W artykule opublikowanym niedawno w czasopiśmie Nature Medicine badacze omawiają nowatorski system wspomagania decyzji klinicznych oparty na modelach uczenia maszynowego (ML), służący do przewidywania prawdopodobieństwa wystąpienia zawału serca u danej osoby. System ten generuje punktację Collaboration for the Diagnosis and Evaluation of Acute Coronary Syndrome (CoDE-ACS), w której wykorzystano dane z populacji badania High-Sensitivity Troponin in the Evaluation of Patients with Suspected Acute Coronary Syndrome (High-STEACS). CoDE-ACS łączy stężenie troponiny sercowej przy prezentacji lub podczas seryjnych badań z cechami klinicznymi jako miarą ciągłą w celu obliczenia wyniku w zakresie od zera do 100. Wynik ten odzwierciedla prawdopodobieństwo wystąpienia u danej osoby ostrego zawału serca w późniejszym okresie. CoDE-ACS był trenowany oddzielnie, ale sekwencyjnie na kolejnych pacjentach z i bez uszkodzenia mięśnia sercowego w momencie prezentacji. Dla porównania badacze zastosowali konwencjonalne ścieżki diagnostyczne oparte na progach 99 percentyla troponiny sercowej I dla danej płci, które również wykluczały lub przewidywały prawdopodobieństwo wystąpienia zawału serca u danej osoby. Konwencjonalne testy troponin sercowych są bardzo czułe w diagnozowaniu ostrego zawału mięśnia sercowego u pacjentów z objawami. Zarówno krajowe, jak i międzynarodowe wytyczne dotyczące praktyki klinicznej zalecają stosowanie tych testów, jednak wiążą się one z pewnymi ograniczeniami. Na przykład, testy te wykorzystują stałe progi troponin dla wszystkich pacjentów, które są zmienne w zależności od wieku, chorób współistniejących i płci pacjenta. Ponadto testy te nie uwzględniają wyników elektrokardiogramu (EKG) ani czasu wystąpienia objawów. Żmudne jest również konsekwentne stosowanie określonych punktów czasowych do seryjnych testów na zatłoczonych szpitalnych oddziałach ratunkowych (SOR), co jest wymogiem podczas wykonywania tych testów. Ponadto 99. percentylowy próg diagnostyczny testów troponin sercowych jest niespójny w grupach wiekowych, płciowych i opartych na chorobach współistniejących. W obecnym badaniu badacze najpierw wytrenowali oparty na modelach ML system CoDE-ACS na danych kohorty pochodnej 10,038 pacjentów z możliwym zawałem serca. Średnia wieku badanej kohorty wynosiła 70 lat, z czego 48% stanowiły kobiety. Wszyscy pacjenci mieli orzeczony zawał serca typu 1, 4b lub 4c bez uniesienia odcinka ST podczas pierwszego przyjęcia do szpitala. Dwóch klinicystów niezależnie dokonało przeglądu wszystkich badań przeprowadzonych przez CoDE-ACS zgodnie z czwartą uniwersalną definicją zawału mięśnia sercowego. Trzeci recenzent rozstrzygał wszelkie zgłoszone rozbieżności między tymi dwoma klinicystami. Wydajność diagnostyczna na danych od 10 286 pacjentów została zewnętrznie zweryfikowana w siedmiu kohortach. Umożliwiło to badaczom porównanie tych danych z metodami diagnostycznymi stosowanymi obecnie w praktyce klinicznej w celu wyjaśnienia ich znaczenia klinicznego. W zewnętrznych systemach opieki zdrowotnej częstość występowania zawału mięśnia sercowego wahała się od 4% do 16%. U pacjentów bez uszkodzenia mięśnia sercowego przy prezentacji w porównaniu z tymi z uszkodzeniem mięśnia sercowego, wynik CoDE-ACS mniejszy niż trzy i 61 lub więcej spełniał wstępnie określone kryteria wydajności diagnostycznej, odpowiednio. Pacjenci bez historii uszkodzenia mięśnia sercowego mieli negatywną wartość predykcyjną 99,5 i czułość 90,2. Dla porównania, ci z historią zawału mięśnia sercowego mieli pozytywną wartość predykcyjną 80,1 i specyficzność 83,4. Wyniki CoDE-ACS były spójne we wszystkich podgrupach. CoDE-ACS skutecznie dyskryminował zawał serca, na co wskazuje wartość pola pod krzywą (AUC) równa 0,953. Ponadto CoDE-ACS zidentyfikował 61% pacjentów w momencie prezentacji jako osoby o niskim prawdopodobieństwie rozwoju zawału serca. Jest to porównywalne z 27% pacjentów zidentyfikowanych, gdy stosowano stałe progi troponin sercowych o porównywalnej negatywnej wartości predykcyjnej. Punktacja CoDE-ACS pozwoliła również badaczom zidentyfikować mniejszą liczbę pacjentów z wysokim prawdopodobieństwem rozwoju ostrego zawału serca o większej pozytywnej wartości predykcyjnej. Pacjenci z niskim prawdopodobieństwem zawału mięśnia sercowego mieli niskie ryzyko zgonu po wypisie ze szpitala. W związku z tym, mniej niż jedna na 300 osób doznała zgonu sercowego w ciągu roku od wystąpienia objawów. Pacjenci z pośrednim lub wysokim prawdopodobieństwem zawału mięśnia sercowego byli bardziej zagrożeni zgonem sercowym odpowiednio w ciągu 30 dni i roku od wystąpienia objawów. Ścieżka CoDE-ACS, nowatorski system wspomagania decyzji klinicznych oparty na modelach ML, zawierała informacje dotyczące czasu wykonania badania, seryjnych pomiarów stężenia troponiny sercowej w elastycznym punkcie czasowym oraz czasu od wystąpienia objawów. Obecne metody diagnostyczne wymagają, aby pacjent zgłosił się do pomiaru troponiny sercowej w ciągu trzech godzin od wystąpienia objawów po epizodzie niedokrwienia mięśnia sercowego. W porównaniu z tym CoDE-ACS wyklucza zawał serca, nawet u osób, które wcześnie zgłosiły się do szpitala, za pomocą pojedynczego badania troponiny sercowej, zmniejszając w ten sposób szkody wynikające z nieprzestrzegania czasu pomiaru. W tym badaniu CoDE-ACS wykluczył zawał serca u 71% pacjentów za pomocą pojedynczego testu. W konserwatywnym systemie opieki zdrowotnej niższy wynik CoDE-ACS mógłby zidentyfikować pacjentów z bardzo niskim prawdopodobieństwem zawału serca. Wskaźnik fałszywie ujemny tego systemu wynosi jeden na 500, co sugeruje, że mógłby on kierować klinicystów do wypisania prawie połowy pacjentów za pomocą jednego testu. Jednakże niższy wynik CoDE-ACS mógłby również zidentyfikować osoby z wyższym prawdopodobieństwem zawału serca, aby zmniejszyć odsetek pacjentów, którzy wymagają obserwacji i seryjnych badań w ramach ED. Tak więc, używając CoDE-ACS, klinicyści mogliby stworzyć optymalną ścieżkę przepływu pacjentów zgodnie z regionalnymi priorytetami klinicznymi. W przyszłości system ten mógłby zostać zintegrowany z 12-odprowadzeniowym elektrokardiogramem, kolejnym podejściem ML, w celu udoskonalenia wydajności i zmniejszenia odsetka pacjentów wymagających uwagi. Biorąc pod uwagę elastyczność CoDE-ACS, autorzy opowiadają się za jego przyjęciem w praktyce klinicznej w celu ograniczenia niepotrzebnych przyjęć do szpitala pacjentów, u których zawał mięśnia sercowego jest mało prawdopodobny. Co więcej, system ten może pozwolić klinicystom skupić się na osobach z wyższym ryzykiem zgonu sercowego.