個別化された治療効果を適用することにより、パーソナライズされた心血管疾患予防

大規模なランダム化臨床試験により、心血管疾患を予防するためのコレステロール低下、血圧低下、および抗血管療法の有効性が確立されています。臨床医の課題は、これらの試験からのグループレベルの証拠を個々の患者に適用することです。試験は通常、単一の治療効果の推定を報告します。これは、すべての参加者の平均効果であり、反応が悪く、中間に、そしてよく反応する患者を含みます。臨床医は、できれば患者に誘惑された治療の決定を下すことができます。したがって、個々の患者の治療に対する反応の推定値が必要です。まだ広く認識されていませんが、試験にはこのタイプの情報が含まれています。この論文では、多変数治療予測モデルを使用して、ランドマークトライアルから利用可能な情報を個々の「治療スコア」にどのように翻訳できるかを示します。これらのモデルは、ケアを受けている患者の複数の臨床特性の特定の組み合わせを考慮して、心血管イベントの絶対リスク低下の個別の推定値を提供します。この個別化された治療の推定値と、個々の数字の治療から治療までの数などのメトリックに基づいて、臨床医と患者は、薬物治療か、どの治療強度が価値があるかを決定できます。個人化されたベースで最大の利益と最小の害を予測できる人々の選択的治療は、単一の患者の特性に基づいたサブグループ分析によって現在達成可能なものを超える不必要な治療と医療コストの数を減らすことができます。

Large-scale randomized clinical trials have established the efficacy of cholesterol-lowering, blood pressure-lowering, and anti-platelet therapy to prevent cardiovascular diseases. A challenge for clinicians is to apply group-level evidence from these trials to individual patients. Trials typically report a single treatment effect estimate which is the average effect of all participants, comprising patients who respond poorly, intermediately, and well. Clinicians would preferably make patient-tailored treatment decisions. Therefore, one would require an estimate of an individual patient's response to therapy. Although not yet widely recognized, trials contain this type of information. In this paper, we show how available information from landmark trials can be translated to an individual 'treatment score' through the use of multivariable therapeutic prediction models. These models provide an individual estimate of the absolute risk reduction in cardiovascular events given the specific combination of multiple clinical characteristics of a patient under care. Based on this individualized treatment estimate and metrics such as the individual number-needed-to-treat, clinicians together with their patients can decide whether drug treatment or what treatment intensity is worthwhile. Selective treatment of those who can anticipate the greatest benefit and the least harm on an individualized basis could reduce the number of unnecessary treatments and healthcare costs beyond that currently achievable by subgroup analyses based on single patient characteristics.