Contexte
La fibrillation auriculaire (FA) est le trouble du rythme cardiaque le plus courant, actuellement reconnu comme épidémie de maladie cardiovasculaire du 21e siècle, avec un risque de vie estimé à 1 personne sur 3 âgée de plus de 45 ans.1,2 L’une des complications les plus graves de ce trouble est la formation de caillots sanguins dans le cœur qui peuvent se déloger et provoquer un accident vasculaire cérébral, avec un risque 4 à 5 fois plus élevé chez ces patients.1,3 Il est important de pouvoir prédire avec précision le développement d’une future FA afin de prescrire rapidement des médicaments anticoagulants pour prévenir ces complications dévastatrices. Plusieurs scores de risque ont été développés pour prédire la FA à l’aide de modèles statistiques traditionnels, tels que les scores C2HEST4 et CHARGE-AF5, dont les performances sont modestes sur les ensembles de données de validation (indice C de 0,59-0,73). Par ailleurs, certains de ces scores ont été dérivés pour des groupes ethniques restreints. Récemment, des algorithmes d’apprentissage automatique ont été étudiés pour cette tâche; ils présentent une performance prédictive améliorée. L’une de ces études a intégré les caractéristiques déclarées par les patients, les dossiers médicaux électroniques (DMÉ) et les caractéristiques dérivées de l’IRM cardiaque, en utilisant une approche d’apprentissage automatique basée sur la survie sur un suivi de cinq ans, atteignant un indice C de 0,78.6 Un autre modèle d’apprentissage automatique, FIND-AF, a été dérivé dans un contexte de soins primaires au Royaume-Uni en utilisant des variables de DMÉ collectées de manière routinière pour la prédiction à court terme de l’apparition d’une nouvelle FA à 6 mois, avec une aire sous la courbe CRP de 0,82.7 Il faut constamment développer des modèles précis de prédiction de la FA qui soient généralisables aux patients rencontrés régulièrement dans tous les environnements de pratique clinique. On ne sait pas encore si les marqueurs ECG couramment rapportés peuvent améliorer la précision de la prédiction par rapport aux variables DMÉ conventionnelles.
À l’aide d’une vaste banque de données synthétiques sur la santé des patients, comprenant des variables ECG à 12 dérivations et DMÉ saisies chez des patients souffrant de maladies cardiovasculaires suspectées ou connues dans le sud de l’Alberta, pouvez-vous développer un modèle de prédiction du risque capable de prédire avec précision l’apparition future d’une FA pour des patients individuels ?
Cohorte de l’étude : une cohorte synthétique d’environ 100 000 patients sans antécédents de FA et dont l’ECG de référence a été réalisé entre janvier 2010 et janvier 2023, suivi d’une période minimale de 12 mois. La FA/fibrillation actuelle ou antérieure sera exclue sur la base de l’ECG de base et de l’examen de la surveillance ECG ambulatoire continue antérieure (Holter), des codes ICD-10-CA ou des codes de procédure liés aux interventions sur la FA/fibrillation. Cet ensemble de données synthétiques a été généré par l’entraînement d’un sous-ensemble d’environ 100 000 patients identifiés au hasard dans le registre d’imagerie cardiovasculaire de Calgary (CIROC).
Résultat d’intérêt : Apparition d’une nouvelle FA ou d’une nouvelle fibrillation détectée par un ECG de suivi, une surveillance ECG ambulatoire continue (Holter), un code ICD-10-CA ou un code de procédure pour une intervention sur la FA/fibrillation.
Cohorte de l’étude : un sous-ensemble d’environ 100 000 patients du registre d’imagerie cardiovasculaire de Calgary (CIROC), identifiés de manière aléatoire, qui n’ont pas d’antécédents de FA et dont l’ECG de référence a été réalisé entre janvier 2010 et janvier 2023, suivi d’une période minimale de 12 mois. La FA/fibrillation actuelle ou antérieure sera exclue sur la base de l’ECG de base et de l’examen de la surveillance ECG ambulatoire continue antérieure (Holter), des codes ICD-10-CA ou des codes de procédure liés aux interventions sur la FA/fibrillation.
Caractéristiques : Les données démographiques de base de chaque patient seront fournies, y compris l’âge et le sexe à la naissance, suivies des comorbidités de base codées selon la CIM-10-CCA/CCI, des antécédents cardiaques et du codage des procédures cardiaques subies par chaque patient. Les variables relatives aux tests diagnostiques incluront les variables ECG de routine, la localisation du patient au moment de l’ECG de base (hospitalisé ou non), suivies d’une collection de variables relatives aux tests de laboratoire (sanguins) saisis au moment de chaque ECG. Le codage de tous les médicaments cardiaques activement prescrits au moment de l’ECG de référence sera également fourni. Veuillez consulter ce lien ssc2025_study01_datadic pour une liste complète des variables et des définitions.
Remarque : Les données vectorielles brutes des ECG ne sont pas mises à disposition pour cette étude.
Accès aux données :
Un accord de non-divulgation sera signé par toutes les équipes participantes, suivi d’une autorisation d’accès à l’ensemble des données hébergées dans un environnement en ligne sécurisé et protégé par un mot de passe. L’ensemble des données sera disponible le 15 janvier 2025.
References
- Kornej, Jelena, Börschel, Christin S., Benjamin, Emelia J. & Schnabel, Renate B. Epidemiology of Atrial Fibrillation in the 21st Century. Circ. Res. 127, 4–20 (2020).
- Linz, Dominik et al. Atrial fibrillation: epidemiology, screening and digital health. Lancet Reg. Heal. - Eur. 37, 100786 (2024).
- Healey, Jeff S. et al. Subclinical Atrial Fibrillation and the Risk of Stroke. N. Engl. J. Med. 366, 120–129 (2012).
- Li, Yan-Guang et al. A Simple Clinical Risk Score (C2HEST) for Predicting Incident Atrial Fibrillation in Asian Subjects: Derivation in 471,446 Chinese Subjects, With Internal Validation and External Application in 451,199 Korean Subjects. Chest 155, 510–518 (2019).
- Alonso, Alvaro et al. Simple Risk Model Predicts Incidence of Atrial Fibrillation in a Racially and Geographically Diverse Population: the CHARGE‐AF Consortium. J. Am. Heart Assoc. 2, (2013).
- Dykstra, Steven et al. Machine learning prediction of atrial fibrillation in cardiovascular patients using cardiac magnetic resonance and electronic health information. Front. Cardiovasc. Med. 9, (2022).
- Nadarajah, Ramesh et al. Prediction of short-term atrial fibrillation risk using primary care electronic health records. Heart 109, 1072–1079 (2023).
Remerciements
Cette étude de cas a été préparée par les Drs James White, Dina Labib et Jacqueline Flewitt, avec l'aide et les conseils du comité d'étude de cas de la Société statistique du Canada. Toute question ou préoccupation peut être adressée au président, le Dr Chel Hee Lee, par courriel à l'adresse suivante : chelhee.lee@ucalgary.ca.