Neuer Algorithmus sagt Mortalität und Hospitalisierung bei ICD-Trägern voraus

Mithilfe des neu entwickelten Machine-Learning-Algorithmus RF-SLAM lässt sich der klinische Verlauf von Patien­ten mit implantierbarem Kardioverter-Defibrillator (ICD) präzise bestimmen. Die genaue Vorhersage von Gesamtmortalität und Tod bzw. Herzinsuffizienz-bedingter Hospitalisierung (HFH) könnte klinische Entscheidungen verbessern.

RF-SLAM wurde von einer US-Studiengruppe zur Vorhersage der Gesamtmortalität und/oder der HF bei ICD-Patienten mit und ohne kardiale Resynchronisationstherapie (CRT) entwickelt und extern validiert. Dabei griffen die Forscher auf Variablen zurück, die den behandelnden Ärzten ohne weiteres zur Verfügung stehen. Zusätzlich identifizierten sie Schlüsselfaktoren, anhand derer Patienten entlang eines Risikokontinuums unterschieden werden können.

Sie verwendeten das Random-Forest-Verfahren für die Analyse von Überlebens-, Längsschnitt- und multivariaten Daten, um das 3-Monats- und 1-Jahres-Risiko für die Gesamtmortalität und ein zusammengesetztes Ergebnis von Tod/HFH während der ersten 5 Jahre nach ICD-Implantation vorherzusagen. Die Modelle trainierten sie anhand einer landesweiten Kohorte der Veterans Health Administration (n=12.043 Patienten; Alter 67,5±9,4 Jahre). Nacheinander wurden 3 Modelle getestet. Die externe Validierung erfolgte anhand eines separaten klinischen Registers für Nichtveteranen mit 1394 Patien­ten (Alter 66,3±11,9 Jahre).

Die mediane Nachbeobachtungszeit betrug 3,3 Jahre für die Trainingskohorte und 3,6 Jahre für die Validierungskohorte. Die genauesten Modelle für beide Studienout­comes beinhalteten demografische Grunddaten, die zum Zeitpunkt der ICD-Implantation eingegeben wurden (Alter, Geschlecht, CRT-Therapie), sowie zeitlich veränderliche ICD-Daten mit einer Fläche unter der Receiver-Operating-Characteristic-Kurve für die Vorhersage des Todes nach 3 Monaten (0,91; 95 %-KI 0,87–0,94) und 1 Jahr (0,80; 95 %-KI 0,78–0,82) bzw. Tod/HFH nach 3 Monaten (0,81; 95 %-KI 0,79–0,83) und 1 Jahr (0,71; 95 %-KI 0,70–0,72). Die Modelle zeigten eine hohe Diskriminierung und gute Kalibrierung in der Validierungskohorte. Darüber hinaus hatten zeitlich variierende physio­logische Daten von ICDs, insbesondere die tägliche körperliche Aktivität, eine erhebliche Bedeutung für die Vorhersage der Ergebnisse.

Die Autorengruppe um Lindsey Rosman weist darauf hin, dass prospektive Studien und randomisierte Versuche erforderlich sind, um die Leistung des Modells in anderen Bevölkerungsgruppen und Umgebungen zu bewerten und seine Auswirkungen auf die Patientenergebnisse zu bestimmen. (ah)

Autoren: Rosman L et al.
Korrespondenz: Lindsey Rosman; [email protected]
Studie: Machine Learning-Based Prediction of Death and Hospitalization in Patients With Implantable Cardioverter Defibrillators
Quelle: J Am Coll Cardiol 2025;85(1):42–55.
doi: 10.1016/j.jacc.2024.09.006