Optimizing warfarin dosing for patients with atrial fibrillation using machine learning
Research article published in Scientific reports (2024)
Abstract
While novel oral anticoagulants are increasingly used to reduce risk of stroke in patients with atrial fibrillation, vitamin K antagonists such as warfarin continue to be used extensively for stroke prevention across the world. While effective in reducing the risk of strokes, the complex pharmacodynamics of warfarin make it difficult to use clinically, with many patients experiencing under- and/or over- anticoagulation. In this study we employed a novel implementation of deep reinforcement learning to provide clinical decision support to optimize time in therapeutic International Normalized Ratio (INR) range. We used a novel semi-Markov decision process formulation of the Batch-Constrained deep Q-learning algorithm to develop a reinforcement learning model to dynamically recommend optimal warfarin dosing to achieve INR of 2.0-3.0 for patients with atrial fibrillation. The model was developed using data from 22,502 patients in the warfarin treated groups of the pivotal randomized clinical trials of edoxaban (ENGAGE AF-TIMI 48), apixaban (ARISTOTLE) and rivaroxaban (ROCKET AF). The model was externally validated on data from 5730 warfarin-treated patients in a fourth trial of dabigatran (RE-LY) using multilevel regression models to estimate the relationship between center-level algorithm consistent dosing, time in therapeutic INR range (TTR), and a composite clinical outcome of stroke, systemic embolism or major hemorrhage. External validation showed a positive association between center-level algorithm-consistent dosing and TTR (R2 = 0.56). Each 10% increase in algorithm-consistent dosing at the center level independently predicted a 6.78% improvement in TTR (95% CI 6.29, 7.28; p < 0.001) and a 11% decrease in the composite clinical outcome (HR 0.89; 95% CI 0.81, 1.00; p = 0.015). These results were comparable to those of a rules-based clinical algorithm used for benchmarking, for which each 10% increase in algorithm-consistent dosing independently predicted a 6.10% increase in TTR (95% CI 5.67, 6.54, p < 0.001) and a 10% decrease in the composite outcome (HR 0.90; 95% CI 0.83, 0.98, p = 0.018). Our findings suggest that a deep reinforcement learning algorithm can optimize time in therapeutic range for patients taking warfarin. A digital clinical decision support system to promote algorithm-consistent warfarin dosing could optimize time in therapeutic range and improve clinical outcomes in atrial fibrillation globally.
Abstract aus PubMed (NCBI) für den zitierten Eintrag, in der Originalsprache wiedergegeben. Maßgeblich ist die Fassung der Originalpublikation.
Das Abstract wird nicht übersetzt, damit die eigene Wortwahl der Autoren erhalten bleibt.
Zusammenfassung
A deep reinforcement-learning model for warfarin dosing, trained on 22,502 atrial fibrillation patients from three DOAC trials, was externally validated on 5,730 RE-LY patients: center-level algorithm-consistent dosing was associated with improved time in therapeutic INR range and fewer composite clinical outcomes.
Warum dies für die Hirudotherapie relevant ist
Diese Studie entwickelte ein Deep-Reinforcement-Learning-Modell (einen Batch-Constrained-deep-Q-learning-Algorithmus) zur Empfehlung von warfarin-Dosen mit einem Ziel-INR von 2,0-3,0, trainiert an 22.502 mit warfarin behandelten Patienten aus den zulassungsrelevanten Studien zu edoxaban, apixaban und rivaroxaban und extern validiert an 5.730 warfarin-Patienten aus der dabigatran-RE-LY-Studie, wobei eine höhere zentrumsbezogene Adhärenz an die algorithmische Dosierung mit einer verbesserten Zeit im therapeutischen Bereich und einem niedrigeren kombinierten Endpunkt aus Schlaganfall, systemischer Embolie oder schwerer Blutung assoziiert war. Für ASH ist sie tangential: Es handelt sich um eine rechnergestützte Studie zur Dosisoptimierung eines Vitamin-K-Antagonisten, die am äußersten Rand der Antikoagulationslandschaft steht, die die historische Rolle des Blutegel-Sekretoms in der Antikoagulanzien-Wissenschaft kontextualisiert, ohne dass ein vom Blutegel abgeleitetes Mittel beteiligt ist. Die Vorbehalte sind, dass dies eine retrospektive Machine-Learning-Analyse von Studiendatensätzen ist und kein prospektiver randomisierter Test des Algorithmus in der Praxis (Assoziationen, kein Beweis, dass das Werkzeug bei Einsatz die Ergebnisse verbessert), und dass sie ausschließlich das warfarin-Management betrifft, völlig außerhalb der Hirudotherapie.
Verwandte Verbindungen im ASH-Register
Synthetische Arzneimittel, die zum Thema dieser Arbeit gehören. Sie wirken auf dieselben Zielstrukturen wie Moleküle aus dem Blutegel, sind jedoch nicht aus dem Blutegel gewonnen:
Zitation
Optimizing warfarin dosing for patients with atrial fibrillation using machine learning.
Petch et al. · Scientific reports, 2024
Verwandter klinischer Kontext
Erfahren Sie, wie diese Forschung mit der klinischen Praxis verknüpft ist
Verwandte Forschungsarbeiten
Weitere begutachtete Studien in der Kategorie „Arzneimittelentwicklung“.
- Novel Leech Antimicrobial Peptides — Hirunipins — Kumar et al. (2025)
- Medicinal Leech Draft Genome — Anticoagulant Gene Survey — Kvist S, Manzano-Marín A, de Carle D, Trontelj P, Siddall ME (2020)
- Auswirkungen der Hirudotherapie auf Leberfunktionen, Lipidprofil und Insulinsensitivität bei Ratten mit metabolischem Syndrom — Bilden A et al. (2026)
- Hirudotherapy in Medicine and Dentistry — Jha K et al. (2015)
- Medicinal leech therapy (hirudotherapy): a brief overview — Singh A (2010)
- HIRUDOTHERAPY IN PRESBYACUZIS PRAECOX IN CLEAN-UP WORKERS AFTER THE CHORNOBYL ACCIDENT DURING THE POST-CATASTROPHE YEARS — Zabolotnyi D, Mishchanchuk N (2019)
- Investigation of oxidant-antioxidant status in patients treated with hirudotherapy: an experimental study — Sarikan I, Savas H (2024)
- Leech therapeutic applications — Abdualkader A et al. (2013)
- Non-Occlusive Mesenteric Ischemia Due to Hirudotherapy: A Case Report — Akalın Ç, Ekmen N (2020)
- Leech therapy: a history — Hyson J (2005)
Zur ASH-Bibliothek hinzugefügt: 29. Mai 2026 · Letzte Aktualisierung der Website: 18. Juni 2026