Cardiovascular Risk Evaluation Fusion of Clinical Evidence and New Risk Factors

Abstract

De acordo com os registos da Organização Mundial de Saúde, as doenças cardiovasculares são responsáveis pelo maior número de mortes em todo o mundo. Ainda que a sua prevenção ocupe um papel fundamental na redução de casos, nomeadamente recorrendo a hábitos de vida saudáveis, a verdade é que o número de ocorrências tem vindo a aumentar.No campo das doenças cardiovasculares, a análise de riscos e a construção de modelos de risco são ferramentas úteis e habitualmente utilizadas em doentes com manifestações agudas, de maneira a auxiliar na previsão de uma série de fatores. O modelo GRACE, atualmente o mais utilizado em Portugal, é um dos modelos cientificamente aceites. Este modelo foi desenvolvido a partir de um registo internacional de doentes, baseado em dados de todos os espectros das doenças coronárias agudas. Ainda que muito usado, este modelo apresenta algumas limitações, nomeadamente devido à utilização de um número limitado de variáveis. O uso de informação mais detalhada sobre cada indivíduo poderia de alguma forma melhorar a performance deste modelo, nomeadamente recorrendo a informação sobre os marcadores de inflamação de cada doente. Pesquisas recentes sugerem uma associação entre a presença de marcadores de inflamação com a existência de um prognóstico mais delicado em manifestações agudas de doenças cardíacas.O trabalho desenvolvido tinha como objectivo inicial analisar se a existência de marcadores de inflamação teria algum valor preditivo, de maneira a melhorar o modelo GRACE, correntemente aceite. Considerando os resultados desta análise, o principal objectivo desta dissertação é desenvolver um novo modelo de risco utilizando métodos de inteligência computacional que combinem o conhecimento já existente a nível do modelo GRACE com novas informações de cada paciente no âmbito dos marcadores de inflamação, procurando melhorar o poder discriminativo do modelo já existente. De maneira a alcançar o objectivo mencionado, o nosso trabalho propõe uma abordagem inovadora, baseada em técnicas de machine learning, ao implementar um sistema que combine técnicas baseadas em conhecimento com técnicas baseadas em dados. Esta abordagem tem em conta dois dos principais pilares da área de Explainable AI: a interpretabilidade e a personalização do modelo, sem que a sua performance seja prejudicada.Este estudo foi realizado em parceria com o Centro Hospitalar e Universitário de Coimbra (CHUC), que nos forneceu o dataset utilizado para validar a estratégia desenvolvida.Por fim, a avaliação das estratégias desenvolvidas permite-nos concluir que um processo inflamatório tem de facto influência no desenvolvimento de um síndrome coronário agudo, e o modelo proposto ganha cerca de 4% ao nível da AUC, o que é considerado relevante em domínios clínicos baseados em tomadas de decisão.

According to the World Health Organization, cardiovascular diseases are the world’s leading cause of death. Although most of them can be prevented by addressing behavioural risk factors (like an unhealthy diet and obesity, smoking habits, physical inactivity, or the harmful use of alcohol), the number of occurrences tends to increase globally.In the cardiovascular diseases field, risk models are very useful tools to deal with patients who are sick, helping to predict the occurrence of some events. The GRACE model is one of the most clinical accepted models, developed from a registry with a population across all spectrum of Acute Coronary Syndrome with the premise of predicting events in a short-term period. Although the GRACE risk model is frequently adopted (in Portugal, it is the most used risk stratification method to assess patients with Acute Coronary Syndromes), it uses a limited range of variables to preserve simplicity. However, it is recognised by the clinical community that the use of more information, particularly from clinical records, can complement the performance of this risk score. Moreover, some recent research has suggested that an inflammatory process may be associated with a worse prognosis on adverse cardiac events.The first purpose of this work is to analyse if inflammation biomarkers can be applied to improve the already established GRACE score performance and, considering the obtained results, advance with our primary objective, which is the development of a new risk stratification tool. By using computational intelligence methodologies capable of combining data from the already accepted GRACE model with additional knowledge on patients inflammation biomarkers, we aim to improve GRACE discriminate power. To accomplish that, our work proposes an innovative machine learning-based approach by implementing a system that combines knowledge and data-driven techniques. This approach addresses simultaneously two of the central requirements of Explainable Artificial Intelligence: interpretability and personalisation, without impairing the model’s performance.Moreover, this study was performed in collaboration with the Centro Hospitalar e Uni- versitário de Coimbra (CHUC), which provided the clinical dataset used for our strategy validation.Lastly, the evaluation of the developed approach enables us to conclude that an inflammatory process can affect acute coronary syndrome outcomes and the proposed methodology gains 4% on the AUC performance when compared with GRACE Risk Score, which is considered relevant in clinical domains based on decision-support systems.