Proteomics risicomodel superieur aan klinisch risicomodel bij voorspellen van recidiverende ASCVD

Introductie en methoden

Achtergrond

In de afgelopen jaren zijn er steeds meer nieuwe therapeutische middelen beschikbaar gekomen die de mogelijkheid bieden om het residuele risico op ASCVD te verminderen [1-9]. Traditionele risicoscores presteren slecht op het gebied van onderscheidend vermogen [10]. Er zijn daarom nauwkeurigere methoden nodig om patiënten met het hoogste risico op recidiverende ASCVD-events te identificeren. Deze modellen kunnen daarmee hulp bieden bij op risico gebaseerde therapeutische beslissingen.

Doel van de studie

Deze studie onderzocht de voorspellende waarde van een proteomics risicomodel, samengesteld met behulp van machine learning-technieken, in een secundaire preventiesetting.

Methoden

Het derivatiecohort bestond uit 870 individuen uit het SMART-cohort en het validatiecohort bestond uit 700 individuen uit het Athero-Express-cohort [11,12]. In bloedmonsters werden in totaal 276 verschillende eiwitten gemeten van panels die waren geselecteerd op basis van bekende associaties met ASCVD.

Er werden drie modellen geconstrueerd met behulp van machine learning-technieken in het derivatiecohort:

• Een proteomics risicomodel bestaande uit 50 eiwitten met de hoogste voorspellende waarde
• Een klinisch risicomodel met leeftijd, geslacht, BMI, SBD, totaal cholesterol, HDL-c, CRP, rookstatus, diabetes, antihypertensiva en HVZ-familiegeschiedenis als parameters
• Een gecombineerd model, bestaande uit klinische risicoparameters en eiwitparameters

Alle modellen werden opnieuw gekalibreerd voor gebruik in het validatiecohort en getest op onderscheidend vermogen, kalibratie en reclassificatie.

In een verkennende analyse werd de voorspellende waarde van het proteomics model beoordeeld bij patiënten met lage en hoge CRP-waarden. Voor deze analyse werden individuen in het derivatiecohort gecategoriseerd op basis van CRP-niveaus: hoog CRP (>2 mg/L, n=463) en laag CRP (≤2 mg/L, n=373). Personen met CRP >20 mg/L werden uitgesloten.

Resultaten

De primaire uitkomstmaat was het eerste recidiverende ASCVD-event, gedefinieerd als acuut MI, ischemische beroerte of CV sterfte.

Belangrijkste resultaten

Onderscheidend vermogen

• Het proteomics risicomodel presteerde significant beter op het gebied van onderscheidend vermogen vergeleken met het klinische risicomodel in het derivatiecohort (ROC AUC 0,810 vs. 0,750; delta AUC 0,060, 95% CI 0,009-0,019, P<0,001) en in het validatiecohort (ROC AUC 0,801 vs. 0,765; delta AUC 0,036, 95% CI 0,020-0,051, P<0,001).
• Het gecombineerde model was superieur aan het proteomics risicomodel in het derivatiecohort, maar niet in het validatiecohort.
• De top 3 eiwitten met de sterkste voorspellende waarde voor terugkerende ASCVD-events waren NT-proBNP, kidney injury molecule-1 (KIM-1) en matrix metalloproteinase 7 (MMP-7).

Kalibratie en herclassificatie

• Alle modellen waren goed gekalibreerd. Het risico werd echter iets onderschat in de categorieën met het hoogste risico.
• De netto reclassificatie index (NRI) en de ‘integrated discrimination index’ (IDI) werden berekend door het proteomics risicomodel te vergelijken met het klinische risicomodel. De NRI was 0,173 en de IDI was 0,085 in het validatiecohort.

Hoge vs. lage CRP-niveaus

• IL-6-waarden waren veel hoger in de groep met hoge CRP-waarden, vergeleken met de groep met lage CRP-waarden.
• In de groep met lage CRP-waarden stonden vier eiwitten in de top 10 van eiwitten met de hoogste voorspellende waarde die niet in de top 10 van het initiële model en hoge CRP-model voorkwamen. Deze eiwitten waren α1-microglobulin-bikunin precursor (AMBP), nidogen-1 (NID1), tissue factor (TF), en vasorin (VASN). Deze eiwitten zijn gerelateerd aan neutrofiel signaling. Dit wijst op een residueel ontstekingsrisico bij individuen in de lage CRP-groep, onafhankelijk van de IL6-CRP-pathway.

Conclusie

Referenties

Vind dit artikel online op Eur Heart J.