Predire lo storm aritmico con il machine learning

Una percentuale compresa tra il 10% e il 25% dei pazienti con un defibrillatore impiantabile esperisce uno storm aritmico, definito come tre o più episodi di tachicardia ventricolare o fibrillazione ventricolare nell’arco di 24 ore. Poiché è stato dimostrato che eventi di questo tipo di associano a traumi psicologici, a una ridotta qualità della vita e a una maggiore mortalità, è fondamentale identificare i pazienti ad alto rischio. Di recente, uno studio pubblicato su Europace ha indagato la possibilità di predire episodi di storm aritmico applicando dei modelli statistici – di cui uno basato su meccanismi di machine learning – ai dati rilevati mediante monitoraggio remoto dei defibrillatori impiantabili (ICD).

Lo studio

Sono stati analizzati i dati relativi al monitoraggio remoto di 19.935 ICD Medtronic, di cui 5.522 CRT-D, impiantati negli Stati Uniti tra il 2005 e il 2016. Durante un periodo di monitoraggio medio di 1.206±575 giorni/paziente sono emersi 2.367 episodi di storm aritmico verificatisi in 1.410 pazienti. Col fine di predire tali episodi, i ricercatori hanno sviluppato due modelli statistici separati: uno basato su un modello di regressione logistica (LR) e uno su un modello a foreste casuali (RF), una tecnica di machine learning ampiamente utilizzata e affidabile. Sia il modello LR che quello RF sono risultati in grado di predire con un’accuratezza di 0.96 (P > 0,01) gli episodi di storm aritmico ma significativamente migliori rispetto alla semplice predizione che il paziente non avrebbe avuto uno stormo aritmico il giorno seguente (P < 0,01). Il modello RF è risultato associato a un AUC (l’area sottostante la curva ROC) significativamente maggiore di quello LR (0,80 vs 0,75; P < 0,01). A una specificità di 0,9, i modelli LR e RF hanno dimostrato una sensibilità pari rispettivamente a 0,53 e 0,61, mentre a una specificità di 0,99 questa sono risultate pari a 0,37 e 0,39. Le variabili più rilevanti nel predire gli episodi di storm aritmico sono risultate essere la percentuale di pacing e il ridotto livello di attività quotidiana, entrambe indicatori di peggioramento della salute cardiaca.

Conclusione

I risultati mostrano che, senza l’aggiunta di ulteriori informazioni cliniche, i dati provenienti dagli ICD permettono di predire l’occorrenza di uno storm aritmico con un giorno di anticipo. In particolare, il modello basato su meccanismi di machine learning ha ottenuto predizioni più accurate (AUC di 0,80) rispetto a uno basato su un modello di regressione logica (AUC di 0,75).

Bibliografia
Shakibfar S, Krause O, Lund-Andersen C, et al. Predicting electrical storms by remote monitoring of implantable cardioverter-defibrillator patients using machine learning. Europace 2019; 21: 268 – 274.