Un nuovo strumento online chiamato INSIGHT offre un approccio basato sull’apprendimento automatico quando si prescrivono inibitori del cotrasportatore di sodio-glucosio-2 (SGLT2) per massimizzare i benefici per i pazienti con diabete di tipo 2.
Lo studio, guidato dal ricercatore di Yale Rohan Khera, MD, MS, appare il 4 febbraio sulla rivista Diabetes Care . Il primo autore dello studio è Yale Clinical Fellow, Evangelos Oikonomou, MD, DPhil, che lavora con Khera al CarDS Lab.
Le prove degli studi CANVAS e CREDENCE suggeriscono che gli inibitori SGLT2 come canagliflozin riducono il rischio di ospedalizzazione e morte per malattia cardiovascolare aterosclerotica (ASCVD) negli adulti con diabete di tipo 2. Tuttavia, le prescrizioni di canagliflozin sono costose e ampiamente sottoutilizzate.
Lo studio descrive un approccio individualizzato che affronta una domanda clinica comune per la gestione del rischio di ASCVD: quali pazienti con diabete di tipo 2 e un rischio elevato di malattie cardiovascolari hanno maggiori probabilità di trarre beneficio da canagliflozin? Gli algoritmi di INSIGHT utilizzano fenotipi di pazienti distinti come la durata del diabete di tipo 2, pressione sanguigna elevata o ipertensione, abitudine al fumo e livelli di colesterolo per identificare tali pazienti.
Piuttosto che fare affidamento su osservazioni o ipotesi, l’apprendimento automatico consente ai ricercatori di analizzare grandi quantità di dati clinici e scoprire schemi o indizi che altrimenti sarebbero stati trascurati. In questo caso, un approccio di apprendimento automatico aiuta a isolare le caratteristiche che meglio determinano gli effetti di canagliflozin per la riduzione del rischio CV. Lo studio rileva che è stato identificato un terzo dei pazienti che trarrebbero il massimo beneficio da questa terapia, il che potrebbe aiutare a studi di attuazione più mirati.
Gli autori hanno raccolto dati da oltre 10.000 pazienti utilizzando un progetto di scienza aperta noto come Progetto Open Data Access dell’Università di Yale. I risultati sono stati presentati per la prima volta al Northwestern Cardiovascular Cardiovascular Young Investigators’ Forum del 2021, dove Oikonomou ha ricevuto un premio per la sua presentazione, “A Machine Learning Approach to Individualize the Cardiovascular Benefits of Canagliflozin Based on Participant-level Analyses of the CANVAS Trials”.
Ulteriori informazioni: Evangelos K. Oikonomou et al, Phenomapping-Derived Tool to Individualize the Effect of Canagliflozin on Cardiovascular Risk in Type 2 Diabetes, Diabetes Care (2022). DOI: 10.2337/dc21-1765