Nieuwe screening tool gebruikt machine learning om mensen met waarschijnlijk FH te identificeren
FIND FH is een machine learning model dat individuen met waarschijnlijk FH opspoorde die niet eerder een diagnose kregen, in twee verschillende typen grote medische databases.
Precision screening for familial hypercholesterolaemia: a machine learning study applied to electronic health encounter dataLiteratuur - Myers KD, Knowles JW, Staszak D et al., - Lancet Digit Health. 2019; 1(8): e393-e402 https://doi.org/10.1016/S2589-7500(19)30150-5
Introductie en methoden
In de Verenigde Staten worden minder dan 10% van de individuen met familiare hypercholesterolemie (FH) opgespoord, waardoor ze onbehandeld blijven, ondanks hun waarschijnlijk verhoogde LDL-c niveaus en risico op voortijdig coronairlijden [1-3]. Amerikaanse richtlijnen bevelen screening aan om families met FH te identificeren, maar de beste methode voor grootschalige screening moet nog worden vastgesteld. Een succesvolle methode omvat waarschijnlijk zowel efficiënte cascadescreening als effectieve indexidentificatie [4-8].
De auteurs publiceerden eerder over succesvolle toepassing van een machine learning model om niet-gediagnosticeerde individuen met FH te identificeren, dat was opgebouwd uit en toegepast op enkele zorginstellingen [9]. Deze studie beoogde een model te bouwen dat kan worden toegepast op de schaal van zowel institutionele als nationale zorgdatabases om nieuwe indexcases te vinden. Daarom werd het FIND FH machine learning model opgesteld. Modelkarakteristieken werden gedefinieerd op basis van individuen met FH en individuen van wie aangenomen werd dat ze geen FH hadden. Vervolgens werd getest of het model individuen met een medisch profiel passend bij FH kan opsporen in onafhankelijke klinische settings.
Gestructureerde data uit elektronische gezondheidsdossiers werden gebruikt uit vier grote academische zorgsystemen werden gebruikt om het FIND FH machine learning model op te zetten en te trainen. Om het te trainen, werd een casus gedefinieerd als een individu met een klinische FH diagnose door een lipidenexpert (939 individuen, van wie 42% genetisch was bevestigd) en een controle zonder FH als individu zonder eerdere diagnose met FH door een lipidenexpert in het dossier (83136 personen).
Voor meer details over de ontwikkeling van het algoritme verwijzen we naar het originele artikel.
Belangrijkste resultaten
- Het uiteindelijke FIND FH model bevat diverse aspecten: demografische data, conditionele data die de gezondheidsrespons van de patiënt op therapie vangen, en data op basis van voorschrijvingen, diagnose, procedure en laboratoriumresultaten.
- Wanneer gekeken werd naar welk aspect het meest effectief bijdraagt aan het onderscheid tussen personen met en zonder FH, dus welk aspect het grootste effect had op de prestatie van het model, leverden de laboratorium-gebaseerde data de grootste bijdrage, gevolgd door zorg-ontmoeting-gebaseerde aspecten (voorschrijvingen, diagnose en procedure).
- Het FIND FH model had een precisie (positief voorspellende waarde) van 0.85 en een recall (sensitiviteit) van 0.45, wanneer getest op de holdout tuning dataset met prevalentie 1:71.
- In de eerste externe validatie dataset, een nationale dataset, werden 1.331.759 van de 170.416.201 individuen gemarkeerd als waarschijnlijk met FH. 45 van hen werden beoordeeld en in lijn met de positief voorspellende waarde werden 87% (95%CI: 73-100) geïdentificeerd als met mogelijk, waarschijnlijk of definitief FH door ten minste één diagnostisch criterium of door een arts.
- Als een selectie was gemaakt op basis van LDL-c >190 mg/dL, was slechts 46% van de 39 nieuwe gevallen van FH opgespoord.
- In een tweede externe validatieset werden 866 van de 173.733 individuen gemarkeerd, van wie 103 werden beoordeeld. 77% (95%CI: 68-86) van diegenen werden geïdentificeerd als met mogelijk, waarschijnlijk of definitief FH. Toepassen van een LDL-c drempelwaarde had maar 47% van de 79 nieuwe gevallen opgespoord.
Conclusie
FIND FH is een machine learning model dat fenotypisch FH kan opsporen in grote medische datasets. In twee verschillende soorten grote medische databases, identificeerde het een groot aantal individuen met waarschijnlijk FH op die niet eerder een diagnose kregen. Het model werd gebouwd op basis van longitudinale medische data van personen met ten minste een gedocumenteerde CV risisicofactor in hun geschiedenis. Het is niet afhankelijk van specifieke informatie zoals peesxanthomas of familiegeschiedenis. Ook belangrijk: FIND FH is niet afhankelijk van lipidenconcentraties, hetgeen een voordeel is aangezien veel van de geïdentificeerde patiënten geen lipidenwaarden in hun dossier hadden.
Redactioneel commentaar
Na het herhalen van de risico’s geassocieerd met het hebben van FH en het potentieel van behandeling wanneer de ziekte vroeg wordt erkend, merkt Pereira [10] op dat het feit dat het dominant wordt overgeërfd ideaal is voor cascadescreening. Desalniettemin lukt het de meeste samenlevingen niet op nieuwe FH gevallen goed op te sporen, en dus om ze de preventieve strategieën aan te bieden.
Pereira somt vele redenen op die worden gebruikt om te verklaren waarom het aantal geïdentificeerde gevallen met FH zo laag is, maar stelt dat geen van deze redenen een excuus is voor het gebrek aan actie. “In een tijdperk van gepersonaliseerde geneeskunde, is FH mogelijk een van de best te traceren condities die de beloofde samenleving-brede voordelen van implementatie van dit paradigma zou kunnen bieden,” zegt hij. Het beheersen van de ziekte vereist een veelzijdige benadering en de georchestreerde samenwerking van diverse partijen. Het artikel van Myers en collega’s vormt een “bijdrage aan de toolbox van diegenen die vechten tegen de onderdiagnose van de ziekte”.
Pereira werpt wel de vraag op of markerende algoritmes die voortkomen uit elektronische dossiers echte voortgang zullen opleveren in het bestrijden van de ziekte. FIND FH, in zijn huidige vorm, zal alleen mogelijke patiënten markeren voor artsen die ervoor kiezen om de informatie te krijgen. Om het systeem te laten vertalen in beter management van gediagnosticeerde patiënten, moeten ook verdere stappen worden genomen. Aanvullende tools zijn nodig, die de administratie helpen de uitkomsten van een systeem te volgen. Data over wat gedaan is met de informatie over geïdentificeerde gevallen, ten aanzien van hun lipidenniveaus, gecontacteerde familieleden en behandelrespons, zullen inzicht opleveren over nieuwe bottlenecks, dat gebruikt moet worden om een plan te maken voor implementatie van het nieuwe systeem, zodanig dat het de ziekte echt aan pakt.
Pereira uit zijn hoop dat de al beschikbare technologie al benut wordt, om de weg vrij te maken voor echt vernieuwende zorg voor individuen met FH.
Referenties
1 Gidding SS, Champagne MA, de Ferranti SD, et al. The agenda for familial hypercholesterolemia: a scientific statement from the American Heart Association. Circulation 2015; 132: 2167–92.
2 Nordestgaard BG, Chapman MJ, Humphries SE, et al. European Atherosclerosis Society Consensus Panel. Familial hypercholesterolemia is underdiagnosed and undertreated in the general population: guidance for clinicians to prevent coronary heart disease: consensus statement of the European Atherosclerosis Society. Eur Heart J 2013; 34: 3478–90a.
3 Knowles JW, Rader DJ, Khoury MJ. Cascade screening for familial hypercholesterolemia and the use of genetic testing. JAMA 2017; 318: 381–82.
4 Wald DS, Bestwick JP, Morris JK, et al. Child–parent familial hypercholesterolemia screening in primary care. N Engl J Med 2016; 375: 1628–37.
5 McCrindle BW, Gidding SS. What should be the screening strategy for familial hypercholesterolemia? N Engl J Med 2016; 375: 1685–86.
6 Louter L, Defesche J, Roeters van Lennep J. Cascade screening for familial hypercholesterolemia: practical consequences. Atheroscler Suppl 2017; 30: 77–85.
7 Andersen R, Andersen L. Examining barriers to cascade screening for familial hypercholesterolemia in the United States. J Clin Lipidol 2016; 10: 225–27.
8 Lázaro P, Pérez de Isla L, Watts GF, et al. Cost-effectiveness of a cascade screening program for the early detection of familial hypercholesterolemia. J Clin Lipidol 2017; 11: 260–71.
9 Banda, JM, Sarranju A, Abbasi F, et al. Finding missed cases of familial hypercholesterolemia in health systems using machine learning. NPJ Digit Med 2019; 2: 23.
10 Pereira A. A roadmap for familial hypercholesterolaemia control. Lancet Digit Health. 2019; 1(8): e376-e377.