Lösung Des Koronarrisikos: Fütterungsmaschinen Einige CAC-Ergänzungen

2023 Autor: Agatha Gilson | [email protected]. Zuletzt bearbeitet: 2023-08-25 04:56

Kalzium in der Koronararterie (CAC) hat sich als wertvoller bildgebender Biomarker erwiesen, der einen direkten Nachweis für koronare Atherosklerose liefert und wertvolle prognostische Informationen liefert. ^[1] Bei symptomatischen Patienten besteht eine positive Korrelation zwischen der Erhöhung des CAC und dem Vorliegen einer obstruktiven Koronararterienerkrankung (CAD). ^[2] Andererseits wurde bei symptomatischen Patienten mit einem CAC-Wert von Null ein geringes Risiko für unerwünschte kardiovaskuläre Ereignisse nachgewiesen (0, 8–1, 4%). ^{[3, 4]} Die meisten Risikorechner zur Schätzung der Wahrscheinlichkeit eines obstruktiven CAD vor dem Test wurden unter Verwendung statistischer Modelle in populationsbasierten Studien mit linearer Annahme von Risikofaktoren für das Vorhandensein eines durchflussbegrenzenden CAD entwickelt. Infolgedessen überschätzen die Wahrscheinlichkeiten der aktuellen Risikorechner vor dem Test die tatsächliche Prävalenz von obstruktivem CAD. ^[5] Daher sind bessere Modelle erforderlich, die CAC-Scores in die Risikoprognose integrieren, um die diagnostische Leistung des Modells zu verbessern.

Maschinelles Lernen (ML) bietet einen alternativen Ansatz zu statistischen Standardmodellen zur Verbesserung personalisierter Vorhersagen. Zu diesem Zweck präsentieren Al'Aref und Kollegen in dieser Ausgabe des European Heart Journal ein ML-Modell, um das Vorhandensein von obstruktivem CAD bei Patienten mit stabilen Brustschmerzen anhand von 25 klinischen und demografischen Faktoren allein oder in Kombination mit CAC-Scores vorherzusagen. ^[6] Ensemble-Lernen wurde verwendet, um ein überwachtes Lernmodell zu entwickeln, das mit herkömmlichen Risikobewertungsmodellen verglichen werden kann. Sie verwendeten den klinischen Score des CAD-Konsortiums und den aktualisierten Diamond-Forrester-Score (UDF) zur Vorhersage von obstruktivem CAD. Mit dem Hinzufügen des CAC-Scores zum Modell verbesserte sich die diagnostische Leistung des ML-Modells und des klinischen Scores des CAD-Konsortiums [Bereich unter der Kurve (AUC) 0, 881 bzw. 0, 866] signifikant. CAC war die prädiktivste Variable im Risikofaktor + CAC ML-Modell, gefolgt von Alter und Geschlecht. Darüber hinaus verbesserten sich die Sensitivität, Spezifität, der positive Vorhersagewert, der negative Vorhersagewert und die Genauigkeit des ML-Modells erheblich, wenn der CAC-Score dem Modell bei einer Krankheitswahrscheinlichkeitsschwelle von 15% (80, 0, 81, 5, 49, 1, 94, 8 und 81, 3%) hinzugefügt wurde für Risikofaktoren + CAC ML-Modell). Trotz ähnlicher diagnostischer Leistung für Risikofaktor + CAC ML- und CAD-Konsortium + CAC-Modelle (0, 88 vs. 0, 866) schnitt das Risikofaktor + CAC ML-Modell bei jüngeren Personen (<65 Jahre) mit atypischen Symptomen (AUC 0, 875) besser ab gegenüber 0, 702).

Die Studie von Al'Aref und Kollegen zeigt beispielhaft die Bereitschaft der wissenschaftlichen Gemeinschaft, ML zur Verbesserung der Algorithmen zur Vorhersage des kardiovaskulären Risikos einzusetzen. ^{[7, 8]} Wie kann dies klinisch angewendet werden, da ein ML-Algorithmus herkömmliche auf Risikofaktoren basierende CVD-Vorhersagemodelle übertrifft, insbesondere bei jüngeren Personen? Basierend auf diesen Daten kann ein ML-Modell unter Verwendung von Risikofaktoren und CAC hilfreich sein, insbesondere bei Patienten mit stabilem Brustschmerz mit niedrigem bis mittlerem Risiko, um ihr Risiko neu zu klassifizieren. Wenn der CAC-Wert Null ist, können Patienten wahrscheinlich in ein geringes Risiko eingestuft werden und müssen möglicherweise nicht weiter getestet werden, abgesehen von der Änderung des Risikofaktors. Ein positiver CAC-Score kann das erhöhte Risiko und die Notwendigkeit von Herztests zur Bewertung des obstruktiven CAD weiter bestätigen. Ein CAC-Wert von Null kann jedoch nicht verkalkte Plaques erfassen, die weniger stabil sind und mit größerer Wahrscheinlichkeit reißen. ^[9] Die Verwendung von ML bei diesen Patienten kann die Fähigkeit des Arztes verbessern, das Risiko zu bestätigen, obwohl der CAC-Wert Null ist. Umklassifizierung des Patienten als Person mit erhöhtem oder niedrigem Risiko und Feststellung des angemessenen Bedarfs an weiteren Tests während eines Indexbesuchs (Abbildung 1). Personen mit Symptomen und einer relativ hohen Wahrscheinlichkeit einer Erkrankung vor dem Test würden direkt davon profitieren, wenn sie sich trotz eines CAC-Werts von Null einer Bewertung der Koronaranatomie unterziehen würden. Die potenzielle Rolle von ML bei der weiteren Risikostratifizierung von Personen mit hohem Risiko müsste in zukünftigen klinischen Studien berücksichtigt werden.

(Bild vergrößern)

Abbildung 1

Strategie zur Erstbewertung von Patienten mit stabilen Brustschmerzen. Das obere Feld zeigt die Schritte und die mögliche klinische Anwendung der Studie durch Al'Aref und Kollegen. Der untere Teil der Abbildung zeigt mögliche Merkmale, die verwendet werden könnten, und die verschiedenen Modelle des maschinellen Lernens, die in Zukunft zur Verbesserung der Krankheitsklassifizierung untersucht werden könnten. BMI, Body Mass Index; CAC, Kalzium der Koronararterie; Cr, Kreatinin; CVA, zerebrovaskulärer Unfall; DM, Diabetes mellitus; HTN, Hypertonie; HCL, Hypercholesterinämie; HDL, hochdichtes Lipoprotein; ML, maschinelles Lernen; PVD, periphere Gefäßerkrankung.

Eine kürzlich durchgeführte systematische Überprüfung konnte keine Behauptung begründen, dass klinische Vorhersagemodelle, die auf ML basieren, zu besseren AUCs führen als klinische Vorhersagemodelle, die auf einfachen statistischen Modellen wie der logistischen Regression basieren. ^[10] Warum sollte man dann immer noch erwarten, dass ein ML-basiertes Modell eine bessere Leistung erbringt als bestehende statistische Modelle? Angesichts der Tatsache, dass einer der Vorteile von ML in einer besseren Vorhersage aus großen und komplexen Daten liegt, die mehrere Ebenen der Abstraktion, Darstellung und des Abrufs von Informationen erfordern, gibt es mehrere klinische Faktoren und methodische Ansätze, die künftigen Überlegungen bedürfen (Abbildung 1). Erstens bedeutet das Fehlen eines obstruktiven CAD nicht unbedingt, dass die Prognose gutartig ist. Ein zusammengesetztes Ergebnis einer nicht obstruktiven Erkrankung und des zukünftigen Risikos eines Herzereignisses wäre daher eine Bewertung wert. Zweitens müsste ein zukünftiger Algorithmus darauf trainiert werden, das Vorhandensein oder Fehlen von CAD mit hohem Risiko (linke Haupt- oder Drei-Gefäß-Krankheit) vorherzusagen. Drittens könnte die Verwendung neuerer Ansätze wie tiefer neuronaler Netze zum Extrahieren von Merkmalen direkt aus CAC-Bildern, einschließlich Ort, Verteilung und Dichtemuster nachweisbarer verkalkter Plaques, die diagnostische Ausbeute weiter verbessern. Viertens könnten die Fähigkeiten von Deep-Learning-Modellen, den Agatston-Score anhand von nicht kontrastierenden Thorax-Computertomographien (CT), niedrig dosierten CT-Scans oder arteriellen Verkalkungen in Mammographien abzuschätzen, beispiellose Screening-Möglichkeiten aufzeigen. Schließlich könnten neuere Paradigmen mit Fähigkeiten für Deep-Learning-Algorithmen zum Extrahieren von Herzrisikoprofilen aus Gesichtsmerkmalen von Patienten, ^[11] Netzhautbildern ^[12] oder mobilen Sensordaten, die physiologische Funktionen und Biosignale wie EKG überwachen ^[13], hilfreich sein Aufbau einer neuen kohärenten Taxonomie des latenten Herzrisikos. Während so unterschiedliche und aktuelle Datensätze zur Feinabstimmung der ML-Vorhersagemodelle eingegeben werden, ist es unerlässlich, die Vorhersagen im realen Szenario prospektiv zu validieren. Mit der zunehmenden Verwendung tiefgreifender generativer Modelle zur Nachahmung realer Bilder und Daten könnten neuartige ML-Techniken wie verallgemeinerte konträre Netzwerke Ärzte in die Lage versetzen, die Entwicklung von Koronarplaques, ihre Zusammensetzung, Verteilungen und zugrunde liegenden Instabilitäten zu generieren und zu visualisieren mechanistische Grundlage der zukünftigen unerwünschten Koronarereignisse. Während Studien wie die von Al'Aref und Kollegen vorgestellten das große Potenzial von ML-Techniken zur Beschleunigung und Störung aller grundlegenden Aspekte der klinischen Herzforschung aufzeigen, ist es unerlässlich, dass wir eine neue Generation von Forschern ausbilden, die die Datenwissenschaft nutzen können, um diese zu überbrücken Lücke zwischen transparenten ML-Systemen und vorhandenem Domänenwissen.