• Atrial Fibrillation
• cardiology
• Clinical variables
• machine learning
• Symptoms

Back-ground: La fibrillazione atriale è una delle aritmie più diffuse ed ogni passo avanti nel suo studio e nella sua comprensione è auspicabile.
Metodi: A tale scopo, dal 01 marzo 2018 al 25 febbraio 2020 sono stati esaminati 570 pazienti in FA. Questi pazienti sono stati inclusi anche nel registro generale a lungo termine dell'EORP-AF (Programma di ricerca europeo) e FAMO (Fibrillazione Atriale Modena) studio osservazionale. Durante la prima visita, 456 (80%) di pazienti erano in FA e tutte le variabili cliniche sono state annotate e, successivamente, il carico dei sintomi dei pazienti è stato valutato dal punteggio EHRA alla prima visita e dopo un intervallo di follow-up di un anno. Sulla base dell'evoluzione della classe EHRA, i pazienti con FA sono stati quindi divisi in due gruppi in base alla risposta al trattamento al follow-up a 1 anno: rispettivamente Successes (S) e Failures (F). Una risposta positiva è stata definita come riduzione della classe EHRA  1 con classe EHRA a 1 anno <3 o classe EHRA 1 stabile, senza decesso prima della visita di follow-up di 1 anno. Per valutare se fosse presente una differenza significativa per ogni variabile (p <0,05) tra i pazienti S e F, dopo la statistica classica, è stata eseguita un'analisi di apprendimento automatico utilizzando il metodo MATLAB Classification Ensembles (MATLAB 2020a), per valutare l'importanza delle variabili di input complessivamente in relazione alla previsione di successo o fallimento per quanto riguarda il controllo dei sintomi.
Risultati: dopo il periodo di osservazione di 1 anno, lo studio ha evidenziato che 433 pazienti con AF (76%) avevano una riduzione del carico sintomatologico (gruppo S), mentre 137 (24%) no (gruppo F), con 237 (55% ) di pazienti del gruppo S e 120 (88%) del paziente del gruppo F in FA all’ ECG a 12 derivazioni alla visita di follow-up. Lo studio ha confermato una differenza significativa di molte variabili cliniche tra il gruppo S e il gruppo F. È interessante notare che sia il test Chi-square che il test U di Mann-Whitney, nonché l'analisi del machine learning hanno indicato le seguenti variabili significativamente associate ai pazienti del gruppo F: età avanzata (mediana F 77 anni, [69-84], p <0,001), eGFR basso (mediana F 63,35 mL / min, [23,6-29]; p <0,001), bassa Hb (mediana F 12,9 g / dL, [11,8-14,3]; p <0,001) e bassa sinistra Frazione di espulsione ventricolare [EF] (mediana F 50%, [40-57]; p <0,001). Inoltre, insufficienza cardiaca (35% di F pts; p <0,001), cardiomiopatia sottostante (9% di F pts; p <0,001), malattia renale cronica (23% di F pts; p <0,001) e malattia valvolare (62 % di F pts; p <0,001) è risultato essere i fattori associati più significativi nel gruppo F nonché un'elevata assunzione di alcol (assunzione di alcol> 8 bevande a settimana; 12% di F pts; p <0,029).
Conclusione e rilevanza: questo studio evidenzia con l'approccio innovativo del machine learning l'importanza delle variabili cliniche al base-line nel predire la risposta dei pazienti ai trattamenti / gestione della FA in termini di carico dei sintomi a 1 anno dalla prima valutazione clinica. Tra tutte le variabili, i risultati attuali evidenziano e confermano l'importanza fondamentale dei valori di eGFR nei pazienti con FA. In effetti, l'eGFR, che è un indicatore della funzione renale, è stato rilevato come una variabile fortemente associata alla sintomatologia e la sua riduzione è stata associata al peggioramento del carico dei sintomi a 1 anno. Alla luce di ciò, sembra ragionevole sostenere che ogni sforzo per proteggere e migliorare la funzione renale può comportare un beneficio significativo per i pazienti con FA in termini di sintomatologia e qualità della vita.

Background: Atrial fibrillation (AF) is one of the most widespread arrhythmias.Thus, it is appropriate and desirable every forward step in AF unveiling. Thus, the aim of this work is to evaluate the role of clinical variables in relation to AF patients’ symptoms burden evolution in one-year of follow up, to investigate which clinical variables are associated with symptoms poorer prognosis and may therefore help in stratifying AF patients according to their burden of symptoms evolution. In addition , once that the most important variables are detected, it is suggested how to manage them to improve burden of symptoms and, consequently, AF patients’ quality of life. Methods and Materials: For this purpose, 570 AF in as well out patients (pts) were examined from 01 March 2018 to 25 February 2020. These patients were also included in EORP-AF long term general registry (EURObservational Research Programme) and in FAMO (Fibrillazione Atriale Modena) observational studies. At first visit, 456 (80%) patients were in AF and all clinical variables were annotated and patients’ burden of symptoms was assessed by EHRA score. Thereafter, EHRA score was revaluated after 1 year of follow up to assess burden of symptoms evolution. On the base of EHRA class evolution, AF patients were then divided into two group according to response to treatment at 1 year follow up: Successes (S) and Failures (F), respectively. A successful response was defined as EHRA class decrease  1 with 1-year EHRA class <3 or stable EHRA 1 class, with no death before 1 year follow up visit. To assess if a significative difference was present for each variable (p <0.05) between S and F patients, after classical statistic, a machine learning analysis was executed by using MATLAB Classification Ensembles Method (MATLAB 2020a), to evaluate altogether input variables’ importance in relation to the prediction of success or failure with regard to symptoms control. Results: After the observational period of 1 year, the study highlighted that 433 AF patients (76%) had a decrease in symptomatology burden (S group), whereas 137 (24%) had not (F group), with 237 (55%) of S group patients and 120 (88%) of F group patient in AF at 12-leads ECG at follow-up visit. The study confirmed a significative difference of many clinical variables between S group and F group. Interestingly, both the the Chi-square test and the Mann-Whitney U test, as well as the machine learning analysis indicated the following variables as significantly associated with F group patients : advanced age (F median 77 years, [69-84], p <0.001), low eGFR (F median 63.35 mL/min, [23.6-29]; p<0.001), low Hb (F median 12.9 g/dL, [11.8-14.3]; p <0.001), and low Left Ventricular Ejection Fraction[EF] (F median 50%,[40-57]; p < 0.001). In addition, hearth failure (35% of F pts; p <0.001), underlying cardiomyopathy (9% of F pts; p <0.001), chronic kidney disease (23% of F pts; p <0.001) and valvular disease (62% of F pts; p <0.001) resulted to be the most significant associated factors in F group as well as high alcohol intake (alcohol intake > 8 drinks per week; 12% of F pts; p <0.029). Conclusion and relevance: This study highlights with the innovative approach of machine learning the importance of clinical variables at baseline in predicting the patients response to treatments/management of AF in terms of burden of symptoms at 1 year after the first clinical evaluation. Among all variables, the present results highlight and confirm the paramount importance of eGFR values in AF patients. In fact, eGFR, which is an indicator of renal function, was detected as a variable robustly associated with symptomatology a