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.
