Internetowy kalkulator do predykcji odpowiedzi na CRT

Internetowy kalkulator do predykcji odpowiedzi na CRT

doniesienia medialne

Autor: dr Łukasz Januszkiewicz

W jednym z artykułów opublikowanych w lipcowym numerze Circulation: Arrhythmia and Electrophysiology sprawdzono, czy uczenie maszynowe może pomóc w lepszej predykcji odpowiedzi na CRT niż wytyczne. 

Autorzy stworzyli modele do uczenia maszynowego na podstawie pacjentów z CRT z Cleveland Clinic i Johns Hopkins. Odpowiedź na CRT zdefiniowano jako wzrost frakcji wyrzutowej lewej komory o ≥ 10%. Stworzone modele uczenia maszynowego do predykcji odpowiedzi na CRT zawierały różne kombinacje stosowanych algorytmów i poszczególnych zmiennych klinicznych, które przetestowano na kohorcie wszystkich pacjentów z Johns Hopkins i takiej samej liczbie chorych przypadkowo dobranych z Cleveland Clinic. Wybrano model z największym polem powierzchni pod krzywą. Następnie prawdopodobieństwo odpowiedzi wykorzystano do przewidywania przeżycia bez złożonego punktu końcowego (zgonu, przeszczepu serca, implantacji LVAD). Porównano te wyniki z danymi z wytycznych. 

Włączono 925 chorych. W grupie 470 pacjentów najlepszy okazał się być model uczenia maszynowego zawierający zmienne: 

  • morfologię zespołu QRS,
  • czas trwania zespołu QRS,
  • klasę NYHA,
  • frakcję wyrzutową lewej komory,
  • wymiar końcowo-rozkurczowy lewej komory,
  • płeć,
  • kardiomiopatię niedokrwienną, 
  • migotanie przedsionków, 
  • elektrodę lewokomorową implantowaną epikardialnie.

Następnie algorytm zwalidowano na grupie 455 chorych z Cleveland Clinic. Stwierdzono, że prezentowany model lepiej przewiduje odpowiedź na CRT niż wytyczne (pole pod krzywą 0,7 vs. 0,65, p = 0,012) i pozwala na lepszą dyskryminację przeżycia bez złożonego punktu końcowego. 

Podsumowując, stworzony 9-elementowy algorytm do predykcji odpowiedzi na CRT może być przydatny w praktyce klinicznej podczas kwalifikacji do resynchronizacji. Prezentowany algorytm jest dostępny pod adresem: http://riskcalc.org:3838/CRTResponseScore

Oprac. na podstawie Feeny A.K., Rickard J., Patel D. i wsp.: Machine Learning Prediction of Response to Cardiac Resynchronization Therapy Improvement Versus Current Guidelines. Circ Arrhythm Electrophysiol 2019;12:e007316.