Background. La stratificazione della prognosi dopo angioplastica percutanea (PCI) di biforcazioni coronariche è un'esigenza clinica insoddisfatta. L’intelligenza artificiale (ML) può costruire modelli di predizione accurati basati sull’individuazione di relazioni multidimensionali e non lineari. Abbiamo sviluppato un modello di ML di stratificazione del rischio basato su caratteristiche cliniche, anatomiche e procedurali per predire la mortalità da tutte le cause dopo PCI in una popolazione contemporanea di biforcazioni coronariche.
Metodi. Sono stati testati più modelli di ML per predire la mortalità da tutte le cause in una coorte contemporanea di 2.393 pazienti (derivazione, n=1.795; validazione interna, n=598) sottoposti a PCI di biforcazioni (registro RAIN). Tra le 38 variabili testate, 25 (13 correlate al paziente, 12 correlate alla lesione) sono state selezionate per addestrare i modelli. Il modello con le migliori prestazioni (il modello “RAIN-ML”) è stato validato in una coorte di validazione esterna di 1.701 pazienti sottoposti a PCI di biforcazioni provenienti dalle coorti dello studio DUTCH PEERS e dello studio BIORESORT. L'area sotto la curva per la predizione della mortalità a 2 anni è state dello 0.79 (95% CI 0.74-0.83) nella popolazione complessiva, 0.74 (0.62-0.85) nella coorte di validazione interna e 0.71 (0.62-0.79) nella coorte di validazione esterna. Le analisi di risk ranking e di k-center cross-validation hanno confermato la generalizzabilità dei modelli.
Conclusioni. Il modello predittivo RAIN-ML rappresenta il primo strumento che combina caratteristiche cliniche, anatomiche e procedurali per predire la mortalità da tutte le cause tra i pazienti sottoposti a PCI di biforcazioni coronariche, con una buona performance discriminativa.