Patientcentrerad maskininlärningsmodell för blödningsrisk och ischemisk risk (xDAPT)

Dubbel trombocythämmande behandling (DAPT) med acetylsalicylsyra och en P2Y12-hämmare är standardvården för sekundär prevention efter perkutan kranskärlsintervention (PCI). DAPT har visat sin effektivitet för att minska ischemiska komplikationer (inklusive stenttrombos) efter PCI men till priset av en ökad risk för blödning. Eftersom båda händelsetyperna oberoende av varandra har kopplats till översjuklighet och mortalitet, betonar internationella riktlinjer behovet av att skräddarsy DAPT-varaktighet och intensitet enligt den individuella ischemiska och blödningsriskprofilen för varje patient. I detta sammanhang har flera prediktiva riskmodeller för blödning och trombos utvecklats i syfte att vägleda kliniska beslut om DAPT-hantering efter PCI. Men många av dessa riskmodeller har endast visat blygsamma prestanda och begränsad tillämpbarhet i verklig klinisk praxis. Sådana begränsningar kan tillskrivas, åtminstone delvis, till de analytiska metoder som används för deras utveckling, mestadels baserade på linjära modeller som inte kan fånga det komplexa samspelet mellan olika kliniska kovariater. Maskininlärningsmetoder erbjuder potentialen att övervinna dessa begränsningar genom att utnyttja datoralgoritmer till stora datamängder som fångar högdimensionella, icke-linjära relationer mellan variabler. Men genomförbarheten och användbarheten av maskininlärningsbaserade prognostiska riskmodeller hos PCI-patienter är fortfarande relativt outforskade.

Denna studie kommer att analysera data från 11 kliniska prövningar som omfattar cirka 19 000 patienter som genomgår perkutan kranskärlsintervention (PCI) med en everolimus-eluerande stent för att utveckla en maskininlärningsbaserad algoritm. Godkännande av institutionell granskningsnämnd eller informerat patientsamtycke krävdes inte eftersom denna studie är en analys av tidigare publicerade kliniska prövningar och alla individuella patientdata avidentifierades. Målet är att förutsäga sannolikheten för en ischemisk eller blödningshändelse upp till 1 år efter PCI. Data på patientnivå från de kvalificerade kliniska prövningarna som anges enligt XIENCE Machine Learning Data Acquisition Protocol (90961902) kommer att slås samman och slumpmässigt delas upp i en träningskohort (~75 %) och en valideringskohort (~25 %). Dessa inkluderar både Abbott-sponsrade och utredarinitierade XIENCE-studier (dvs XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAMINATION, SIERRA-75 och ITALIC). Prestandan för olika försök med maskininlärningsklassificerare kommer att jämföras med traditionella statistiska metoder för att förutsäga ischemiska och blödningsresultat. Den bäst presterande maskininlärningsmodellen kommer sedan att väljas och testas mot ett fördefinierat prestationsmål för att bedöma dess kliniska användbarhet. Baserat på befintlig litteratur om etablerade riskpoäng som för närvarande informerar klinisk praxis, är prestationsmålet för modellen satt till C-indexvärde lika med eller större än 0,65 vid det 97,5 % lägre konfidensintervallet för bootstrap C-indexfördelningen. Detta för att säkerställa att det verkliga värdet av C-index fortfarande är inom ett kliniskt relevant intervall och för att validera den kliniska användbarheten av riskprediktionsmodellen.