Avaliação preditiva de sucesso de ablação de fibrilhação auricular : uma abordagem de data mining

Abstract

Introdução: A Fibrilhação Auricular é a arritmia mais frequente na prática clínica, mais frequente na população idosa e está associada a um aumento do risco de mortalidade global, de morte súbita e diminuição da qualidade de vida. O tratamento por ablação está indicado na gestão da doença, contudo e apesar de vários fatores de sucesso/insucesso já terem sido identificados, continua a apresentar uma taxa de sucesso entre os 50% e os 70%. O objetivo deste trabalho é através de algoritmos de aprendizagem automática, criar um modelo preditivo de recidiva de fibrilhação auricular após primeiro procedimento de ablação, que permita melhorar a previsão de sucesso/insucesso. Metodologia: Estudo retrospetivo de carácter preditivo, utilizando uma amostra de indivíduos submetidos a ablação de Fibrilhação Auricular por isolamento de veias pulmonares, num centro de aritmologia, entre 2011 e 2016 e com follow up mínimo de 1 ano. Foram obtidas e avaliadas um conjunto de variáveis da base de dados do serviço, foram realizadas tarefas de pré-processamento e transformação de dados, foram criados algoritmos de previsão, posteriormente avaliados, tendo-se escolhido o melhor. Resultados: Para a criação dos algoritmos de previsão foram utilizados dados de 437 doentes, com idades médias de 60,8 anos, sendo que 317 doentes com follow up médio de 25,3 meses não tiveram recidiva e 120 doentes com follow up médio de 16,1 meses (terminava quando recidiva era declarada) tiveram recidiva. Foram avaliadas a capacidade preditiva de cada variável e identificou-se o volume da aurícula esquerda e o tipo de fibrilhação auricular como variáveis com melhor capacidade preditora. Em termos dos algoritmos, o algoritmo Gradient tree boosting teve valores de accuracy e AUC de 0,687 e 0,665, tendo sido o algoritmo com melhor resultado. Considerações finais: Após os resultados do nosso melhor algoritmo e comparativamente com as taxas conhecidas de recidiva/sucesso do procedimento, não podemos considerar que este é mais eficaz que o conhecimento geral da doença e do seu procedimento.

Introduction: Atrial fibrillation is the most common arrhythmia of the clinical practice, is more frequent in the older population and is related with high rates of global mortality, sudden death and worst quality of life. The treatment with catheter ablation procedure is indicated in the management of the disease, however the success rates of the ablation are not very good. There are vary success indicators identified, however the success rate is still between 50% and 70%. The main goal of this work, is with the use of Machine Learning algorithms, create a predictive model for the relapse of atrial fibrillation after the first ablation, to improve the prediction of success/failure. Methods: It’s a retrospective study with predictive goal, that uses a sample of individuals that were submitted to atrial fibrillation catheter ablation by pulmonary veins isolation, in one specialized centre, between 2011 and 2016 and with a minimum of 1 year follow up. We use and evaluate variables from the centre database, then we pre-process and transform the data, so it could be used for the prediction algorithms. In the end those algorithms were evaluated, compared and we chose the best. Results: For the building of the prediction algorithms we used data from 437 patients, with average age of 60,8 years, 317 without relapse had an average follow up of 25,3 months, and 120 with relapse with an average follow up time of 16,1 months (time when the relapse was declared). We evaluated the predictive capability of each variable and we identified the left atrial volume and the type of atrial fibrillation as the best predicting variables. The best algorithm was the Gradient tree boosting, with accuracy and AUC of 0,687 and 0,665. Conclusion: After the results obtained from our best algorithm and comparing with the know success/relapse know data from the procedure, we can’t consider our algorithm better than the common knowledge of the disease or the procedure.