Modello di apprendimento automatico per prevedere la coronaropatia emodinamicamente significativa

I modelli di apprendimento automatico basati su dati demografici di routine, fattori clinici e dati di laboratorio possono essere utilizzati per prevedere la coronaropatia emodinamicamente significativa con un’accuratezza che si avvicina alle attuali modalità funzionali non invasive, secondo uno studio pubblicato sul Cardiovascular Digital Health Journal, e diretto da Yan Liu, della University of Texas at Austin, Austin, Texas, e della University of North Carolina at Chapel Hill.

“La coronaropatia (CAD) costa all’assistenza sanitaria miliardi di dollari all’anno ed è la principale causa di morte nonostante gli strumenti diagnostici non invasivi disponibili” affermano gli autori. “Il nostro studio mirava a esaminare l’utilità dell’apprendimento automatico nella previsione della coronaropatia emodinamicamente significativa utilizzando dati demografici di routine, fattori clinici e dati di laboratorio” proseguono gli esperti.

I pazienti sottoposti a cateterizzazione cardiaca tra il 17 marzo 2015 e il 15 luglio 2016 presso l’UNC Chapel Hill sono stati sottoposti a screening per comorbilità e fattori di rischio coronaropatia.

Sono stati quindi selezionati gli individui con un rischio di coronaropatia moderato (n = 185). L’angiografia coronarica invasiva e la previsione di coronaropatia con apprendimento automatico sono state eseguite in modo indipendente.

Una stenosi superiore al 70% o una riserva di flusso frazionario inferiore o uguale a 0,8 rappresentavano una malattia coronarica emodinamicamente significativa. È stato utilizzato un modello casuale che utilizzava dati demografici, comorbilità, fattori di rischio e di laboratorio per prevedere la gravità della coronaropatia, e l’accuratezza predittiva del modello casuale è stata valutata con l’area sotto la curva caratteristica operativa del ricevitore rispetto alle diagnosi finali effettuate mediante angiografia coronarica.

La coronaropatia emodinamicamente significativa è stata prevista dall’immissione di dati clinici con una sensibilità dell’81% e una specificità del 61% dal modello stabilito. Il modello di apprendimento automatico è stato in grado di prevedere eventi avversi cardiovascolari e renali (MACRE) a 90 giorni con una specificità del 44,61% e una sensibilità del 57,13%.

 Fonte: Cardiovasc Digit Health J. 2022 Mar 7;3(3):112-117. doi: 10.1016/j.cvdhj.2022.02.002. eCollection 2022 Jun.

https://www.sciencedirect.com/science/article/pii/S2666693622000226

IT-NON-07288-W-06/2024