Enhancing Stroke Prediction in Atrial Fibrillation: Integrating Polygenic Risk Scores with Artificial Intelligence-Guided Clinical Models

Abstract

배경: 심방세동은 허혈성 뇌졸중의 위험을 크게 증가시키며, 현재 사용되는 위험 계층화 모델인 CHA2DS2-VASc 점수체계는 정확한 예측에는 뚜렷한 한계가 있다. 본 연구는 다유전자 위험 점수(Polygenic Risk Score, PRS)와 나이 및 성별에 대한 인공지능(AI) 기반 분석을 결합하여 심방세동 환자의 뇌졸중 위험 예측을 개선하는 예측 모델을 개발하는 것을 목표로 하였다. 방법: 본 연구는 연세의대 세브란스병원에서 심방세동 절제술을 시행받은 환자 코호트(Yonsei AF Ablation Cohort)에 속한 3,190명의 심방세동 환자를 대상으로 했다. 환자들은 심방세동 절제술 전 조기 허혈성 뇌졸중 병력이 있는 320명의 환자와 뇌졸중 병력이 없는 2,870명의 대조군으로 나누어졌다. 우리는 유전체 연관 연구(GWAS)에 기반한 PRS를 개발하고 이를 심전도 데이터를 기반으로 한 나이 및 성별에 대한 AI 기반 분석과 결합했다. 통합된 모델의 허혈성 뇌졸중 병력 예측 성능은 CHA2DS2-VASc 점수(뇌졸중/TIA 구성 요소 제외)와 비교하여 로지스틱 회귀 분석 및 수신자 조작 특성 곡선(AUC) 지표를 사용해 평가했다. 결과: 다인종 심방세동 PRS와 AI 기반 나이 및 성별 예측을 결합한 통합 모델은 CHA2DS2-VASc 점수만 사용한 것보다 뇌졸중 위험 계층화에 있어 유의미한 개선을 보였다. PRS를 포함했을 때 AUC가 0.615에서 0.621로 증가했으며, AI 기반 분석을 추가했을 때 AUC는 0.632로 더 증가하였다. 다인종 심방세동 PRS와 AI 기반 CHA2DS2-VASc 위험 모델은 통계적으로 유의미한 개선(χ2 P<0.001)과 소폭의 판별력 향상을 보였다. 결론: PRS와 AI 기반 나이 및 성별 분석을 통합함으로써 심방세동 환자의 위험 계층화가 개선되었으며, 허혈성 뇌졸중의 고위험군을 더 정확하게 식별할 수 있게 되었다. 이러한 접근 방식은 조기 발견 모델을 향상시키며, 더 적극적인 예방 조치를 가능하게 할 것으로 기대된다.

Background: Atrial fibrillation (AF) significantly increases the risk of ischemic stroke, and current risk stratification models like CHA2DS2-VASc have limitations. This study aimed to develop a predictive model combining polygenic risk scores (PRS) with Artificial Intelligence (AI)-guided analysis of age and sex to improve stroke risk prediction in AF patients. Methods: We included 3,190 AF patients who undergoing AF catheter ablation (AFCA) from the Yonsei AF Ablation Cohort. Patients were categorized into two groups: 320 with a history of early ischemic stroke before AFCA, and 2,870 stroke-free controls. We developed a polygenic risk score (PRS) based on genome-wide association studies (GWAS) and combined it with AI-guided analysis of age and sex derived from ECG data. The predictive performance of the integrated model for the prediction of ischemic stroke history before AFCA was compared to the CHA2DS2-VASc score (excluding the stroke/TIA component) using logistic regression analysis and area under the receiver operating characteristic curve (AUC) metrics. Results: The integrated model, combining multi-ethnic AF PRS with AI-guided age and sex predictions, significantly improved stroke risk stratification compared to the CHA2DS2-VASc score alone. The inclusion of PRS increased the AUC from 0.615 to 0.621, while the addition of AI-guided analysis further increased the AUC to 0.632. The integrated multi-ethnic AF PRS and AI-guided CHA2DS2-VASc risk model showed a significantly improved statistical fit (χ2 P<0.001) and modestly improved discrimination. Conclusions: Integrating PRS with AI-guided analysis of age and sex improves risk stratification in AF patients, enabling more precise identification of individuals at higher risk for ischemic stroke. This approach enhances the early detection model, allowing for more proactive preventive measures.