Nuovi Punteggi di Rischio Basati sull'IA Superano Nettamente le Linee Guida AHA per i Pazienti con Malattie Cardiache

I pazienti che hanno già subito un infarto, un ictus o un altro evento cardiovascolare aterosclerotico rimangono ad alto rischio continuativo — un fenomeno denominato "rischio residuo". Eppure gli strumenti personalizzati per quantificare tale rischio nella prevenzione secondaria sono notevolmente scarsi rispetto ai numerosi calcolatori di rischio disponibili per le persone che non hanno mai avuto un evento cardiovascolare. Le linee guida AHA/ACC 2018 sul colesterolo offrono un semplice sistema categorico (rischio medio, alto, molto alto) basato su 10 indicatori, ma questo modello non è specifico per sesso, non genera stime di rischio assoluto individualizzate e ha mostrato una limitata adozione nella pratica clinica. Questo studio ha cercato di colmare tale lacuna applicando il machine learning moderno su due ampie coorti ben caratterizzate.

La coorte di sviluppo era la UK Biobank (UKB), uno studio prospettico su 502.359 partecipanti arruolati in 22 centri britannici tra il 2006 e il 2010, con follow-up fino a novembre 2021. Dopo l'applicazione dei criteri di eleggibilità — un pregresso evento ASCVD comprendente infarto del miocardio, ictus, malattia coronarica, arteriopatia periferica, TIA o rivascolarizzazione — 32.994 partecipanti risultavano idonei (età media 61 anni, DS 7; 35,5% donne; 8,0% di decessi per cause cardiovascolari nell'arco di 10 anni). La coorte è stata suddivisa in rapporto 70/30 in un set di sviluppo (n=23.095) e un set di validazione holdout (n=9.899). La validazione esterna è stata condotta nella coorte EHR Mass General Brigham (MGB), composta da 54.969 pazienti (età media 71 anni, DS 9; 41,4% donne; 12,6% di decessi per cause cardiovascolari; follow-up mediano 9,4 anni). La coorte MGB era notevolmente più anziana e con maggiore comorbidità, con una prevalenza di ipertensione del 65% rispetto al 48% della UKB, rendendo la validazione esterna un test significativo di generalizzabilità.

Sono stati sviluppati due modelli a partire da pool di candidati rispettivamente di 35 e 79 variabili. RRS16 ha incorporato 16 fattori selezionati algoritmicamente e disponibili in entrambe le coorti — tra cui età, sesso, pressione arteriosa sistolica, funzionalità renale, lipidi, diabete, fumo, tipi di evento ASCVD pregresso e uso di farmaci. RRS24 ha incluso inoltre autovalutazioni dello stato di salute e biomarcatori estesi disponibili nella UKB (ad esempio, lipoproteina(a), CRP, emoglobina). La selezione delle variabili ha utilizzato la regressione di Cox con regolarizzazione elastic-net e eXtreme Gradient Boosting (XGBoost). I modelli sono stati confrontati con le linee guida AHA 2018, lo score SMART e diversi modelli benchmark addestrati Cox/XGBoost. La calibrazione è stata valutata tramite il test di Greenwood-Nam-D'Agostino, e il beneficio clinico netto è stato quantificato mediante analisi della curva decisionale.

RRS16 ha raggiunto un C-statistic di Harrell di 0,752 (IC 95%: 0,736–0,768) nel set holdout UKB e 0,750 (0,744–0,756) nella MGB — rispetto a soli 0,658 e 0,580 del modello delle linee guida AHA negli stessi dataset. Ciò rappresenta un miglioramento assoluto della discriminazione di circa 0,09–0,17, un guadagno clinicamente significativo. RRS24 ha raggiunto 0,784 (0,768–0,800) nella UKB. Entrambi i nuovi score erano ben calibrati (tutti i P del test di Greenwood-Nam-D'Agostino >0,1), il che significa che le probabilità predette corrispondevano accuratamente ai tassi di eventi osservati nei decili di rischio. L'analisi della curva decisionale ha dimostrato un beneficio clinico netto in un ampio intervallo di soglie di trattamento. Le analisi per sottogruppi hanno confermato una performance coerente tra fasce d'età, sesso e categorie di razza, sebbene lo studio rilevi che la diversità di popolazione era limitata in entrambe le coorti.

Le implicazioni pratiche sono significative. Un calcolatore interattivo RRS16 è liberamente disponibile online (mora.bwh.harvard.edu/rrs16/), consentendo ai clinici di generare stime di rischio assoluto personalizzate a partire da dati clinici di routine — qualcosa che l'attuale modello categorico AHA non è in grado di fornire. Per la prevenzione secondaria, sapere se un paziente post-infarto ha un rischio di mortalità cardiovascolare a 10 anni del 5% o del 25% dovrebbe influenzare in modo significativo il processo decisionale condiviso riguardo all'intensificazione della terapia ipolipemizzante, alle scelte antiaggreganti e agli interventi sullo stile di vita. Gli autori riconoscono che entrambe le coorti sono prevalentemente di etnia bianca, limitando la generalizzabilità a popolazioni più eterogenee, e che la validazione esterna in gruppi di ascendenza non europea rappresenta la priorità del passo successivo. Ciononostante, la validazione su due coorti che abbraccia due continenti, due sistemi sanitari e quasi 88.000 pazienti costituisce una solida base per l'adozione clinica.