Een nieuwe kunstmatige-intelligentiescore geeft een nauwkeuriger voorspelling van de kans dat patiënten met een vermoedelijke of bekende coronaire hartziekte binnen 10 jaar overlijden dan vastgestelde scores die door gezondheidswerkers over de hele wereld worden gebruikt. Het onderzoek wordt vandaag gepresenteerd op EuroEcho 2021, een wetenschappelijk congres van de European Society of Cardiology (ESC).1
In tegenstelling tot traditionele methoden die zijn gebaseerd op klinische gegevens, bevat de nieuwe score ook beeldvormende informatie over het hart, gemeten door cardiovasculaire magnetische resonantie (CMR) bij stress. “Stress” verwijst naar het feit dat patiënten een medicijn krijgen om het effect van inspanning op het hart na te bootsen terwijl ze zich in de magnetische resonantiebeeldvormingsscanner bevinden.
“Dit is de eerste studie die aantoont dat machinaal leren met klinische parameters plus stress-CMR het risico op overlijden zeer nauwkeurig kan voorspellen”, zegt onderzoeksauteur Dr. Theo Pezel van het Johns Hopkins Hospital, Baltimore, VS. “De bevindingen geven aan dat patiënten met pijn op de borst, dyspneu of risicofactoren voor hart- en vaatziekten een stress-CMR-onderzoek moeten ondergaan en hun score moeten laten berekenen. Dit zou ons in staat stellen om intensievere follow-up en advies te geven over lichaamsbeweging, voeding, enzovoort, aan degenen die het het hardst nodig hebben.”
Risicostratificatie wordt vaak gebruikt bij patiënten met of met een hoog risico op hart- en vaatziekten om de behandeling op maat te maken die gericht is op het voorkomen van een hartaanval, beroerte en plotselinge hartdood. Conventionele rekenmachines gebruiken een beperkte hoeveelheid klinische informatie zoals leeftijd, geslacht, rookstatus, bloeddruk en cholesterol. Deze studie onderzocht de nauwkeurigheid van machine learning met behulp van stress-CMR en klinische gegevens om 10-jaars sterfte door alle oorzaken te voorspellen bij patiënten met vermoedelijke of bekende coronaire hartziekte, en vergeleek de prestaties met bestaande scores.
Dr. Pezel legde uit: “Voor clinici lijkt sommige informatie die we van patiënten verzamelen misschien niet relevant voor risicostratificatie. Maar machine learning kan een groot aantal variabelen tegelijkertijd analyseren en kan associaties vinden waarvan we niet wisten dat ze bestonden, waardoor de risicovoorspelling wordt verbeterd.”
De studie omvatte 31.752 patiënten die tussen 2008 en 2018 voor stress-CMR werden verwezen naar een centrum in Parijs vanwege pijn op de borst, kortademigheid bij inspanning of een hoog risico op hart- en vaatziekten, maar geen symptomen. Hoog risico werd gedefinieerd als het hebben van ten minste twee risicofactoren, zoals hypertensie, diabetes, dyslipidemie en actueel roken. De gemiddelde leeftijd was 64 jaar en 66% was man. Er werd informatie verzameld over 23 klinische en 11 CMR-parameters. Patiënten werden gedurende een mediaan van zes jaar gevolgd voor sterfte door alle oorzaken, die werd verkregen uit het nationale overlijdensregister in Frankrijk. Tijdens de follow-upperiode stierven 2.679 (8,4%) patiënten.
Machine learning werd in twee stappen uitgevoerd. Eerst werd het gebruikt om te selecteren welke van de klinische en CMR-parameters de dood konden voorspellen en welke niet. Ten tweede werd machinaal leren gebruikt om een algoritme te bouwen op basis van de belangrijke parameters die in stap één zijn geïdentificeerd, waarbij aan elk verschillende nadruk werd gelegd om de beste voorspelling te creëren. Patiënten kregen vervolgens een score van 0 (laag risico) tot 10 (hoog risico) voor de kans op overlijden binnen 10 jaar.
De machine learning-score kon voorspellen welke patiënten levend of dood zouden zijn met een nauwkeurigheid van 76% (in statistische termen was het gebied onder de curve 0,76). “Dit betekent dat bij ongeveer drie van de vier patiënten de score de juiste voorspelling deed”, zei Dr. Pezel.
Met behulp van dezelfde gegevens berekenden de onderzoekers het 10-jaarsrisico op overlijden door alle oorzaken met behulp van vastgestelde scores (Systematic COronary Risk Evaluation [SCORE], QRISK3 en Framingham Risk Score [FRS]) en een eerder afgeleide score met klinische en CMR-gegevens ( klinische stressCMR [C-CMR-10])2 – geen van alle gebruikte machine learning. De machine learning-score had een significant hoger gebied onder de curve voor de voorspelling van 10-jaars sterfte door alle oorzaken in vergelijking met de andere scores: SCORE = 0,66, QRISK3 = 0,64, FRS = 0,63 en C-CMR-10 = 0,68.
Dr. Pezel zei: “Stress CMR is een veilige techniek die geen gebruik maakt van straling. Onze bevindingen suggereren dat het combineren van deze beeldinformatie met klinische gegevens in een algoritme geproduceerd door kunstmatige intelligentie een nuttig hulpmiddel kan zijn om hart- en vaatziekten en plotselinge hartdood te helpen voorkomen bij patiënten met cardiovasculaire symptomen of risicofactoren.”
1The abstract ‘Machine-learning score using stress CMR for death prediction in patients with suspected or known CAD’ will be presented during the session ‘Young Investigator Award – Clinical Science’ which takes place on 11 December at 09:50 CET in Room 3.
2Marcos-Garces V, Gavara J, Monmeneu JV, et al. A novel clinical and stress cardiac magnetic resonance (C-CMR-10) score to predict long-term all-cause mortality in patients with known or suspected chronic coronary syndrome. J Clin Med. 2020;9:1957.