Predicción de tiempo en rango terapéutico para pacientes con fibrilación auricular no valvular (FANV) anticoagulados con antivitamina k (AVK)

Abstract

[ES] Introducción: La fibrilación auricular (FA) es la arritmia cardiaca más frecuente y está relacionada con eventos embólicos. La eficacia y seguridad de la anticoagulación con antivitamina K (AVK), entre ellos el acenocumarol, en la prevención del ictus depende del tiempo que el paciente se mantiene en rango terapéutico (TRT). Se han diseñado algunas escalas para predecir el comportamiento del TRT al inicio de la terapia. El objetivo de este trabajo fue evaluar la capacidad predictiva y discriminativa del score SAMe-TT2R2 en una población caucásica, así como investigar y comparar diferentes modelos predictivos de TRT al inicio de la anticoagulación como herramienta para decidir si acenocumarol es el tratamiento adecuado o hay que recurrir a anticoagulantes orales de acción directa. Material y métodos: Se ha realizado un estudio analítico de cohorte retrospectiva en 1000 pacientes con fibrilación auricular sin patología valvular (FANV) en tratamiento activo con acenocumarol entre 2007 y 2021 en el Consorcio Hospital General Universitario de Valencia (CHGUV), tras la previa recopilación y digitalización de 57 probables predictores de TRT. Se calculó el TRT durante los 6 meses siguientes al mes inicial de ajuste de dosis y se compararon distintos modelos predictivos de TRT, usando aproximaciones de regresión y clasificación (TRT: <60%, <65%, <70%), con la puntuación del score SAMe-TT2R2 . Tras el tratamiento de los datos (imputación de valores nulos, anómalos, sesgo, estandarización), se eliminaron 12 variables categóricas por su baja frecuencia en una de sus categorías, así como 13 variables por su alta correlación con otras. Se adoptaron 2 estrategias por lo que respecta a la selección de variables: Etapa 1 con las 32 restantes y el score SAMe-TT2R2 , y Etapa 2 con las 13 variables cuyas pruebas de significancia con el TRT mostraron un valor p ≤ 0.2. Ambas estrategias se utilizaron en el entrenamiento y test de los siguientes modelos de Machine Learning (ML): regresión lineal/logística, árboles de decisión, redes neuronales (Multilayer Perceptron: MLP), ensembles (Adaboost y Voting), Máquinas de Vectores de Soporte (SVM) y algoritmos de los K Vecinos más Cercanos (KNN). Finalmente, se realizó una validación independiente en 50 pacientes recogidos de forma posterior a la selección de los modelos óptimos en la fase de test. Resultados: Los resultados de los modelos de ML utilizando únicamente el score SAMe-TT2R2 fueron mejorados al introducir otras variables adicionales. En cuanto al problema de regresión, los mejores resultados se obtuvieron con los modelos MLP y regresión lineal al incluir las 6 variables con un valor p < 0.05 en las pruebas de significancia con el TRT, explicando un 3.5% y 4% respectivamente de la variabilidad de los datos y los únicos modelos con un R 2 ajustado positivo. Para el problema de clasificación, los modelos más equilibrados en referencia al f1 score, precisión y recall/sensibilidad (métricas entre 0.5 y 0.6) fueron KNN y regresión logística, incluyendo las variables de la Etapa 2 en la predicción de TRT<60%; además de tener una balanced accuracy y área bajo la curva de aproximadamente 0.6. Conclusiones: Este estudio ha evidenciado las limitaciones del score SAMe-TT2R2 como factor predictor del TRT y que los modelos de ML pueden ayudar a mejorar la calidad de la predicción si se les alimenta con las variables más relevantes. A pesar de ello, ninguno de los modelos de ML desarrollados en este trabajo han conseguido suficiente capacidad predictiva. Estos resultados pueden haber estado influenciados por el tipo de cohorte (retrospectiva), el número de pacientes, el tipo de variables así como la falta de homogeneidad en los diagnósticos clínicos a constar en historial electrónico. Por lo que sería necesario futuros estudios prospectivos incluyendo mayor número de pacientes y otro tipo de variables.

[EN Introduction: Atrial fibrillation (AF) is the most common cardiac arrhythmia and is associated with embolic events. The efficacy and safety of anticoagulation with antivitamin K (VKA), including acenocoumarol, in the prevention of stroke depends on the time the patient remains in therapeutic range (TRT). Some scales have been designed to predict the behavior of TRT at the start of therapy. The aim of this study was to evaluate the predictive and discriminative capacity of the SAMe-TT2R2 score in a Caucasian population, as well as to investigate and compare different predictive models of TRT at the start of anticoagulation as a tool to decide whether acenocoumarol is the appropriate treatment or whether direct-acting oral anticoagulants should be used. Material and methods: An analytical retrospective cohort study was performed in 1000 patients with atrial fibrillation without valvular pathology (NVAF) under active treatment with acenocoumarol between 2007 and 2021 at the Consorcio Hospital General Universitario de Valencia (CHGUV), after prior collection and digitization of 57 probable predictors of TRT. TRT was calculated during the 6 months following the initial month of dose adjustment and different predictive models of TRT were compared, using regression and classification approaches (TRT: <60%, <65%, <70%), with the SAMe-TT2R2 score. After data processing (imputation of null values, outliers, skew, standardization), 12 categorical variables were eliminated due to their low frequency in one of their categories, as well as 13 variables due to their high correlation with others. Two strategies were adopted with regard to variable selection: Stage 1 with the remaining 32 variables and the SAMe-TT2R2 score, and Stage 2 with the 13 variables whose significance tests with the TRT showed a p value ≤ 0.2. Both strategies were used in the training and testing of the following Machine Learning (ML) models: linear/logistic regression, decision trees, neural networks (Multilayer Perceptron: MLP), ensembles (Adaboost and Voting), Support Vector Machines (SVM) and K Nearest Neighbors (KNN) algorithms. Finally, an independent validation was performed on 50 patients collected after the selection of the optimal models in the test phase. Results: The results of the ML models using only the SAMe-TT2R2 score were improved by introducing additional variables. Regarding the regression problem, the best results were obtained with the MLP and linear regression models when including the 6 variables with a p-value < 0.05 in the significance tests with the TRT, explaining 3.5% and 4% respectively of the variability of the data and the only models with a positive adjusted R2. For the classification problem, the most balanced models in reference to f1 score, precision and recall/sensitivity (metrics between 0.5 and 0.6) were KNN and logistic regression, including the Stage 2 variables in the prediction of TRT<60%; in addition to having a balanced accuracy and area under the curve of approximately 0.6. Conclusions: This study has evidenced the limitations of the SAMe-TT2R2 score as a predictor of TRT and that ML models can help improve the quality of prediction if fed with the most relevant variables. Despite this, none of the ML models developed in this work have achieved sufficient predictive ability. These results may have been influenced by the type of cohort (retrospective), the number of patients, the type of variables as well as the lack of homogeneity in the clinical diagnoses to be recorded in the electronic history. Future prospective studies including a larger number of patients and other types of variables would be necessary.