Die hier präsentierte retrospektive Analyse von prospektiv gesammelten Daten aus der AS-Kohorte von sechs italienischen Rheumatologie-Einheiten wurde im November 2018 durchgeführt. Erstmalig wurden zudem aus der Literatur Leistung und Kalibrierung traditioneller CV-Prädiktoren mit dem neuartigen Paradigma des maschinellen Lernens (ML) verglichen. Als primärer Endpunkt wurde das erste CV-Ereignis definiert. Die Unterscheidungsfähigkeit der Algorithmen wurde unter Verwendung der Fläche unter der ROC-Kurve (ROC = Receiver Operating Characteristic) bewertet, die der Konkordanzstatistik (C-Statistik) entspricht. Zur Berechnung des CV-Risikos wurden drei ML-Techniken in Betracht gezogen: Support Vector Machine (SVM), Random Forest (RF) und k-next neighbour (KNN).
Es konnte demonstriert werden, dass C-reaktives Protein ein Schlüsselmerkmal für ein erhöhtes Risiko bei diesen Patienten sein kann und Algorithmen für maschinelles Lernen hilfreich für eine bessere kardiovaskuläre Beurteilung von Patienten mit ankylosierender Spondylitis sind.
Die vorliegende Studie trägt zu einem tieferen Verständnis des CV-Risikos bei AS bei, wobei ein besonderer Schwerpunkt auf CV-Risikoalgorithmen liegt. Allerdings gibt es einige Schwachpunkte bei dieser Untersuchung, die es künftig zu ändern gilt: Hauptbeschränkung dieser Studie war die Größe des Datensatzes. Basierend auf dieser vorläufigen Studie schlagen die Autoren vor, dass ein Datensatz von etwa 500 oder 1.000 Patienten (15 % CV-Ereignisse) ausreichen könnte, um das Training und die Validierung von soliden ML-Algorithmen zu ermöglichen, die für AS spezifisch sind.
Darüber hinaus war eine Reynolds-Risk-Score (RRS)-Berechnung nur bei 63 Patienten möglich, es wurden nur kaukasische italienische Patienten in die vorliegende Studie aufgenommen und es konnten keine Informationen über die mögliche Rolle der verschiedenen für AS zugelassenen Medikamente bei CVD abgeleitet werden. VW