Doelgerichte proteomica verbetert cardiovasculaire risicovoorspelling

Een op plasma-eiwitten gebaseerd risicomodel bleek beter te presteren in vergelijking met het PREVENT-risicomodel voor het voorspellen van cardiovasculaire uitkomsten bij deelnemers van de UK Biobank zonder HVZ.

Deze samenvatting is gebaseerd op de publicatie van Ho FK, Mark PB, Lees JS et al. - A Proteomics-Based Approach for Prediction of Different Cardiovascular Diseases and Dementia - Circulation. 2025 Feb 4;151(5):277-287. doi: 10.1161/CIRCULATIONAHA.124.070454.

Introductie en methoden

Achtergrond

De toevoeging van individuele circulerende cardiometabole biomarkers zoals NT-proBNP, cardiale troponines en hs-CRP aan conventionele risicoscores leidt tot verbeteringen in discriminatie [1-4]. Het is echter onduidelijk of een op eiwitten gebaseerd risicomodel, waarbij gebruik wordt gemaakt van een proteomisch panel, de risicovoorspelling van HVZ verbetert.

Doel van de studie

De auteurs evalueerden de prestaties van een op plasma proteomica gebaseerd risicomodel versus de PREVENT (Predicting Risk of CVD Events)-risicoscore voor het voorspellen van cardiovasculaire uitkomsten.

Methoden

In deze prospectieve cohortstudie werden 51.859 volwassenen zonder HVZ en met proteomische metingen van de UK Biobank geïncludeerd. Plasmamonsters werden verwerkt en in de proteomische analyse werd een panel van 3072 circulerende eiwitbiomarkers gemeten, waaronder targets uit cardiometabole, inflammatoire, neurologische en oncologische pathways [5].

Er werd een blootstellingsbrede associatiebenadering (exposome-wide association approach) gebruikt om de associatie tussen individuele eiwitten en klinische uitkomsten te schatten na een correctie voor cofounders.

Om de prestaties van een op proteomica gebaseerd risicomodel op klinische uitkomsten te beoordelen, werden 3 voorspellingsmodellen gemaakt: (1) het PREVENT-model, (2) het eiwitmodel dat leeftijd, geslacht en eiwitten omvatte en (3) het PREVENT plus eiwitmodel. Het PREVENT-model omvatte de PREVENT-risicofactoren leeftijd, geslacht, huidig roken, eGFR, BMI, systolische bloeddruk, totaal cholesterol, HDL-c, antihypertensiva en lipidenverlagende medicijnen. De machine-learning least absolute shrinkage and selection operator (LASSO) methode werd gebruikt om een subset van voorspellende eiwitten te identificeren. De geselecteerde eiwitten in elk model varieerden afhankelijk van de uitkomstmaat en het uitgangsmodel.

De gegevens werden willekeurig verdeeld in twee datasets. 80% van de gegevens werd gebruikt in een derivatieset voor modeltraining en de resterende 20% van de gegevens werd gebruikt voor validatie.

Uitkomstmaten

De primaire uitkomstmaat was een samenstelling van fatale en niet-fatale coronaire hartziekte, beroerte of HF (oftewel MACE). Secundaire uitkomsten waren ASCVD, MI/revascularisatie, ischemische beroerte, aortastenose, HF, abdominaal aorta aneurysma (AAA) en dementie.

Belangrijkste resultaten

• Gedurende een mediane follow-up periode van 13,6 jaar (IQR: 12,8-14,4) ontwikkelden 4857 deelnemers MACE.
• Na correctie voor demografische, leefstijl- en klinische factoren had NT-proBNP de sterkste positieve associatie met MACE (HR: 1,68 per SD stijging), gevolgd door proADM (HR: 1,60) en GDF-15 (HR: 1,47) in de blootstellingsbrede associatieanalyse.
• Om alle klinische uitkomsten van interesse te voorspellen werden 222 eiwitten geselecteerd in het eiwitmodel en 177 eiwitten in het PREVENT plus eiwitmodel in het derivatiecohort.
• Om het risico op MACE te voorspellen waren 86 eiwitten voorspellers in het eiwitmodel.
• Vergeleken met het PREVENT-model verbeterde het eiwitmodel de risicodiscriminatie (c-statistiek: +0,051) en reclassificatieprestaties (netto reclassificatie-index: +0,09) voor MACE in het validatiecohort.
• Het eiwitmodel verbeterde ook de c-statistiek voor alle secundaire uitkomsten:
  • ASCVD (+0,035)
  • MI/revascularisatie (+0,023)
  • beroerte (+0,024)
  • aortastenose (+0,015)
  • HF (+0,060)
  • AAA (+0,0244)
  • dementie (+0,068)
• Vergeleken met het PREVENT-model verbeterde het eiwitmodel de netto reclassificatie-index voor de meeste secundaire uitkomstmaten, met uitzondering van aortastenose.
• Er waren bescheiden verbeteringen in de c-statistiek met de PREVENT plus eiwittenmodellen vergeleken met de eiwitmodellen alleen.

Conclusie

Dit onderzoek toonde aan dat gerichte proteomica met ongeveer 200 biomarkers superieure voorspellende prestaties heeft voor MACE en andere specifieke cardiovasculaire uitkomsten in vergelijking met het PREVENT-model. “Deze methodologie, wanneer het goedkoper wordt en meer geautomatiseerd, biedt de mogelijkheid om precisiegeneeskunde vooruit te helpen om cardiovasculaire screening en de verbeterde afstemming van preventieve strategieën te verbeteren,” concludeerden de auteurs.

Vind dit artikel online op Circulation

Referenties

1. Welsh P, Doolin O, Willeit P, Packard C, Macfarlane P, Cobbe S, Gudnason V, Di Angelantonio E, Ford I, Sattar N. N-terminal pro-B-type natriuretic peptide and the prediction of primary cardiovascular events: results from 15-year follow-up of WOSCOPS. Eur Heart J. 2013;34:443–450. doi: 10.1093/eurheartj/ehs239
2. Willeit P, Welsh P, Evans JDW, Tschiderer L, Boachie C, Jukema JW, Ford I, Trompet S, Stott DJ, Kearney PM, et al. High-sensitivity cardiac troponin concentration and risk of first-ever cardiovascular outcomes in 154,052 participants. J Am Coll Cardiol. 2017;70:558–568. doi: 10.1016/j.jacc.2017.05.062
3. Willeit P, Kaptoge S, Welsh P, Butterworth AS, Chowdhury R, Spackman SA, Pennells L, Gao P, Burgess S, Freitag DF, et al. Natriuretic peptides and integrated risk assessment for cardiovascular disease: an individual-partici pant-data meta-analysis. Lancet Diabetes Endocrinol. 2016;4:840–849. doi: 10.1016/S2213-8587(16)30196-6
4. Welsh P, Kimenai DM, Shah ASV, Gadd DA, Marioni RE, Woodward M, Sudlow CLM, Campbell A, Cleland JGF, Pellicori P, et al. Multiple car diac biomarkers to improve prediction of cardiovascular events: findings from the Generation Scotland Scottish Family Health Study. Clin Chem. 2024;70:403–413. doi: 10.1093/clinchem/hvad205
5. UK Biobank. Olink proteomics data. Version 1.0. March 2023. Accessed September 28, 2024. https://biobank.ndph.ox.ac.uk/showcase/ukb/docs/ Olink_proteomics_data.pdf