Generalizing Major Adverse Cardiovascular Events (MACE) Prediction Across Study Designs Using Ensemble Transfer Learning in 4.2 million US Veterans

Le malattie cardiache rimangono la principale causa di morte negli Stati Uniti, causando la morte di circa una persona su quattro. Per decenni, i medici si sono affidati a fattori di rischio consolidati per prevedere chi potrebbe subire un evento cardiaco maggiore, come un infarto, un ictus o morte per cause cardiovascolari. Questi fattori includono l'età, il sesso, l'ipertensione, il diabete e i livelli di colesterolo. Sebbene queste linee guida abbiano salvato vite, spesso faticano ad adattarsi quando applicate a diversi gruppi di persone o quando i dati su cui si basano provengono da diversi tipi di studi medici. Un modello addestrato su un gruppo di pazienti potrebbe fallire quando utilizzato su un altro, semplicemente perché il modo in cui i dati sono stati raccolti ha creato pregiudizi nascosti. La sfida per la medicina moderna è costruire strumenti di previsione che siano non solo accurati, ma anche abbastanza robusti da funzionare in popolazioni diverse e sistemi sanitari in evoluzione.

Per affrontare questo problema, un team di ricercatori del Los Alamos National Laboratory e di vari centri medici dell'Amministrazione per i Veterani si è rivolto a un enorme dataset contenente le cartelle cliniche elettroniche di 4,2 milioni di veterani statunitensi. Il loro obiettivo era creare un nuovo modo per prevedere eventi cardiovascolari avversi maggiori, o MACE, che potesse apprendere da diversi disegni di studio e generalizzare i propri risultati ai pazienti del mondo reale. Hanno scoperto che combinando due modi molto diversi di osservare i dati dei pazienti — uno focalizzato sulla ricerca delle cause biologiche della malattia e l'altro focalizzato sullo screening di una popolazione ampia — potevano costruire uno strumento di previsione molto più forte di quanto uno dei due metodi potesse ottenere da solo.

I ricercatori hanno lavorato con un dataset che copriva sette anni e mezzo di storia medica di milioni di pazienti. Dovevano prevedere chi avrebbe subito un infarto, un ictus o un decesso correlato a problemi cardiovascolari in futuro. Per farlo, hanno esaminato una vasta gamma di informazioni, tra cui risultati di laboratorio, parametri vitali come la pressione sanguigna, diagnosi, farmaci e la frequenza con cui i pazienti visitano il medico. Hanno organizzato queste informazioni in blocchi temporali precedenti alla data della previsione, creando una cronologia dettagliata della salute di ogni paziente.

Il team si è trovato di fronte a un problema fondamentale: diversi tipi di studi medici catturano aspetti differenti della salute. Un tipo di studio, noto come studio caso-controllo retrospettivo, è eccellente per identificare i driver biologici di una malattia. In questo design, i ricercatori accoppiano pazienti che hanno avuto un evento cardiaco con pazienti simili che non lo hanno avuto, controllando attentamente fattori come l'età e la frequenza delle visite mediche. Questo accoppiamento rimuove il "rumore" dei modelli di utilizzo dell'assistenza sanitaria, permettendo ai segnali biologici di emergere chiaramente. Tuttavia, questi gruppi accoppiati non sempre somigliano alla popolazione generale che si vede in un ambulatorio medico.

L'altro tipo di studio è una coorte di screening prospettica, che osserva un gruppo ampio di pazienti mentre vengono assistiti nelle cure di routine. Questo design riflette il mondo reale, incluso il fatto che alcune persone visitano il medico frequentemente mentre altre raramente. Sebbene ciò fornisca un quadro realistico della popolazione, i dati sono spesso "rumorosi" perché la frequenza delle visite è legata a quanto una persona sia malata, rendendo difficile separare la malattia stessa dal comportamento di cercare assistenza.

I ricercatori si sono resi conto che cercare di utilizzare uno solo di questi approcci era limitante. Invece, hanno sviluppato un framework chiamato apprendimento per trasferimento d'insieme (ensemble transfer learning). Hanno prima addestrato diversi modelli di machine learning sui dati caso-controllo retrospettivi per apprendere i driver biologici puri della malattia cardiaca. Successivamente, hanno preso questi modelli e li hanno "affinati" utilizzando i dati di screening prospettici. Questo processo ha permesso ai modelli di adattarsi ai modelli reali di utilizzo dell'assistenza sanitaria pur mantenendo le intuizioni biologiche fondamentali apprese. È simile a come un musicista potrebbe esercitarsi su un brano in uno studio silenzioso per padroneggiare le note, e poi esibirsi in una sala da concerto rumorosa, regolando il volume e il tempo per adattarsi alla stanza senza perdere la musica stessa.

I risultati sono stati significativi. Quando i ricercatori hanno testato i loro nuovi modelli combinati su una coorte prospettica di veterani del 2017, i modelli hanno raggiunto un alto livello di accuratezza, distinguendo correttamente tra coloro che avrebbero avuto un evento cardiaco e coloro che non lo avrebbero avuto, meglio dei metodi standard precedenti. I modelli erano particolarmente efficaci nell'identificare i pazienti ad alto rischio, un gruppo che gli strumenti precedenti spesso mancavano. Inoltre, i modelli rimanevano accurati attraverso diversi gruppi demografici, inclusi uomini e donne, e persone di diverse razze ed etnie.

Una scoperta chiave dello studio è stata che i driver biologici della malattia cardiaca identificati nei gruppi retrospettivi accuratamente accoppiati erano coerenti con quelli trovati nei gruppi prospettici più ampi. Ciò suggerisce che i meccanismi centrali della malattia sono stabili e possono essere appresi da un tipo di studio e applicati con successo a un altro. Lo studio ha anche evidenziato che i modelli non lineari, che possono catturare interazioni complesse tra variabili, hanno ottenuto prestazioni migliori rispetto ai tradizionali modelli lineari. Questi modelli avanzati sono stati in grado di comprendere che una combinazione di fattori, come l'ipertensione e una storia di dolore toracico, creava un rischio che era superiore alla somma delle singole parti.

I ricercatori hanno anche esaminato come i modelli gestissero i dati mancanti. Nelle cartelle cliniche elettroniche, è comune che alcuni test manchino. Lo studio ha scoperto che l'assenza di un risultato di un test era spesso informativa; ad esempio, se un paziente non effettuava un controllo della pressione sanguigna da molto tempo, ciò poteva indicare una mancanza di impegno con il sistema sanitario, che di per sé è un fattore di rischio. I nuovi modelli sono stati in grado di utilizzare questi schemi di assenza di dati per migliorare le loro previsioni, mentre i modelli più vecchi spesso trattavano i dati mancanti come un semplice errore da ignorare.

Questo lavoro dimostra che è possibile costruire strumenti di previsione clinica che siano sia biologicamente fondati che praticamente utili. Riconoscendo che diversi disegni di studio offrono diversi punti di forza, i ricercatori hanno creato un sistema che sfrutta la precisione degli studi accoppiati e il realismo dello screening ampio. I modelli risultanti non sono solo più accurati, ma sono anche più adattabili. Man mano che i sistemi sanitari cambiano, nuovi trattamenti vengono introdotti e le popolazioni di pazienti evolvono, questi modelli possono essere aggiornati con relativo poco sforzo, garantendo che rimangano rilevanti.

Lo studio è stato condotto utilizzando dati dell'U.S. Department of Veterans Affairs, che ha fornito un ricco record longitudinale di milioni di pazienti. Sebbene la popolazione specifica dei veterani sia prevalentemente maschile e anziana, la metodologia sviluppata qui offre una strategia generale per migliorare la previsione del rischio in qualsiasi grande sistema sanitario. I ricercatori suggeriscono che questo approccio possa essere applicato ad altre malattie croniche e problemi medici complessi, fornendo una via verso una medicina più affidabile e personalizzata. Combinando il meglio di diversi disegni di studio, il team ha dimostrato che il machine learning può andare oltre il semplice riconoscimento di pattern per creare strumenti che comprendano veramente la complessità della salute umana.