Ontwikkeling, validatie en evaluatie van een AI-model voor het opsporen van ATTR-CM

ATTRACTnet werd ontwikkeld als een op AI gebaseerd screeningsinstrument voor transthyretine-gemedieerde amyloïdcardiomyopathie (ATTR-CM). In een real-world-populatie resulteerde gebruik van de ATTRACTnet-score in een hogere diagnostische opbrengst dan reguliere screening.

Deze samenvatting is gebaseerd op de publicatie van Jain SS, Sun T, Pierson E, et al. - Detecting Transthyretin Cardiac Amyloidosis With Artificial Intelligence: A Nonrandomized Clinical Trial. JAMA Cardiol. 2026 Feb 1;11(2):117-124. doi: 10.1001/jamacardio.2025.4591

Introductie en methoden

Achtergrond

Transthyretine-gemedieerde amyloïdcardiomyopathie (ATTR-CM) is een progressieve en dodelijke ziekte die wordt gekenmerkt door de afzetting van amyloïdfibrillen, die bestaan uit verkeerd gevouwen aggregaten van transthyretine (TTR), in het myocardium. Aangezien de eerste klachten en symptomen van ATTR-CM niet specifiek zijn, wordt ATTR-CM van oudsher vaak niet gediagnosticeerd in een vroeg stadium [1,2], met name bij zwarte patiënten [3,4]. Gezien de snelle uitbreiding van de behandelmogelijkheden voor ATTR-CM is een vroege diagnose van cruciaal belang om de progressie van de ziekte te vertragen en de patiëntuitkomsten te verbeteren [5-7]. Traditionele risicoscores en AI-modellen zijn echter niet gebruikt om de impact van AI-ondersteunde diagnostische processen op het verbeteren van de detectie van ATTR-CM prospectief te beoordelen in een real-world-setting [8-10].

Doelen van de studie

De doelen van de studie waren: (1) de ontwikkeling en extern validatie van een AI-model (ATTRACTnet) en beoordelen of ATTRACTnet extra voordelen biedt ten opzichte van een gevalideerde risicostratificatiemethode (d.w.z.: ATTR-CM-risicoscore) en (2) de prospectieve evaluatie van een door AI ondersteunde workflow voor ATTR-CM-screening om de impact te beoordelen van de identificatie van niet-gediagnosticeerde ATTR-CM in een real-world-populatie.

Methoden

De onderzoekers ontwikkelden ATTRACTnet op basis van gegevens over ECG-golfvormen, echocardiografische metingen, demografische informatie en diagnosecodes voor orthopedische manifestaties van amyloïdose van 799 patiënten die in de periode 2010-2023 werden gezien in het New York-Presbyterian Hospital en het Columbia University Irving Medical Center. De prestatie van ATTRACTnet werd beoordeeld met behulp van 5-voudige kruisvalidatie voor onder andere de area under the receiver operating characteristic curve (AUROC). Externe validatie omvatte een externe dataset van patiënten die amyloïdscintigrafie ondergingen in het New York-Presbyterian Hospital/Weill Cornell Medical Center in de periode 2014-2023 (n=422).

Om de prestaties van de AI-ondersteunde workflow in de klinische praktijk te evalueren, werd de Cardiac Amyloidosis Discovery Trial uitgevoerd, een eenarmige, niet-gerandomiseerde klinische studie met een open label die liep in meerdere centra binnen één zorgsysteem. Patiënten in de leeftijd van ≥50 jaar met een LV-wanddikte ≥12 mm (of ≥14 mm bij ongecontroleerde hypertensie of bij matige of ernstige aortastenose) en een ATTRACTnet-score ≥0,5 kwamen mogelijk in aanmerking voor inclusie (n=1471). Exclusiecriteria waren onder meer vermoeden van ATTR-CM in klinische notities, eerder testen op ATTR-CM, diagnose van hypertrofische cardiomyopathie, verblijf in een verpleeginstelling, gevorderde dementie en een verwachte levensduur <1 jaar. Patiënten die in aanmerking kwamen voor inclusie, ondergingen nucleaire scintigrafie, werden onderzocht op de aanwezigheid van monoklonale eiwitten en kregen nazorg aangeboden met instemming van de behandelend arts.

Het aantal patiënten bij wie ATTR-CM werd vastgesteld in de studiepopulatie, werd vergeleken met dat in een historische controlegroep die in de voorgaande 12 maanden was geëvalueerd (n=887) en met dat in een hedendaagse controlegroep die in dezelfde periode als de studiepopulatie was geëvalueerd (n=854), in dezelfde klinische centra. De huidige analyse omvatte de interimresultaten van deze studie (mei 2024-mei 2025).

Uitkomstmaat

De primaire uitkomstmaat was een diagnose van ATTR-CM op basis van consensuscriteria, waaronder de aan- of afwezigheid van myocardiale uptake bij single-photon emission-CT.

Belangrijkste resultaten

Valideren en testen van ATTRACTnet

• In een analyse met 5-voudige kruisvalidatie had ATTRACTnet een sensitiviteit van 0,56, een specificiteit van 0,92, een negatief voorspellende waarde van 0,84 en een positief voorspellende waarde van 0,74.
• ATTRACTnet vertoonde een goede discriminatie voor detectie van ATTR-CM in de interne testset (AUROC: 0,85; 95%BI: 0,77-0,85) en externe testset (AUROC: 0,82; 95%BI: 0,81-0,83), zonder verschil tussen raciale en etnische subgroepen.
• Om het aantal patiënten met een mogelijk verhoogd ATTR-CM-risico in het zorgsysteem te onderzoeken en na te gaan hoe dit aantal door AI-beoordeling kan worden verminderd, werd de ATTR-CM-risicoscore toegepast op patiënten ≥50 jaar oud met een LV-wanddikte ≥12 mm die geen amyloïdscintigrafie hadden ondergaan in de periode 2010-2023 (n=14.585). In deze subgroep werden met de ATTR-CM-risicoscore 9892 patiënten (67,8%) geïdentificeerd als hebbende een verhoogd ATTR-CM-risico, waarvan slechts 1515 in de routineklinische zorg op ATTR-CM werden getest. Van deze 9892 patiënten hadden 1196 (12,1%) een ATTRACTnet-score ≥0,5.

Cardiac Amyloidosis Discovery Trial

• Op het moment van de interimanalyse hadden 50 patiënten na goedkeuring door de arts en de patiënt cardiale-amyloïdtesten ondergaan, van wie 24 (48,0%; 95%BI: 34,8-61,5%) positief testten voor ATTR-CM. Binnen 3 maanden na de diagnose kregen 21 patiënten (88%) een ATTR-CM-behandeling voorgeschreven.
• Het aantal ATTR-CM-diagnoses was lager in de historische controlegroep (15,3%; 95%BI: 13,1-17,9%; P<0,001).
• Het aantal positieve testuitslagen was ook lager in de hedendaagse controlegroep (17,0%; 95%BI: 14,6-19,6%; P<0,001). Er was geen significant verschil tussen het aantal positieve tests in de historische en hedendaagse controlegroepen.

Conclusie

Het nieuw ontwikkelde AI-model ATTRACTnet werd gevalideerd in interne en externe testsets. In een pilotstudie, de Cardiac Amyloidosis Discovery Trial, leidde screening op ATTR-CM op basis van de ATTRACTnet-score tot een hogere diagnostische opbrengst dan reguliere screening in historische en hedendaagse controlegroepen. Volgens de auteurs kan “AI-ondersteunde screening de detectie van ATTR-CM verbeteren en patiënten identificeren die bij de gebruikelijke zorg over het hoofd worden gezien”.

Vind dit artikel online op JAMA Cardiol.

Referenties

1. Rapezzi C, Lorenzini M, Longhi S, et al. Cardiac amyloidosis: the great pretender. Heart Fail Rev. 2015;20(2):117-124. doi: 10.1007/s10741-015-9480-0
2. Rozenbaum MH, Large S, Bhambri R, et al. Impact of delayed diagnosis and misdiagnosis for patients with transthyretin amyloid cardiomyopathy (ATTR-CM): a targeted literature review. Cardiol Ther. 2021;10(1):141-159. doi: 10.1007/s40119-021-00219-5
3. Shah KB, Mankad AK, Castano A, et al. Transthyretin cardiac amyloidosis in Black Americans. Circ Heart Fail. 2016;9(6):e002558. doi: 10.1161/CIRCHEARTFAILURE.115.002558
4. Spencer-Bonilla G, Njoroge JN, Pearson K, Witteles RM, Aras MA, Alexander KM. Racial and ethnic disparities in transthyretin cardiac amyloidosis. Curr Cardiovasc Risk Rep. 2021;15(6):8. doi: 10.1007/s12170-021-00670-y
5. Maurer MS, Schwartz JH, Gundapaneni B, et al; ATTR-ACT Study Investigators. Tafamidis treatment for patients with transthyretin amyloid cardiomyopathy. N Engl J Med. 2018;379(11):1007-1016. doi: 10.1056/NEJMoa1805689
6. Rettl R, Mann C, Duca F, et al. Tafamidis treatment delays structural and functional changes of the left ventricle in patients with transthyretin amyloid cardiomyopathy. Eur Heart J Cardiovasc Imaging. 2022;23(6):767-780. doi: 10.1093/ehjci/jeab226
7. Fontana M, Berk JL, Gillmore JD, et al; HELIOS-B Trial Investigators. Vutrisiran in patients with transthyretin amyloidosis with cardiomyopathy. N Engl J Med. 2024;392(1):33-44. doi: 10.1056/NEJMoa2409134
8. Davies DR, Redfield MM, Scott CG, et al. A simple score to identify increased risk of transthyretin amyloid cardiomyopathy in heart failure with preserved ejection fraction. JAMA Cardiol. 2022;7(10):1036-1044. doi: 10.1001/jamacardio.2022.1781
9. Huda A, Castaño A, Niyogi A, et al. A machine learning model for identifying patients at risk for wild-type transthyretin amyloid cardiomyopathy. Nat Commun. 2021;12(1):2725. doi: 10.1038/s41467-021-22876-9
10. Goto S, Mahara K, Beussink-Nelson L, et al. Artificial intelligence-enabled fully automated detection of cardiac amyloidosis using electrocardiograms and echocardiograms. Nat Commun. 2021;12(1):2726. doi: 10.1038/s41467-021-22877-8