Voorspellen van resterend risico met machinelearning bij AF-patiënten met OAC-therapie

In het GLORIA-AF-register fase II/III waren 4 machinelearning-modellen beter in het voorspellen van het resterende trombotische risico bij AF-patiënten die orale antistolling (OAC) kregen dan 2 traditionele klinische risicoscores.

Deze samenvatting is gebaseerd op de publicatie van Liu Y, Chen Y, Olier I, et al. - Residual risk prediction in anticoagulated patients with atrial fibrillation using machine learning: A report from the GLORIA-AF registry phase II/III. Eur J Clin Invest. 2024 Dec 11:e14371 [Online ahead of print]. doi: 10.1111/eci.14371

Introductie en methoden

Achtergrond

Hoewel orale antistolling (OAC) het risico op trombo-embolie vermindert bij patiënten met AF, hebben zij nog steeds een risico op trombotische events [1-4]. Beoordeling van dit resterende risico kan nuttig zijn voor secundaire preventie in deze populatie.

Doel van de studie

De auteurs onderzochten het nut van machinelearning (ML)-technieken voor het voorspellen van het resterende trombotische risico bij AF-patiënten die OAC-therapie kregen.

Methoden

De gegevens van 15.829 patiënten met nieuw gediagnosticeerd (<3 maanden vóór het baselinebezoek) niet-valvulair AF werden verzameld uit het wereldwijde, multicentrische, prospectieve GLORIA-AF-register (Global Registry on Long-Term Oral Anti-Thrombotic Treatment in Patients with Atrial Fibrillation) fase II en III [5]. De mediane follow-upduur was 1176 dagen (IQR: 228-1545). De dataset werd willekeurig verdeeld in een trainings- en testset in een 9:1-verhouding. Om het resterende risico op de samengestelde uitkomst van trombotische events (gedefinieerd als ischemische beroerte, arteriële embolie buiten het centrale zenuwstelsel, TIA of MI) te voorspellen, bouwden de auteurs 4 voorspellingsmodellen op basis van algoritmen: Logistic Regression (LR), Random Forest (RF), Light Gradient Boosting Machine (LGBM) en Extreme Gradient Boosting Machine (XGBM). In deze ML-modellen werden extra risicofactoren en continue variabelen opgenomen die geen onderdeel zijn van conventionele klinische-risicoscoresystemen. Om de hyperparameters van de modellen te optimaliseren, gebruikten ze de grid search-methode met 10-voudige kruisvalidatie. De prestaties van de modellen werden voornamelijk geëvalueerd aan de hand van de oppervlakte onder de receiver-operating characteristic curve (AUC), G-means en F1-score. Daarnaast werden de prestaties vergeleken met die van de CHA₂DS₂-VA- en 2MACE-scores, die beide gebaseerd zijn op klinische risicofactoren.

Belangrijkste resultaten

• Tijdens de follow-up traden trombotische events op bij 641 patiënten (4,0%) (243 (1,5%) ischemische beroerte, 265 (1,7%) MI, 134 (0,8%) TIA en 31 (0,2%) systemische embolie).

• In de testset presteerde het LR-model het best, met een hogere AUC-trend van 0,712 (95%BI: 0,653-0,772; P=0,500).

• Het RF-model vertoonde de hoogste G-means (0,295) en F1-score (0,249); de AUC was 0,693 (95%BI: 0,631-0,772; P=0,852).

• De prestatie van de meeste ML-modellen was superieur aan die van de CHA₂DS₂-VA-score (AUC: 0,698; 95%BI: 0,638-0,754; referentie) en 2MACE-score (AUC: 0,696; 95%BI: 0,642-0,758; P=0,923). De G-means en F1-score van deze traditionele klinische risicoscores waren ook lager.

• Feature importance ranking gaf aan dat de top 5-factoren die geassocieerd waren met een resterend risico in het LR-model waren: leeftijd, voorgeschiedenis van trombo-embolie of MI, staken van OAC, eGFR en geslacht.

Conclusie

In deze studie op basis van het GLORIA-AF-register fase II/III presteerden 4 ML-modellen voor het voorspellen van het resterende trombotische risico bij AF-patiënten die OAC-therapie kregen – Logistische Regressie, Random Forest, Light Gradient Boosting Machine en Extreme Gradient Boosting Machine – beter dan 2 traditionele klinische risicoscores (CHA₂DS₂-VA en 2MACE). De top 5 van invloedrijke factoren bestond uit leeftijd, voorgeschiedenis van trombo-embolie of MI, staken van OAC, eGFR en geslacht. De auteurs merken wel op dat “hoewel ML-modellen sterk zijn in datamining en feature discovery, ze niet zo eenvoudig te berekenen zijn als traditionele scores, wat een bredere toepassing beperkt”.

Vind dit artikel online op Eur J Clin Invest.

Referenties

1. Ruff CT, Giugliano RP, Braunwald E, et al. Comparison of the efficacy and safety of new oral anticoagulants with warfarin in patients with atrial fibrillation: a meta-analysis of randomized trials. Lancet. 2014;383(9921):955-962.
2. Freedman B, Martinez C, Katholing A, Rietbrock S. Residual risk of stroke and death in anticoagulant-treated patients with atrial fibrillation. JAMA Cardiol. 2016;1(3):366-368.
3. Link MS, Giugliano RP, Ruff CT, et al. Stroke and mortality risk in patients with various patterns of atrial fibrillation: results from the ENGAGE AF-TIMI 48 Trial (effective anticoagulation with factor Xa Next Generation in Atrial Fibrillation-Thrombolysis in Myocardial Infarction 48). Circ Arrhythm Electrophysiol. 2017;10(1):e004267.
4. Albertsen IE, Rasmussen LH, Overvad TF, Graungaard T, Larsen TB, Lip GY. Risk of stroke or systemic embolism in atrial fibrillation patients treated with warfarin: a systematic review and meta-analysis. Stroke. 2013;44(5):1329-1336.
5. Huisman MV, Lip GY, Diener HC, et al. Design and rationale of global registry on long-term Oral antithrombotic treatment in patients with atrial fibrillation: a global registry program on long-term oral antithrombotic treatment in patients with atrial fibrillation. Am Heart J. 2014;167(3):329-334.