NordPerMed: PM-Heart - Precision Diagnostics and Predictions in Ischemic Heart Disease including Identification of Over-Treated Patients

Globalt er den ledende årsaken til tapte leveår iskemisk hjertesykdom (IHD). I EU er 13,2 millioner. pasienter diagnostisert med IHD, 700 000 i de nordiske landene. IHD forårsaker brystsmerter, hjerteinfarkt, redusert fysisk kapasitet og reduserer forventet levealder. IHD er ikke forårsaket av en enkelt mekanisme. Mange risikofaktorer og sykdomsmekanismer er kjent, men for å etablere presise subklassifiseringer og risikostratifisering av IHD må vi håndtere komplekse data. For tiden blir pasienter med IHD diagnostisert og behandlet ved bruk av standardregimer som skal passe for alle. Dette fører til ineffektiv, kostbar, og potensielt skadelig overbehandling av sykdommen. Samtidig blir ikke pasienter med særlig høy risiko identifisert og behandling ikke optimalisert. Målet med dette prosjektet har vært å utvikle og klinisk implementere persontilpasset medisin (PM) med det formålet å unngå unødig overbehandling så vel som underbehandling ved IHD. I dette nordiske tverrfaglige samarbeidet (Danmark, Norge, Island) har vi etablert og slått sammen store nordiske kohorter med godt beskrevne IHD-genotyper og -fenotyper, ved å kombinere eksisterende data samt rekruttere nye data, f.eks. fra elektroniske pasientjournaler (EPJ). Ekkokardiografidata fra en stor gruppe pasienter behandlet ved Oslo universitetssykehus (OUS) ble hentet ut og anonymisert, og maskinlæringsalgoritmer (ML) ble utviklet og trent på en sikker off-line plattform for automatisert å måle anatomiske og fysiologiske parametere i stor skala. Målet var å bruke de OUS-utviklede ML-algoritmene på en stor dansk ekkokardiografidatabase, men tekniske og regulatoriske problemer hindret prosjektet å nå dette målet før ansettelsesperioden for de aktuelle forskerne måtte avsluttes. Overordnet sett har formålet med prosjektet vært å skille mellom ulike undergrupper av IHD, og ut fra den dype fenotypiske karakteriseringen identifisere årsaken til IHD hos den enkelt pasient. Med bruk av en maskinlæringstilnærming har vi laget en klinisk integrerende IHD-algoritme, for å kunne estimere risikoen for fremtidige komplikasjoner hos den enkelte pasient. Datagrunnlaget vil rutinemessig oppdateres med kliniske data, supplert med data fra de nordiske nasjonale registre og biobanker. For studier av primær profylakse er muliti-omics-data hentet fra den prospektive, longitudinelle, norske HUNT-studien, som polygene risikoskårer for IHD, lipidbaserte metabolitter, proteinscan og LP(a)-analyser. Detter er biomarkørene som vil berike våre analyser og gi mer presise risikovurderinger og som kan replikeres og valideres i den danske kost-, kræft- og helbræd-studien. Ikke overraskende har tilgang til registerdata transnasjonalt vært forbundet med både tekniske og juridiske utfordringer, men etter hvert har vi alle de nødvendige data på plass for å fullføre analysene for studiedelen av primærprofylakse og har satt av ressurser til denne oppgaven i løpet av neste tre måneder. Alle tilleggsanalysene og detaljerte valideringen av IHD som en klinisk enhet, har banet vei for nye prosjekter og studier, og har også tiltrukket seg interesse fra industrien. Dette nordiske samarbeidet for bedre og mer målrettet diagnostikk og behandling av pasienter med IHD, er av betydelig verdi for pasienten, helsevesenet og samfunnet generelt og vil kunne redusere bruk av medisiner, antall sykehusinnleggelser og helseutgifter.

- The carefully built biomedical research infrastructure in Norway offers a number of unique features. They include long running population-based cohorts with extensive health information on a large number of participants, state-of-the-art biobank infrastructure facilitating comprehensive experiments in a short timeframe, high-quality and well-defined national and local disease registries to assess the biological impact of molecular discoveries, and expertise in epidemiology and health outcome. •We have all the required data in place to complete the analyses for the study part on primary prophylaxis and have set aside resources for this task within the next three months. - Echocardiography data from a large cohort of patient treated at Oslo University Hospital were extracted and anonymised, and a machine learning (ML) algorithms were developed and trained on a secure off-line platform in order to automatically measure anatomical and physiological parameters on a large scale. These have been important contributions to the automation of echo analysis using AI, in the early stages of this technology. - We have developed polygenic risk score for IHD and acquired additional omics data, e.g. lipid- based metabolites from 17 000 (the Nightingale platform), proteomics (Somascan) from 2200 (5700 in total), and LP(a)-analyses from approx. 25 000. These are biomarkers that will significantly enrich our analyses and the coming publications. - All the supplementary analyses and detailed validation of IHD as a clinical entity, has paved the way for new projects and studies, also attracting a clear interest from Industry.

Globally, the leading cause of years of life lost is ischemic heart disease (IHD). In the EU 13.2 mio. patients are diagnosed with IHD, 700,000 live in the Nordic countries. IHD causes chest pain, myocardial infarcts, reduced physical capacity and reduces life-expectance. IHD is not caused by a single mechanism but rather by a variety of different ones. Many risk factors and disease mechanisms are known, but we urgently need to manage complex data that can drive precise sub-classifications and risk stratification. At present, patients with IHD are generally diagnosed and treated using one-size-fits-all standard regimes. This leads to inefficient, costly, potentially harmful over-management. At the same time, patients with high risk are not identified and treatment not optimized. The objective is to develop and clinically implement personalized medicine (PM) with the dual purpose of avoiding both overtreatment as well as under-treatment in IHD. In this Nordic interdisciplinary collaboration, we intend to establish and merge large Nordic cohorts with well-described IHD genotypes and clinical expressions by combining existing and new data. The purpose is to differentiate between different subgroups of IHD, and from the better characterization identify each patient's cause of IHD. Using a machine learning approach, we will create a clinical integrative IHD algorithm, that will aggregate the available data and in each diagnostic subgroup estimate the risk for future complications in the individual patient. The data foundation will be routinely obtained clinical data, supplemented by data from the Nordic national registries and biobanks, This Nordic collaboration will target this patient group to cross-validate and benchmark the results in a new and unprecedented manner, a major value to the patient, the healthcare system and society in general, reducing use of medication, hospital visits and healthcare expenses.