Tromboembolisk risk associerad med hög förmaksflimmerrisk (MATHIAS)

Förmaksflimmer och dess tromboemboliska komplikationer utgör en växande klinisk och socioekonomisk utmaning i Europa. AF är starkt associerat med stroke, större kardiovaskulära händelser (MACE), funktionsnedsättning och dödlighet, och drabbar äldre vuxna oproportionerligt. Medan den europeiska befolkningen åldras förväntas förekomsten av AF och AF-relaterad stroke öka avsevärt, vilket leder till ökade sjukvårdskostnader och samhällsbörda. Strokevård ensam kostar i genomsnitt 22 605,66 € det första året, till stor del driven av sjukhusvård och långsiktigt beroende, där 45-50 % av överlevande upplever kvarstående funktionsnedsättning. Att förebygga AF-relaterade tromboemboliska händelser är därför både en klinisk och ekonomisk prioritet.

Från ett kliniskt perspektiv finns ett kritiskt otillfredsställt behov av förbättrad uppströms tromboembolisk riskstratifiering hos individer med hög risk för AF. Även om flera AF-prediktionsmodeller kan uppskatta sannolikheten för incident AF över 5-10 år, och systematisk screening av vuxna ≥65 år har visat kostnadsbesparingar genom stroke-prevention, saknas ett validerat verktyg för att vägleda antikoagulationsinitiering hos högriskindivider utan etablerad AF. Nuvarande standardpraxis förlitar sig på CHA₂DS₂-VASc-poängen när AF har diagnostiserats; denna poäng har dock erkända begränsningar. Den inkluderar inte flera relevanta riskmodifierare som kronisk njursjukdom, cancer, biomarkörer, elektrokardiografiska abnormaliteter eller etnicitet, och den kan otillräckligt diskriminera risk i vissa undergrupper, inklusive kvinnor och patienter med flersjuklighet. Följaktligen sträcker sig kliniskt beslutsfattande ofta bortom poängen, vilket återspeglar behovet av mer omfattande och precisa verktyg.

Ny evidens stöder konceptet av AF som en klinisk kontinuitet. Ett protrombotiskt förmakssubstrat kan föregå uppenbar arytmi, vilket skapar ett "pre-AF"-stadium under vilket tromboembolisk risk redan är förhöjd. Riktlinjerna från ACC/AHA/ACCP/HRS 2023 erkänner formellt "at-risk"- och "pre-AF"-stadierna, vilket belyser en möjlighet för tidigare förebyggande intervention. Praktiska verktyg för att identifiera och stratifiera denna population i rutinmässig primärvård är dock fortfarande begränsade.

Artificiell intelligens (AI) erbjuder en lovande strategi för att hantera dessa luckor. Genom att utnyttja högdimensionella elektroniska journaldata (EHR) kan AI-modeller fånga komplexa, icke-linjära interaktioner mellan klassiska och framväxande riskfaktorer, vilket potentiellt ger mer exakt individuell tromboembolisk riskprediktion än traditionella poäng. Tidiga maskininlärningsmetoder (ML) har visat förbättrad diskriminering för AF och kardiovaskulära händelser jämfört med konventionella modeller.

MATHIAS-projektet (throMboembolic risk Associated To High atrIal fibrillation riSk) syftar till att utveckla och prospektivt validera en AI-baserad modell för att uppskatta tromboembolisk risk hos vuxna ≥65 år med hög risk för AF med hjälp av verklighetsbaserad primärvårds EHR-data. Denna modell kommer att integreras i en digitalt möjliggjord vårdväg som inkluderar riktad, riskstyrd fotopletysmografiscreening och individuella antikoagulationsbeslut. Målet är att förbättra tidig upptäckt, förfina antikoagulationsstrategier och personifiera rytmkontroll och komorbiditetshantering.

Preliminära retrospektiva analyser baserade på validerade AF-riskstratifieringskohorter (AFRICAT NCT03188484 och PREFATE NCT05772806) och fem pilot-ML-modeller visade lovande resultat. Adaboost-modellen presterade signifikant bättre än CHA₂DS₂-VASc vid prediktion av MACE (AUC 99,99 % mot 81,71 %; p = 0,0034). Även om dessa fynd är uppmuntrande krävs prospektiv, multicenterevaluering för att bedöma generaliserbarhet, optimala uppföljningsintervall, patienturval (inklusive högrisk, TIA/stroke och varierande CHA₂DS₂-VASc-strata) och inverkan på patientviktiga utfall som stroke, blödning, livskvalitet och kostnadseffektivitet.

Projektet inkluderar också en Markov-beslutsanalytisk modell för att uppskatta MACE, stroke, funktionsnedsättning, kvalitetsjusterade levnadsår (QALYs) och kostnader från både sjukvårdsfinansiärers och samhällets perspektiv. Scenarieanalyser kommer att utvärdera om integration av AI-modellen i rutinvård är kostnadseffektiv jämfört med vanlig vård, opportunistisk screening eller wearables-första strategier. Särskild uppmärksamhet kommer att ägnas åt könspecifika utfall och potentiella ojämlikheter i fördelningsnyttan.

Den förväntade kliniska effekten inkluderar minskning av MACE-incidens till under 50 per 1 000 personår i högriskpopulationer, sänkning av AF-relaterad andel stroke till under 10 %, förbättrad antikoagulationslämplighet hos upp till 65 % av berättigade patienter och säkerställande av att minst 90 % av högriskindivider får lämplig oral antikoagulantsterapi. Efterlevnad av strukturerade AF-vårdvägar (t.ex. AF-CARE) har redan associerats med signifikanta minskningar i allmän dödlighet och MACE; integration av AI-driven riskstratifiering kan ytterligare förstärka dessa fördelar.

Ekonomiskt, även om screening och bredare antikoagulantanvändning initialt kan öka direkta kostnader, förväntas stroke-prevention generera avsevärda långsiktiga besparingar. Enbart i Katalonien uppskattas årliga besparingar för högrisk-AF-populationer från 12,3 miljoner € till 79,2 miljoner €. Minskningar i strokesvårighet, funktionsnedsättning och sjukhusvistelser kommer att mildra både direkta medicinska kostnader och indirekta samhällskostnader relaterade till produktivitetsförlust och långsiktigt beroende.

Sammanfattningsvis adresserar detta projekt ett stort gap i kardiovaskulär prevention genom att utveckla och implementera en AI-driven tromboembolisk riskstratifieringsmodell för individer med hög risk för AF. Genom att anpassa sig till samtida europeiska riktlinjer och precisionsmedicinska strategier strävar initiativet efter att förbättra tidig identifiering, personifiera terapeutiska beslut, minska MACE- och stroke-börda, bevara patientautonomi och livskvalitet och säkerställa hållbar sjukvårdsresursanvändning.