Rozwój nowoczesnych skal prognostycznych stanowi przełom w ocenie ryzyka u pacjentów ze wstrząsem kardiogennym. Te zaawansowane narzędzia, opracowane przy użyciu najnowszych metod analizy danych i sztucznej inteligencji, umożliwiają lekarzom bardziej precyzyjne przewidywanie rokowania i podejmowanie optymalnych decyzji terapeutycznych1. Przewidywanie śmiertelności u pacjentów w stanie krytycznym ze wstrząsem kardiogennym może ukierunkować proces selekcji i wyboru potencjalnie wysokiego ryzyka opcji leczenia1.
Skala BOS,MA2 – przełom w ocenie ryzyka
Skala BOS,MA2 została opracowana przy użyciu nowatorskiej metody uczenia maszynowego i największych kohort wstrząsu kardiogennego spośród opublikowanych modeli1. Jest to prosta, klinicznie interpretowalną skala ryzyka, która wykazuje poprawioną skuteczność w porównaniu z istniejącymi skalami ryzyka wstrząsu kardiogennego i lepszą kalibrację niż ogólne skale ryzyka oddziałów intensywnej terapii1. Skala BOS,MA2 może być szybko obliczona przy łóżku pacjenta jako lista kontrolna 6 obiektywnych zmiennych, które są często łatwo dostępne2.
Praktyczne zastosowanie skali BOS,MA2 czyni ją łatwą do zapamiętania i wdrożenia w sytuacjach wymagających podjęcia decyzji klinicznych2. Model skali BOS,MA2 przewyższa istniejące skale ryzyka śmiertelności wstrząsu kardiogennego i ogólnych oddziałów intensywnej terapii w przewidywaniu śmiertelności wśród pacjentów ze wstrząsem kardiogennym w kardiologicznym oddziale intensywnej terapii2. Lepsza kalibracja uzasadnia stosowanie skali BOS,MA2 zamiast ogólnych skal ryzyka śmiertelności oddziałów intensywnej terapii u pacjentów ze wstrząsem kardiogennym2.
Model prognostyczny Garcia-Alvareza
Model predykcyjny oparty na badaniu retrospektywnym Garcia-Alvareza i współpracowników obejmował kolejnych pacjentów z zawałem serca powikłanym wstrząsem kardiogennym od lipca 2001 do grudnia 2007 roku3. Badacze zebrali dane kliniczne, hemodynamiczne i echokardiograficzne, a następnie przeprowadzili analizę wieloczynnikową w oparciu o wcześniejsze dane dotyczące czynników wpływających na wstrząs kardiogenny3.
Wyniki analizy wykazały, że wiek powyżej 75 lat, zamknięcie lewej tętnicy wieńcowej, frakcja wyrzutowa lewej komory poniżej 25% oraz przepływ TIMI po przezskórnej interwencji wieńcowej są najważniejszymi czynnikami prognostycznymi3. Model ten wymaga jednak dalszej zewnętrznej weryfikacji klinicznej, a wraz z rozwojem omiki molekularnej i kliniczną potrzebą optymalnego leczenia wstrząsu kardiogennego, pilnie potrzebne jest ustanowienie modelu prognostycznego o wyższych wskaźnikach różnicowania i zgodności3.
Skala CSP (Cardiogenic Shock Prognosis)
Niedawno opublikowano nowatorską skalę ryzyka CSP (Cardiogenic Shock Prognosis), opartą na danych retrospektywnych od pacjentów zgłaszających się na oddział ratunkowy ze wstrząsem kardiogennym różnej etiologii4. Skala ta okazała się być wiarygodnym narzędziem predykcyjnym śmiertelności szpitalnej, jednak potrzebne są badania walidacji zewnętrznej4. Kilka skal oceny ryzyka pacjentów zostało zaproponowanych w celu wzmocnienia podejmowania decyzji przez lekarzy za pomocą narzędzi do prognozowania wyników i organizacji planu terapeutycznego4.
Klasyfikacja SCAI jako narzędzie prognostyczne
Klasyfikacja SCAI została zatwierdzona w dużej kohorcie nieselektywnych pacjentów kardiologicznej intensywnej terapii, wykazując silny związek między stadiami wstrząsu SCAI a śmiertelnością, nawet po uwzględnieniu znanych czynników predykcyjnych śmiertelności5. Klasyfikacja SCAI przewidziała również śmiertelność po wypisie ze szpitala poprzez analizę osób, które przeżyły hospitalizację z wyżej wymienionego badania6.
Pierwsze prospektywne badanie walidujące klasyfikację SCAI wykazało, że początkowe stadium SCAI było solidnym predyktorem przeżycia u pacjentów w stanie krytycznym6. Ciężkość wstrząsu może bezpośrednio korelować z wynikami krótkoterminowymi6, co czyni tę klasyfikację cennym narzędziem w codziennej praktyce klinicznej.
Rola sztucznej inteligencji w prognozowaniu
Wykorzystanie modeli uczenia maszynowego do wczesnego przewidywania wstrząsu kardiogennego reprezentuje obiecujący rozwój w kardiologii, wykorzystujący sztuczną inteligencję do poprawy precyzji diagnostycznej i ułatwienia proaktywnej opieki7. Integracja uczenia maszynowego w przepływy pracy kliniczne może wypełnić lukę między analizą danych a podejmowaniem decyzji, potencjalnie zmniejszając obciążenie pracą specjalistów medycznych i poprawiając wyniki pacjentów7.
Badania podkreślają znaczący potencjał sztucznej inteligencji, szczególnie modeli predykcyjnych uczenia maszynowego, do wczesnego przewidywania wstrząsu kardiogennego u pacjentów z zawałem serca lub niewydolnością serca7. Jednak potrzebne są dalsze wysokiej jakości randomizowane badania kliniczne w celu potwierdzenia tych ustaleń7.
Ograniczenia i potrzeby badawcze
Istniejące modele prognostyczne pilnie potrzebują dalszej zewnętrznej weryfikacji klinicznej8. Wraz z rozwojem omiki molekularnej i kliniczną potrzebą optymalnego leczenia wstrząsu kardiogennego, pilnie potrzebne jest ustanowienie modelu prognostycznego o wyższych wskaźnikach różnicowania i zgodności8. Celem przeglądu różnorodnych badań związanych z punktacją i zewnętrzną walidacją wstrząsu kardiogennego po zawale serca jest porównanie i dokonanie odpowiednich przewidywań8.
Wyzwaniem w zarządzaniu wstrząsem kardiogennym jest maksymalna indywidualizacja opieki, ponieważ strategia „jeden rozmiar dla wszystkich” zawiodła4. Różnorodność wyników u pacjentów ze wstrząsem kardiogennym może częściowo wynikać z różnic w ciężkości choroby1, co podkreśla znaczenie precyzyjnych narzędzi stratyfikacji ryzyka.
Praktyczne zastosowanie skal prognostycznych
Narzędzia do stratyfikacji pacjentów ze wstrząsem kardiogennym mogą dostarczyć ważnych informacji prognostycznych i ukierunkować odpowiednią selekcję oraz wybór terapii2. Skala ryzyka BOS,MA2 jest prostą, klinicznie interpretowalną skalą, która może ukierunkować podejmowanie decyzji klinicznych u pacjentów ze wstrząsem kardiogennym2. Te zaawansowane narzędzia prognostyczne umożliwiają lekarzom bardziej precyzyjne przewidywanie przebiegu choroby i optymalizację strategii terapeutycznych w oparciu o indywidualne ryzyko pacjenta.













