Étude pharmacogénomique sur l’utilisation de la warfarine en pratique clinique réelle

Abstract

Contexte: Bien que plusieurs algorithmes pharmacogénétiques de prédiction de doses de warfarine aient été publiés, peu d’études ont comparé la validité de ces algorithmes en pratique clinique réelle. Objectif: Évaluer trois algorithmes pharmacogénomiques dans une population de patients qui initient un traitement à la warfarine et qui souffrent de fibrillation auriculaire ou de problèmes de valves cardiaques. Analyser la performance des algorithmes de Gage et al., de Michaud et al. ainsi que de l’IWPC quant à la prédiction de la dose de warfarine permettant d’atteindre l’INR thérapeutique. Méthodes: Un devis de cohorte rétrospectif fut utilisé afin d’évaluer la validité des algorithmes chez 605 patients ayant débuté une thérapie de warfarine à l’Institut de Cardiologie de Montréal. Le coefficient de corrélation de Pearson ainsi que l’erreur absolue moyenne ont été utilisés pour évaluer la précision des algorithmes. L’exactitude clinique des prédictions de doses fut évaluée en calculant le nombre de patients pour qui la dose prédite était sous-estimée, idéalement estimée ou surestimée. Enfin, la régression linéaire multiple a été utilisée pour évaluer la validité d’un modèle de prédiction de doses de warfarine obtenu en ajoutant de nouvelles covariables. Résultats : L’algorithme de Gage a obtenu la proportion de variation expliquée la plus élevée (R2 ajusté = 44 %) ainsi que la plus faible erreur absolue moyenne (MAE = 1.41 ± 0.06). De plus, la comparaison des proportions de patients ayant une dose prédite à moins de 20 % de la dose observée a confirmé que l’algorithme de Gage était également le plus performant. Conclusion : Le modèle publié par Gage en 2008 est l’algorithme pharmacogénétique le plus exact dans notre population pour prédire des doses thérapeutiques de warfarine.

Background: Although numerous genotype-based warfarin dosing algorithms have been published, there is little data comparing the predictive ability of these algorithms in real clinical practice. Objectives: Our goal was to evaluate the performance of pharmacogenetic algorithms in an unselected patient population initiating warfarin treatment for atrial fibrillation or valve disease in a real-world clinical setting. The principal objective of the analysis was to determine if Gage’s, Michaud’s, and IWPC algorithms could predict the dose achieving the therapeutic International normalized ratio (INR). Methods: Data from a retrospective cohort study of 605 patients initiating warfarin therapy at the Montreal Heart Institute was used. We compared the dose predicted by the algorithms to the dose achieving the therapeutic INR. Pearson’s correlation coefficient and mean absolute error (MAE) were used to evaluate the predictive accuracy of the algorithms. Clinical accuracy of the predictions was assessed by computing the proportion of patients in which the predicted dose was under-estimated, ideally estimated, or overestimated. Finally, we used multiple linear regression analysis to evaluate the accuracy of a predictive model obtained by adding additional covariables in predicting therapeutic warfarin doses. Results: The proportion of variation explained (adjusted R2) was the highest for Gage’s algorithm (R2 = 44 %) and the mean absolute error was the smallest for the predictions made by Gage’s algorithm (MAE = 1.41 ± 0.06). Moreover, when we compared the proportion of patients whose predicted doses are within ± 20 % of the observed stable dose, Gage’s algorithm also performed the best overall. Conclusion: The algorithm published by Gage et al. in 2008 is the most accurate pharmacogenetically based equation in predicting therapeutic warfarin dose in our study population.