Background
Atrial fibrillation (AF) is the is the most common heart rhythm disorder, currently recognized as the 21st century cardiovascular disease epidemic, with an estimated life-time risk of up to 1 in 3 individuals above the age of 45 years.1,2 Among the most serious complications of this disorder is developing blood clots in the heart that can dislodge and cause stroke, with a 4- to 5-fold increased risk in these patients.1,3 Accurate prediction of developing future AF is important for early initiation of anticoagulant medications to prevent such devastating complications. Several risk scores have been developed for the prediction of AF using traditional statistical models, such as the C2HEST4 and CHARGE-AF5 scores, with modest performance in validation datasets (C-index 0.59-0.73). Additionally, some of these scores have been derived for restricted ethnicity groups. Recently, machine learning (ML) algorithms have been explored for this task and have shown improved predictive performance. One such study incorporated patient-reported, electronic health record (EHR), and cardiac MRI derived features, using a survival-based ML approach over a follow-up of five years, achieving a C-index of 0.78.6 Another ML model, FIND-AF, was derived in a UK primary care setting using routinely collected EHR variables for short term prediction of new onset AF at 6 months, with an ROC-AUC of 0.82.7 There is an ongoing need to develop accurate AF prediction models that are generalizable to patients routinely encountered across all clinical practice environments. Whether routinely reported ECG markers can improve prediction accuracy above conventional EHR variables is currently unknown.
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.