NEW ORLEANS — Kecerdasan buatan kausal (AI) dapat menerjemahkan skor poligenik (PGS) dan informasi genetik lainnya ke dalam strategi pengurangan risiko untuk penyakit arteri koroner (CAD) yang disesuaikan untuk setiap pasien, menurut analisis yang dipresentasikan pada sesi ilmiah gabungan dari American College of Cardiology dan Federasi Jantung Dunia.
Diuji untuk kolesterol LDL (LDL-C) dan tekanan darah sistolik (SBP), AI kausal menjelaskan seberapa besar masing-masing faktor risiko ini harus ditingkatkan pada tingkat masing-masing pasien “untuk mengatasi risiko bawaan secara keseluruhan,” lapor Brian Ference, MD, MPhil, direktur terapi translasi, University of Cambridge (Inggris).
Tidak seperti penilaian risiko “kotak hitam” yang umum untuk pembelajaran mesin, yang bergantung pada bentuk informasi yang berbeda dengan signifikansi relatif yang sering tidak diketahui, AI kausal menjelaskan sebab dan akibat. Dalam kasus CAD, kemampuannya untuk menyandikan penyebab biologis berarti bahwa ia dapat “memprediksi hasil dan menentukan tindakan spesifik untuk mengubah hasil tersebut,” jelas Dr. Ference.
Konsep ini dapat diuji terhadap biologi yang diamati menggunakan bukti acak, yang merupakan tujuan dari studi yang dipresentasikan Dr. Ference di sesi pemecah akhir.
AI kausal dilatih pada hampir 2 juta pasien
Studi ini menggunakan platform AI kausal yang dilatih pada sekitar 1,3 juta peserta dalam studi pengacakan Mendel, serta lebih dari 500.000 peserta dalam uji klinis acak. Perkiraan PGS tentang risiko bawaan dibangun dari hampir 4,1 juta varian dari studi asosiasi genomewide.
Untuk menguji kemampuan causal AI untuk mengungkapkan berapa banyak LDL-C atau SBP harus dikurangi untuk mengatasi risiko bawaan CAD berdasarkan PGS, itu diterapkan pada 445.765 peserta keturunan Eropa di Biobank Inggris. Tujuannya adalah untuk menentukan berapa banyak mereka yang memiliki risiko lebih besar dari rata-rata perlu menurunkan LDL-C atau SBP mereka untuk mencapai risiko CAD rata-rata.
Ketika divalidasi terhadap tingkat kejadian yang diamati, AI kausal secara akurat mengkarakterisasi risiko sebelum memperkirakan pengurangan LDL-C, SBP, atau keduanya apa yang akan mengurangi risiko tersebut.
Memberikan contoh, Dr. Ference menjelaskan bahwa PGS pada persentil ke-80 dapat diatasi dengan menurunkan LDL-C sebesar 14 mg/dL. Atau, risiko persentil ke-80 juga dapat diatasi dengan menurunkan LDL-C dan SBP secara bersamaan masing-masing sebesar 7 mg/dL dan 2,5 mm Hg.
Pengurangan faktor risiko yang diperlukan meningkat seiring bertambahnya usia karena peningkatan risiko kejadian. Misalnya, sementara penurunan LDL-C sebesar 14,8 mg/dL akan cukup untuk mengatasi risiko yang ditentukan oleh PGS pada persentil ke-80 pada usia 35 tahun, penurunan sebesar 18,2 mg/dL, 28,9 mg/dL, dan 42,6 mg/dL akan diperlukan, masing-masing, pada usia 45, 55, dan 65 tahun. Nilai naik sama untuk SBP.
Riwayat keluarga CAD menambahkan variabel independen yang selanjutnya berkontribusi pada kemampuan AI kausal untuk memperkirakan risiko dan tingkat pelemahan faktor risiko untuk mengatasi risiko.
Meskipun riwayat keluarga setara dengan memiliki PGS di atas persentil ke-95, itu adalah variabel independen dan tambahan, menurut Dr. Ference. Akibatnya, risiko CAD yang diwariskan bergantung pada keduanya.
Masih ketika riwayat keluarga diperhitungkan dalam analisis, “AI kausal secara akurat memperkirakan besarnya LDL-C yang lebih rendah, SBP, atau keduanya diperlukan untuk mengatasi risiko warisan secara keseluruhan di semua tingkat PGS yang lebih tinggi atau lebih rendah,” lapornya.
Menurut Dr. Ference, nilai AI kausal adalah dapat menghasilkan tujuan yang sangat spesifik untuk setiap pasien terkait faktor risiko yang dapat dimodifikasi. Efek kausal dari faktor risiko yang dikodekan dalam satuan waktu paparan memungkinkan pasien dan dokter untuk memahami biologi dan dasar beban penyakit.
Perawatan menjadi dapat dimengerti oleh pasien
“Pengkodean biologi menciptakan algoritme yang dapat dijelaskan secara mendalam karena mengungkapkan mengapa seseorang berisiko, bagaimana mengurangi risiko itu, dan seberapa banyak setiap orang akan mendapat manfaat dari tindakan spesifik untuk mengurangi risiko,” kata Dr. Ference.
Uji coba acak dunia nyata untuk mengonfirmasi bahwa informasi dari AI kausal dapat mengurangi risiko CAD diharapkan akan dimulai pada tahun 2023, tetapi Dr. Ference berpendapat bahwa AI kausal untuk mengelola risiko CAD, terlepas dari uji coba terencana ini, pada dasarnya tidak dapat dihindari . PGS, yang menurutnya akan dilakukan secara rutin pada semua individu dalam waktu 10 tahun, hanya cenderung meningkat. Dia meramalkan keuntungan besar dari bentuk obat yang dipersonalisasi ini.
mi Bhatt, MD, chief innovation officer untuk American College of Cardiology, Washington, setuju, melihat hubungan langsung antara kesehatan presisi sebagai jalan menuju peningkatan kesehatan populasi.
Dengan menjelaskan faktor risiko dalam hal mekanisme dan tujuan khusus untuk memperbaiki risiko ini, “melibatkan pasien kami dengan hak pilihan,” kata Dr. Bhatt. Dia menyarankan bahwa informasi yang diberikan oleh AI kausal memiliki potensi untuk memberdayakan pasien sambil menciptakan pendekatan kolaboratif dengan dokter untuk pencegahan CAD.
Dengan informasi khusus pasien yang diberikan dalam konteks biologi penyakit, “Anda meningkatkan rasa transparansi,” kata Dr. Bhatt.
Dia menyarankan arah penelitian ini sepenuhnya konsisten dengan inisiatif seperti dari Organisasi Kesehatan Dunia untuk meningkatkan pengobatan presisi sebagai langkah untuk membekali pasien untuk mengelola kesehatan mereka sendiri.
Ference melaporkan hubungan keuangan dengan Amgen, AstraZeneca, CiVi Pharma, Daiichi Sankyo, DalCOR, Esperion, Eli Lilly, Ionis Pharmaceuticals, KrKA, Perusahaan Obat, Merck, Mylan, Novo Nordisk, Novartis, dan Sanofi, dan Viatris. Dr. Bhatt melaporkan tidak ada potensi konflik kepentingan.
Artikel ini awalnya muncul di MDedge.com, bagian dari Medscape Professional Network.