Модель машинного обучения, ориентированная на пациента, для оценки риска кровотечений и ишемии (xDAPT)

Двойная антиагрегантная терапия (ДАТТ) с применением аспирина и ингибитора P2Y12 является стандартом вторичной профилактики после чрескожного коронарного вмешательства (ЧКВ). DAPT продемонстрировала свою эффективность в снижении ишемических осложнений (включая тромбоз стента) после ЧКВ, хотя и за счет повышенного риска кровотечения. Поскольку оба типа событий независимо связаны с повышенной заболеваемостью и смертностью, международные рекомендации подчеркивают необходимость адаптации продолжительности и интенсивности ДАТТ в соответствии с индивидуальным профилем риска ишемии и кровотечения каждого пациента. В этом контексте было разработано несколько моделей прогнозируемого риска кровотечений и тромбозов с целью принятия клинических решений по лечению ДАТТ после ЧКВ. Однако многие из этих моделей риска показали лишь скромную эффективность и ограниченную применимость в реальной клинической практике. Такие ограничения можно объяснить, по крайней мере частично, аналитическими подходами, использованными для их разработки, в основном основанными на линейных моделях, неспособных отразить сложное взаимодействие между различными клиническими ковариатами. Методы машинного обучения открывают потенциал для преодоления этих ограничений за счет использования компьютерных алгоритмов для обработки больших наборов данных, которые фиксируют многомерные нелинейные связи между переменными. Однако осуществимость и полезность моделей прогностического риска, основанных на машинном обучении, у пациентов с ЧКВ остаются относительно неизученными.

В настоящем исследовании будут проанализированы данные 11 клинических исследований с участием примерно 19 000 пациентов, перенесших чрескожное коронарное вмешательство (ЧКВ) с использованием стента, выделяющего эверолимус, для разработки алгоритма на основе машинного обучения. Одобрение институционального наблюдательного совета или информированное согласие пациента не требовалось, поскольку это исследование представляет собой анализ ранее опубликованных клинических исследований, и все индивидуальные данные пациентов были деидентифицированы. Цель состоит в том, чтобы предсказать вероятность ишемии или кровотечения в течение 1 года после ЧКВ. Данные на уровне пациентов из подходящих клинических исследований, перечисленных в протоколе сбора данных машинного обучения XIENCE (90961902), будут объединены и случайным образом разделены на обучающую когорту (~75%) и проверочную когорту (~25%). К ним относятся как спонсируемые компанией Abbott, так и исследования XIENCE, инициированные исследователями (например, XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAMINATION, SIERRA-75 и ITALIC). Производительность различных испытаний классификаторов машинного обучения будет сравниваться с традиционными статистическими подходами для прогнозирования исходов ишемии и кровотечения. Затем будет выбрана наиболее эффективная модель машинного обучения и протестирована на соответствие заранее определенной цели производительности, чтобы оценить ее клиническую полезность. На основании существующей литературы об установленных показателях риска, которые в настоящее время используются в клинической практике, целевая производительность модели установлена ​​на уровне значения C-индекса, равного или превышающего 0,65, при 97,5% нижнем доверительном интервале бутстреп-распределения C-индекса. Это делается для того, чтобы гарантировать, что истинное значение C-индекса все еще находится в клинически значимом диапазоне, и подтвердить клиническую полезность модели прогнозирования риска.