Neue KI-gestützte Risikoscores übertreffen AHA-Leitlinien bei Herzpatienten deutlich

Patienten, die bereits einen Herzinfarkt, Schlaganfall oder ein anderes atherosklerotisches kardiovaskuläres Ereignis erlitten haben, bleiben dauerhaft einem erhöhten Risiko ausgesetzt – ein Phänomen, das als „Residualrisiko" bezeichnet wird. Dennoch sind personalisierte Instrumente zur Quantifizierung dieses Risikos für die Sekundärprävention im Vergleich zu den zahlreichen Risikorechnern, die für Menschen ohne vorheriges kardiovaskuläres Ereignis verfügbar sind, bemerkenswert selten. Die AHA/ACC-Cholesterinleitlinien von 2018 bieten ein einfaches kategoriales System (durchschnittliches, hohes, sehr hohes Risiko) auf Basis von 10 Merkmalen, doch dieses Modell ist nicht geschlechtsspezifisch, liefert keine absoluten individualisierten Risikoschätzungen und hat in der Praxis nur begrenzte Verbreitung gefunden. Die vorliegende Arbeit zielte darauf ab, diese Lücke mithilfe moderner maschineller Lernverfahren anhand zweier großer, gut charakterisierter Kohorten zu schließen.

Die Entwicklungskohorte war die UK Biobank (UKB), eine prospektive Studie mit 502.359 Teilnehmern, die zwischen 2006 und 2010 an 22 britischen Zentren eingeschlossen und bis November 2021 nachverfolgt wurden. Nach Anwendung der Einschlusskriterien – ein früheres ASCVD-Ereignis, einschließlich Herzinfarkt, Schlaganfall, koronarer Herzkrankheit, peripherer arterieller Verschlusskrankheit, TIA oder Revaskularisierung – erfüllten 32.994 Teilnehmer die Voraussetzungen (Durchschnittsalter 61, SD 7; 35,5 % Frauen; 8,0 % kardiovaskuläre Todesfälle über 10 Jahre). Die Kohorte wurde im Verhältnis 70/30 in einen Entwicklungsdatensatz (n=23.095) und einen Holdout-Validierungsdatensatz (n=9.899) aufgeteilt. Die externe Validierung erfolgte in der Mass General Brigham (MGB)-EHR-Kohorte mit 54.969 Patienten (Durchschnittsalter 71, SD 9; 41,4 % Frauen; 12,6 % kardiovaskuläre Todesfälle; medianer Follow-up 9,4 Jahre). Die MGB-Kohorte war deutlich älter und kränker – mit einer Hypertonieprävalenz von 65 % gegenüber 48 % in der UKB –, was die externe Validierung zu einem aussagekräftigen Test der Generalisierbarkeit machte.

Zwei Modelle wurden aus Kandidatenpools mit 35 bzw. 79 Variablen entwickelt. RRS16 umfasste 16 algorithmisch ausgewählte Faktoren, die in beiden Kohorten verfügbar waren – darunter Alter, Geschlecht, systolischer Blutdruck, Nierenfunktion, Lipide, Diabetes, Rauchen, frühere ASCVD-Ereignistypen und Medikamenteneinnahme. RRS24 bezog zusätzlich selbstberichtete Gesundheitsbewertungen und erweiterte Biomarker ein, die in der UKB verfügbar waren (z. B. Lipoprotein(a), CRP, Hämoglobin). Die Variablenauswahl erfolgte mittels Elastic-Net-regularisierter Cox-Regression und eXtreme Gradient Boosting (XGBoost). Die Modelle wurden mit der AHA-Leitlinie von 2018, dem SMART-Score und mehreren trainierten Cox/XGBoost-Referenzmodellen verglichen. Die Kalibrierung wurde mithilfe des Greenwood-Nam-D'Agostino-Tests bewertet, und der klinische Nettonutzen wurde mittels Decision-Curve-Analyse quantifiziert.

RRS16 erzielte eine Harrell-C-Statistik von 0,752 (95 %-KI: 0,736–0,768) im UKB-Holdout-Datensatz und 0,750 (0,744–0,756) in der MGB – verglichen mit lediglich 0,658 bzw. 0,580 für das AHA-Leitlinienmodell in denselben Datensätzen. Dies entspricht einer absoluten Verbesserung der Diskriminierungsfähigkeit um ~0,09–0,17, einem klinisch bedeutsamen Gewinn. RRS24 erreichte 0,784 (0,768–0,800) in der UKB. Beide neuen Scores waren gut kalibriert (alle Greenwood-Nam-D'Agostino-P>0,1), d. h. die vorhergesagten Wahrscheinlichkeiten stimmten über alle Risikodezile hinweg präzise mit den beobachteten Ereignisraten überein. Die Decision-Curve-Analyse zeigte einen klinischen Nettonutzen über ein breites Spektrum von Behandlungsschwellenwerten. Subgruppenanalysen bestätigten eine konsistente Leistungsfähigkeit über Altersgruppen, Geschlechter und ethnische Kategorien hinweg, wobei die Autoren anmerken, dass die Bevölkerungsvielfalt in beiden Kohorten begrenzt war.

Die praktischen Implikationen sind erheblich. Ein interaktiver RRS16-Rechner ist frei online verfügbar (mora.bwh.harvard.edu/rrs16/) und ermöglicht Klinikern die Erstellung personalisierter absoluter Risikoschätzungen aus Routineklinikdaten – etwas, das das aktuelle kategoriale AHA-Modell nicht leisten kann. In der Sekundärprävention sollte das Wissen, ob ein Patient nach einem Herzinfarkt ein 10-Jahres-Risiko für einen kardiovaskulären Tod von 5 % oder 25 % aufweist, die gemeinsame Entscheidungsfindung hinsichtlich der Intensivierung der lipidsenkenden Therapie, der Thrombozytenaggregationshemmung und von Lebensstiländerungen maßgeblich beeinflussen. Die Autoren räumen ein, dass beide Kohorten überwiegend aus Weißen bestehen, was die Generalisierbarkeit auf diversere Bevölkerungsgruppen einschränkt, und dass die externe Validierung in Gruppen nicht-europäischer Abstammung ein vorrangiger nächster Schritt ist. Dennoch legt die Validierung in zwei Kohorten, die zwei Kontinente, zwei Gesundheitssysteme und nahezu 88.000 Patienten umfasst, ein robustes Fundament für die klinische Implementierung.