AI-driven selection of patients with non-valvular atrial fibrillation for oral anticoagulation therapy: a multi-cohort validation and impact evaluation study

Deze studie toont aan dat het AI-gestuurde TRisk-model, getraind op elektronische gezondheidsgegevens uit het VK en de VS, de risico's op trombo-embolie en bloedingen bij patiënten met niet-valvulair boezemfibrillatie nauwkeuriger voorspelt dan bestaande klinische scores, wat kan leiden tot aanzienlijke kostenbesparingen en een optimalisering van het voorschrijven van orale anticoagulantia zonder de patiëntveiligheid te compromitteren.

De kern

De Gouden Sleutel voor Hartkloppingen: Een Slimme AI die Bloedverdunners Slimmer Maakt

Stel je voor dat je hart een motor is die soms een beetje gaat haperen. Dit heet boezemfibrilleren. Als de motor haperend draait, kan er een klein stukje bloedstolsel in de motor komen. Als dat stukje loslaat, kan het ergens anders in het lichaam vastlopen en een beroerte veroorzaken.

Om dit te voorkomen, krijgen veel mensen een medicijn (een bloedverdunner) dat het bloed dunner houdt, zodat er geen stolsels kunnen ontstaan. Maar hier zit een probleem:

1. Te veel medicijn: Als je het medicijn krijgt terwijl je het eigenlijk niet nodig hebt, loop je een risico op gevaarlijke bloedingen (alsof je een auto rijdt met een rem die te zacht is).
2. Te weinig medicijn: Als je het niet krijgt terwijl je het wel nodig hebt, loop je risico op een beroerte (alsof je een auto rijdt zonder remmen).

Vroeger gebruikten artsen een simpele checklist (zoals de CHA2DS2-VASc score) om te beslissen wie het medicijn nodig heeft. Het is alsof je een auto koopt op basis van alleen de kleur en het bouwjaar. Het werkt, maar het is niet heel precies. Soms krijgen mensen medicijnen die ze niet nodig hebben, en soms krijgen ze ze niet terwijl ze ze wel nodig hebben.

De Oplossing: De "TRisk" AI

In dit onderzoek hebben wetenschappers een nieuwe, slimme computer (een AI) ontwikkeld die TRisk heet.

Hoe werkt TRisk?
Stel je voor dat de oude checklist alleen kijkt naar een foto van de auto op dit moment. TRisk kijkt daarentegen naar de hele levensgeschiedenis van de auto.

• Het ziet elke keer dat de auto een service heeft gehad.
• Het ziet welke onderdelen er zijn vervangen.
• Het ziet hoe de auto heeft gereden in regen, sneeuw of droog weer.
• Het ziet zelfs hoe de bestuurder de auto heeft behandeld in het verleden.

TRisk leest dus de volledige medische geschiedenis van een patiënt uit de elektronische dossiers. Het is als een super-slimme detective die duizenden kleine aanwijzingen verzamelt die een simpele checklist nooit zou zien.

Wat hebben ze ontdekt?

De onderzoekers hebben TRisk getest op miljoenen mensen in Groot-Brittannië en de VS. Ze hebben het vergeleken met de oude checklist.

1. Preciezer voorspellen: TRisk kon veel beter voorspellen wie een beroerte zou krijgen en wie een gevaarlijke bloeding zou krijgen. Het was als het verschil tussen een slechte weersvoorspelling en een perfecte radar die elke regenbui ziet aankomen.
2. Veiligheid: Het belangrijkste was dat TRisk evenveel mensen met een echt risico op een beroerte oppikte als de oude methode, maar veel minder mensen onnodig medicijnen gaf.
3. Geldbesparing: Omdat minder mensen onnodig dure medicijnen krijgen en er minder bloedingen zijn, bespaart dit het systeem enorm veel geld.
   • In het VK zou dit £5,5 miljoen per jaar besparen (en meer als het op alle patiënten wordt toegepast).
   • In de VS zou dit $456 miljoen per jaar besparen.

De Grootte van de Besparing

Om het in perspectief te plaatsen:

• In het VK zou TRisk ervoor zorgen dat ongeveer 1 op de 12 mensen die nu bloedverdunners krijgen, die medicijnen niet nodig hebben.
• In de VS is dat ongeveer 1 op de 14.

Het is alsof je een grote groep mensen een paraplu geeft omdat het misschien regent. De oude methode geeft paraplu's aan iedereen. TRisk kijkt naar de lucht, de wind en de voorspelling, en geeft de paraplu alleen aan de mensen die écht nat zullen worden. De anderen kunnen hun paraplu thuis laten, wat geld bespaart en voorkomt dat ze struikelen over de paraplu's (de bijwerkingen).

Conclusie

Deze nieuwe AI, TRisk, is een enorme stap vooruit. Het helpt artsen om de juiste medicijnen aan de juiste mensen te geven.

• Voor de patiënt: Minder kans op onnodige bijwerkingen en bloedingen.
• Voor de maatschappij: Miljoenen euro's/dollars bespaard die beter besteed kunnen worden aan andere zorg.

Het is een voorbeeld van hoe kunstmatige intelligentie niet alleen slimme robots maakt, maar ook helpt om menselijk leven te redden en zorgsystemen slimmer te maken.

Technische samenvatting

Probleemstelling

De huidige klinische praktijk voor het bepalen van het risico op trombo-embolische events (zoals beroertes) en bloedingen bij patiënten met niet-valvulair atriumfibrillatie (AF) leunt zwaar op traditionele risicoscores zoals CHA₂DS₂-VASc (voor trombo-embolie) en HAS-BLED of ORBIT (voor bloedingen). Deze paper identificeert drie kritieke beperkingen van deze bestaande methoden:

1. Matige voorspellende prestaties: Deze scores vertonen consistent een discriminatievermogen (C-index) onder de 0,8 voor trombo-embolie en onder de 0,7 voor bloedingen, wat de klinische impact beperkt.
2. Statische aard: Bestaande scores zijn vaak statisch en kunnen alleen stijgen naarmate patiënten ouder worden of nieuwe comorbiditeiten ontwikkelen. Ze kunnen echter niet dalen wanneer de gezondheidstoestand verbetert, wat leidt tot een gebrek aan dynamische risicobewaking.
3. Gebrek aan nuance: Traditionele scores gebruiken een beperkte set van macro-factoren en missen de complexe, longitudinale evolutie van het medische profiel van een patiënt, zoals gedetailleerde veranderingen in medicatiegebruik, laboratoriumwaarden en procedurele geschiedenis.

Methodologie

De auteurs ontwikkelden en valideerden een nieuw AI-model genaamd TRisk (Transformer-based Risk assessment survival model).

• Data Bronnen:
  • Verenigd Koninkrijk (VK): Gebruik van het CPRD Aurum-dataset (elektronische gezondheidsregistraties van 1.442 huisartsenpraktijken), met in totaal 411.850 patiënten.
  • Verenigde Staten (VS): Gebruik van het "All of Us" (AoU) onderzoeksprogramma-dataset, met 16.218 patiënten.
• Model Architectuur:
  • TRisk is een Transformer-based survival model dat is gebaseerd op de BEHRT-architectuur, maar aangepast met het SODEN (Scalable Continuous-Time Survival Model through Ordinary Differential Equation Networks) framework.
  • Het model verwerkt patiëntgeschiedenissen als sequenties van getimestampede records (diagnoses, medicatie, procedures, labwaarden) tot aan het basislijn-moment.
  • Het gebruikt integrated gradients voor explainability (uitlegbaarheid) om te bepalen welke medische gebeurtenissen het meest bijdragen aan de risicoschatting.
  • Voor de VS-validatie werd transfer learning toegepast: het model, oorspronkelijk getraind op VK-data, werd aangepast aan de VS-data door ontologische mapping van codes (bijv. ICD-10 codes) en het initialiseren van nieuwe embeddings op basis van semantisch vergelijkbare bestaande codes.
• Validatie Strategie:
  • Vergelijking met benchmarks: CHA₂DS₂-VASc en CHA₂DS₂-VA (trombo-embolie) en HAS-BLED en ORBIT (bloeding).
  • Evaluatiemetrics: C-index (discriminatie), AUPRC, kalibratie, en decision curve analysis (netto voordeel).
  • Subgroepanalyses voor bias (geslacht, ras, leeftijd, COVID-19 periode).
• Impact Analyse: Een beslismodel werd gebruikt om de kosten, het aantal voorgeschreven DOAC's (Directe Orale Anticoagulantia) en de gezondheidseffecten (QALY's) te vergelijken tussen TRisk en de huidige richtlijnen.

Belangrijkste Resultaten

1. Voorspellende Prestaties:

• Trombo-embolie: TRisk behaalde een C-index van 0,82 (95% CI: 0,81–0,83) in de VK-validatie, significant beter dan CHA₂DS₂-VASc (0,71) en CHA₂DS₂-VA (0,72). In de VS-validatie was de C-index eveneens 0,82.
• Bloedingen: TRisk behaalde een C-index van 0,70 (0,69–0,71), wat beter is dan HAS-BLED (0,63) en ORBIT (0,64).
• Kalibratie en Bias: Het model was goed gekalibreerd over de hele risicoschaal en toonde geen significante bias in subgroepen, inclusief op basis van ras, geslacht en tijdens de COVID-19 pandemie.

2. Explainability (Uitlegbaarheid):

• Het model identificeerde bekende risicofactoren (zoals eerdere beroertes) maar ook complexere patronen die traditionele scores missen, zoals specifieke medicatie-effecten (bijv. attenuatie van risico door rivaroxaban/apixaban) en gebeurtenissen zoals hartstilstand.
• Het model kan dynamische risicoveranderingen vastleggen, waarbij het risico daalt bij verbetering van de gezondheid of start van effectieve therapie.

3. Klinische Impact en Kosten:

• Aanpassing van behandeling: TRisk zou het aantal patiënten dat een DOAC voorgeschreven krijgt kunnen verminderen met 8% in het VK en 7% in de VS ten opzichte van de huidige richtlijnen, zonder dat er meer trombo-embolische events optreden (dezelfde "true positive" rate).
• Kostenbesparing:
  • VK: Een jaarlijkse besparing van £5,5 miljoen bij nieuwe starters, oplopend tot £48,6 miljoen als het model op alle huidige gebruikers wordt toegepast.
  • VS: Een jaarlijkse besparing van $456,2 miljoen bij nieuwe starters, oplopend tot $1,8 miljard bij alle gebruikers.
• Kosteneffectiviteit: Het model is "dominant" (betere uitkomsten tegen lagere kosten). De implementatiekosten kunnen tot £50 per patiënt (VK) en $508 per patiënt (VS) bedragen en het model blijft kosteneffectief.

Significantie en Conclusie

Deze studie demonstreert dat AI-modellen, specifiek Transformer-architecturen die werken met longitudinale EHR-data, aanzienlijk superieur zijn aan traditionele klinische scores voor het risicomanagement van atriumfibrillatie.

• Dynamisch Risicomanagement: TRisk lost het probleem op van statische scores door een continue, dynamische evaluatie van het risico mogelijk te maken, wat beter aansluit bij de richtlijnen die periodieke herbeoordeling voorschrijven.
• Generaliseerbaarheid: Het succesvolle gebruik van transfer learning toont aan dat dergelijke modellen kunnen worden aangepast aan verschillende gezondheidszorgsystemen (VK vs. VS) en coderingsstandaarden met minimale herscholing.
• Economisch en Klinisch Voordeel: Door het verminderen van onnodige medicatievoorschriften (en daarmee bloedingen) terwijl de detectie van echte risico's behouden blijft, biedt TRisk een "dubbel dividend": het verbetert de patiëntveiligheid en levert aanzienlijke kostenbesparingen op voor de gezondheidszorgsystemen.

De auteurs concluderen dat de integratie van TRisk in de routinezorg de selectie van patiënten voor anticoagulantia kan verfijnen, wat leidt tot een meer gepersonaliseerde, veilige en kostenefficiënte zorg voor patiënten met niet-valvulair atriumfibrillatie.