La pericardite ricorrente (RP) è una malattia complessa ad elevata morbilità

Studi precedenti hanno valutato quali variabili sono associate alla remissione clinica

Tuttavia, attualmente non esistono modelli consolidati di stratificazione del rischio per prevedere gli esiti in questi pazienti

Sviluppato un modello di stratificazione del rischio che prevede esiti a lungo termine nei pazienti con RP ed è in grado di identificare i pazienti con caratteristiche predittive di esiti avversi

Sono stati studiati retrospettivamente un totale di 365 pazienti RP consecutivi dal 2012 al 2019

L'outcome primario era la risposta clinica (CR), definita come l'interruzione di tutti i trattamenti antinfiammatori e la completa risoluzione dei sintomi

Sono stati utilizzati cinque modelli di sopravvivenza basati sull’apprendimento automatico per calcolare la probabilità di CR entro 5 anni e classificare i pazienti in gruppi ad alto rischio, a rischio intermedio e a basso rischio

In questa coorte, l'età media era di 46±15 anni e 205 (56%) erano donne. 118 pazienti (32%) hanno raggiunto la CR

Il modello finale includeva la dipendenza dagli steroidi, il numero totale di recidive, l'aumento tardivo del gadolinio pericardico, l'età, l'eziologia, il sesso, la frazione di eiezione e la frequenza cardiaca come parametri più importanti

Il modello ha previsto l'esito con un indice C di 0,800 sul set di test e ha mostrato una capacità significativa di stratificare i pazienti in gruppi a rischio basso, intermedio e alto (log-rank test; P < 0,0001)

È stato sviluppato un nuovo modello di stratificazione del rischio per prevedere la CR nella RP.

Il nostro modello può anche aiutare a stratificare i pazienti con un elevato potere discriminatorio

L’utilizzo di modelli interpretabili di apprendimento automatico può aiutare i medici a prendere decisioni personalizzate sul trattamento dei pazienti con RP

Caratteristiche di base della coorte complessiva e dei gruppi di risultati

Confronta le prestazioni predittive di diversi modelli

Diagramma di flusso della ricerca che descrive il flusso di lavoro della ricerca

Interpretazione globale e importanza delle caratteristiche del modello Xgb

Interpretabilità globale dei modelli XGB e le 20 caratteristiche più influenti

Disegna il grafico delle dipendenze delle caratteristiche SHAP

L'impatto di alcune variabili continue sull'output del modello predittivo è mostrato in un grafico delle dipendenze SHAP

Modelli di rischio e valutazione dei modelli

Strategia di segmentazione dei dati

Curve di Kaplan-Meier per parametri specifici

Valutare la capacità del modello di stratificare in modo indipendente il rischio all'interno di sottogruppi di coorte attraverso analisi di sottogruppi basate su ciascuna variabile

Il modello dimostra solide prestazioni nella stratificazione del rischio dei sottogruppi della coorte, mostrando che i tassi di risposta clinica diminuiscono proporzionalmente all’aumentare del punteggio di rischio

Curve di Kaplan-Meier del training set e dei gruppi di punteggio del test set

Il modello dimostra una solida performance nella stratificazione del rischio dei sottogruppi della coorte

Grafico di calibrazione del modello finale nella coorte di test

Caratteristiche di base del set di addestramento e del set di test

Lo spazio iperparametrico del modello

Punteggi esportati dal modello finale dei rischi proporzionali di Cox

Caratteristiche di base dei gruppi a rischio

Incidenza cumulativa annuale di remissione clinica per stratificazione del rischio in 5 anni