Machine Learning With Genetic and Clinical Data to Predict Ischemic Outcomes After PCI.

Le génotype CYP2C19 (allotypes de perte de fonction) est intégré à des modèles d'apprentissage automatique avec des variables cliniques pour prédire le risque ischémique.

Les événements ischémiques après angioplastie coronaire (PCI) sont rares mais graves, et les scores de risque par apprentissage automatique existants n'intègrent pas les données pharmacogénétiques. Les auteurs ont développé et validé en externe des modèles combinant données cliniques, démographiques et génotype CYP2C19 pour prédire un critère composite à 1 an (décès cardiovasculaire, infarctus, AVC, thrombose de stent), à partir de 8317 patients (essai TAILOR-PCI, n = 4572 ; registre Precision PCI, n = 3745). La sélection Boruta a retenu 11 prédicteurs ; la meilleure performance externe revenait à un SVM à noyau polynomial (AUC 0,667 ; sensibilité 0,871 ; spécificité 0,282), XGBoost offrant un profil plus équilibré (AUC 0,619). Ces modèles peuvent aider à identifier la petite fraction de patients à haut risque ischémique, la majorité pouvant désescalader la bithérapie antiplaquettaire pour réduire le risque hémorragique.

Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.

Intégrer le génotype CYP2C19, déterminant établi de la réponse au clopidogrel (recommandation CPIC de niveau A), à une stratification multimodale du risque est une direction pertinente pour individualiser l'intensité antiplaquettaire. Les performances externes restent toutefois modérées (AUC < 0,67) et l'événement rare limite la valeur prédictive positive. L'outil relève encore de la preuve de concept plutôt que du déploiement en routine.

Analyse par Dr Thibaut Benquey