Role umělé inteligence v optimalizaci farmakoterapie srdečního selhání
Pro léčbu srdečního selhání se používá velké množství různých typů léků. Dosud však není známo, kteří pacienti mají ze kterého typu léku největší prospěch. Tým lékařů Maastricht University Medical Centre (MUMC) z Nizozemska se pokusil tuto mezeru v guidelines pro srdeční selhání zaplnit pomocí umělé inteligence. Slibné výsledky odborné studie MUMC shrnul ve svém e‑posteru na ESC 2022 hlavní autor Hesam Amin.
Lékaři z MUMC představili model umělé inteligence, který dle dosavadních výsledků dokáže na základě mortality a rizika hospitalizace predikovat optimální režim léčby pacienta.
Randomizované multicentrické studie intenzivní versus standardní terapie se účastnilo celkem 620 starších pacientů s městnavým srdečním selháním (TIME‑CHF). Pacienti napříč různými skupinami byli rozdělení do tréninkové a testovací populace. Jejich výsledky pak lékaři hodnotili pevnou vícevrstvou kombinací různých modelů strojového učení umělé inteligence.
Autoři studie nejprve provedli segmentaci dle medikamentózní léčby (optimální/neoptimální), poté přistoupili k hodnocení obecným prognostickým modelem a modelem optimalizovaným pro pacienty s neoptimální medikací s cílem nalézt doporučení pro optimální léčbu. Po nalezení optimální medikace nakonec lékaři model zpětně validovali na testované populaci a prognózu pacientů založili na mortalitě a hospitalizaci během sledování po dobu až pěti let. Je však třeba vzít na vědomí, že terapeutické rady byly založeny na terapii srdečního selhání, která byla v té době dostupná. Tedy ACEI/ARB, BB, MRA a diuretika. Inhibitory ARNI/SGLT‑2 zahrnuty nebyly.
Třikrát nižší nutnost hospitalizace a úmrtnost
Z 620 pacientů bylo 59 procent mužů o průměrném věku 76,9 roku ± 7,6 roku. Medián doby, po kterou byli pacienti sledováni, byl 2,2 roku. Optimalizovaný model identifikoval proměnné potřebné pro vytvoření přesného doporučení medikace. Tyto proměnné zahrnovaly biomarkery, příznaky i individuální charakteristiky pacientů. Konkrétně šlo o věk, pohlaví, hmotnost, hsTnT, sST2, BNP, eGFR, feritin, lymfu, CYSC, močovinu, hsCRP, tP1NP, PQ, TAM, GDF15, Na, WAL, sFlt.
V první řadě sebraná data (viz graf) ukázala, že 68 procent (T0) pacientů nebylo v optimálním rozsahu terapie a jejich prognóza byla špatná. Ve sledovaném období se ale tato skupina pacientů snížila i přes ne zcela optimální medikaci na 36 procent (T18), tedy téměř na úroveň skupiny pacientů s dobrou prognózou (38 %).
Nakonec kontrola modelu predikce medikace ukázala, že úpravy terapie, které byly založeny na podkladě modelu umělé inteligence, by mohly významným způsobem snížit jak počet hospitalizací, tak i úmrtí. „U pacientů, kteří byli léčeni podle doporučení umělé inteligence, byla úmrtnost a míra hospitalizace třikrát nižší,“ prezentoval slibný výsledek studie Hesam Amin (viz tabulku).
Standardní versus přínosný
Nástroj umělé inteligence, který na letošním ESC 2022 prezentoval tým kardiologů z MUMC, se ukázal být u testovaných pacientů přínosným v predikci optimálního režimu medikace. Autoři proto vyjádřili přesvědčení, že umělá inteligence může být přínosná všude tam, kde nám chybějí znalosti a kde jsou v současné době pokyny pro léčbu srdečního selhání nejednoznačné. Studie také zvýraznila hypotézu, že standardní přístup k léčbě srdečního selhání není pokaždé přínosný pro všechny pacienty. Prezentovaná zjištění bude však ještě potřeba ověřit v nezávislé kohortě a prospektivně testovat. Zejména je třeba, aby další výzkum zahrnul i pacienty, kteří dostávali také inhibitory ARNI a SGLT‑2, jež do této studie nebyly zařazeny.