquina oferecem o potencial de superar essas limitações, aproveitando algoritmos de computador para grandes conjuntos de dados que capturam relações não lineares e de alta dimensão entre variáveis. No entanto, a viabilidade e a utilidade de modelos de risco prognóstico baseados em aprendizado de máquina em pacientes com ICP permanecem relativamente inexploradas.

O presente estudo analisará dados de 11 ensaios clínicos abrangendo aproximadamente 19.000 pacientes submetidos a intervenção coronária percutânea (ICP) com um stent eluidor de everolimus para desenvolver um algoritmo baseado em aprendizado de máquina. A aprovação do conselho de revisão institucional ou o consentimento informado do paciente não foi necessária, pois este estudo é uma análise de ensaios clínicos publicados anteriormente e todos os dados individuais dos pacientes foram desidentificados. O objetivo é prever a probabilidade de um evento isquêmico ou hemorrágico até 1 ano após a ICP. Os dados do paciente dos ensaios clínicos elegíveis listados pelo Protocolo de aquisição de dados de aprendizado de máquina XIENCE (90961902) serão agrupados e divididos aleatoriamente em uma coorte de treinamento (~75%) e uma coorte de validação (~25%). Estes incluem estudos XIENCE patrocinados pela Abbott e iniciados pelo investigador (ou seja, XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAMINATION, SIERRA-75 e ITALIC). O desempenho de diferentes ensaios de classificadores de aprendizado de máquina será comparado com abordagens estatísticas tradicionais para a previsão de resultados isquêmicos e hemorrágicos. O modelo de aprendizado de máquina com melhor desempenho será então selecionado e testado em relação a uma meta de desempenho predefinida para avaliar sua utilidade clínica. Com base na literatura existente sobre pontuações de risco estabelecidas que atualmente informam a prática clínica, a meta de desempenho para o modelo é definida no valor do índice C igual ou superior a 0,65 no intervalo de confiança 97,5% inferior da distribuição do índice C de bootstrap. Isto é para garantir que o verdadeiro valor do índice C ainda está dentro de um intervalo clinicamente relevante e para validar a utilidade clínica do modelo de previsão de risco.