《Frontiers in Cardiovascular Medicine》:Phenotyping of AMI patients using machine learning: integration of clinical, metabolic, and behavioral features to identify high-risk “frailty–inflammation” phenotype
编辑推荐:
专业术语翻译:摘要:背景:急性心肌梗死(AMI)患者的预后存在显著异质性,因此精确识别高危表型对于改善长期结局至关重要。研究人员采用机器学习技术,通过整合多维度数据来识别此类表型,并评估其与主要不良心血管事件(MACE)的关联。方法:研究自2023年3月至20
专业术语翻译:摘要:背景:急性心肌梗死(AMI)患者的预后存在显著异质性,因此精确识别高危表型对于改善长期结局至关重要。研究人员采用机器学习技术,通过整合多维度数据来识别此类表型,并评估其与主要不良心血管事件(MACE)的关联。方法:研究自2023年3月至2024年6月纳入来自哈尔滨医科大学附属第一医院的1,139例AMI患者,收集包括临床特征、代谢特征和行为模式在内的多维度数据。采用层次聚类算法进行表型分型,并通过Kaplan–Meier生存分析和多变量Cox回归模型评估所得表型与1年MACE的关联。基于XGBoost模型计算Shapley加性解释(SHAP)值,以量化各变量对聚类分配的贡献。结果:层次聚类识别出两种具有不同病理生理特征的临床表型。聚类2(n=243,21.3%)表现为高危“衰弱-炎症”表型,其特征为日常生活活动能力受损、跌倒和压疮风险升高、高敏C反应蛋白(hs-CRP)水平升高以及不良健康行为。与聚类1相比,聚类2患者的1年MACE风险更高(未校正HR=4.17;95% CI:3.237–5.371;P<0.001),全因死亡风险显著增加(HR=12.162;95% CI:7.445–19.868;P<0.001)。经最小充分混杂模型(M3,纳入17个预设混杂因素)校正后,聚类2归属仍与1年MACE风险增加显著相关(校正HR=2.726;95% CI 1.986–3.743;P<0.001)及全因死亡风险增加显著相关(校正HR=4.35;95% CI 2.393–7.905;P<0.001)。在多变量Cox回归分析中,聚类2归属被确定为MACE的独立预测因子。结论:利用机器学习整合多维度数据可识别AMI患者中的高危“衰弱-炎症”表型。该表型为风险分层提供了一个综合的生物学-功能-行为学框架,并可能支持早期精准临床干预以降低长期不良结局。然而,尽管具有潜在临床价值,当前证据尚不足以支持其在独立队列验证之前直接转化为常规临床实践。未来需开展多中心研究以证实该方法的稳健性和普适性,并前瞻性评估基于表型指导的干预策略能否改善长期结局。
论文解读文章:
急性心肌梗死(AMI)仍是全球重大公共卫生挑战,具有高发病率、高致残率和高死亡率。尽管经皮冠状动脉介入治疗(PCI)的进步降低了AMI患者住院死亡率,但其长期预后改善仍有限,一年内主要不良心血管事件(MACE)发生率高达14.3%。AMI人群存在显著异质性,是决定长期结局的关键因素。既往基于聚类的AMI表型研究多依赖传统统计方法,即便应用K均值或层次聚类等机器学习技术,分析变量也常局限于基线特征、实验室参数和手术变量,而忽视了身体功能状态(如衰弱)和健康相关行为(如与炎症相关的生活方式因素)等重要维度。这些未被充分探索的变量可能是结局异质性的关键决定因素,并有助于识别包括“衰弱-炎症”表型在内的高危表型。为此,研究人员开展了一项观察性队列研究,旨在整合AMI患者的多维度数据,应用层次凝聚聚类算法进行数据驱动的表型探索,识别高危“衰弱-炎症”表型,并评估其与1年临床结局的关联。
研究人员从哈尔滨医科大学附属第一医院连续筛选2023年3月1日至2024年6月28日期间因AMI入院且符合诊断标准的患者,最终纳入1,139例。根据《加强流行病学观察性研究报告(STROBE)》指南设计研究,并获得伦理委员会批准。数据收集涵盖社会人口学资料、临床特征与合并症、治疗策略、实验室及心功能参数、身体功能评估(采用改良巴氏指数(MBI)评估日常生活活动能力、Braden量表评估压疮风险、Morse跌倒量表评估跌倒风险、Padua量表评估静脉血栓栓塞风险)以及出院后健康行为。主要结局为出院后1年内MACE,定义为全因死亡、复发非致死性心肌梗死、因顽固性心绞痛或新发心力衰竭再入院以及缺血性或出血性卒中的复合终点,由两名不知晓聚类归属的心脏病专家独立裁定。研究人员采用层次凝聚聚类(HAC)算法(欧氏距离、Ward.D2连接法)对表型进行识别,并通过多种内部验证指标确定最优聚类数。随后进行Kaplan–Meier生存分析、多变量Cox回归、时间依赖性ROC分析、决策曲线分析(DCA)以及SHAP特征重要性分析。
研究采用的主要技术方法包括:基于层次凝聚聚类(HAC)的无监督机器学习方法,结合欧氏距离与Ward.D2连接法,并通过NbClust包多数投票、平均轮廓宽度、共识聚类和bootstrap稳定性评估确定最优聚类数;使用链式方程多重插补处理缺失数据,对低缺失率实验室参数采用均值插补,对临床重要变量采用多重插补;采用基于有向无环图(DAG)预设协变量的多变量Cox比例风险模型评估聚类归属与结局的关联,并通过Schoenfeld残差检验比例风险假设;使用XGBoost模型计算SHAP值以量化各变量对聚类分配的贡献;通过时间依赖性ROC、净重分类改善指数(NRI)和DCA评估聚类模型的增量预后价值。
研究结果显示,层次聚类确定了两个具有不同病理生理特征的临床表型。聚类1(n=896,78.7%)主要包含较年轻男性,以代谢异常但功能状态保留为特征,表现为较高的血红蛋白(HGB)、总胆固醇(TC)、甘油三酯(TG)、低密度脂蛋白胆固醇(LDL-C)和左心室射血分数(LVEF),以及较低的炎症标志物(如hs-CRP、降钙素原(PCT))和心力衰竭标志物(cTnI、BNP、NT-proBNP)水平,被视为低风险表型。聚类2(n=243,21.3%)表现为高危“衰弱-炎症”表型,其特征为年龄较大、女性比例较高、跌倒和压疮风险增加、体重指数(BMI)较低,以及炎症和心力衰竭标志物水平升高。基线比较显示,两组在社会人口学变量、临床特征、代谢变量、行为变量及治疗策略方面均存在显著差异。
预后分析方面,Kaplan–Meier曲线显示,除顽固性心绞痛(P=0.089)和卒中(P=0.999)外,聚类2的MACE、全因死亡、复发心肌梗死和新发心力衰竭累积发生率均显著高于聚类1(均P<0.001)。在三层嵌套Cox模型中,聚类2归属与1年MACE风险显著增加相关(未校正HR=4.17,95% CI 3.237–5.371;人口学校正HR=3.42,95% CI 2.600–4.502;最小充分混杂模型校正HR=2.726,95% CI 1.986–3.743),并在所有模型中保持显著。对于MACE的各个组成部分,聚类2与全因死亡(校正HR=4.350,95% CI 2.393–7.905)、复发心肌梗死(校正HR=4.232,95% CI 1.830–9.786)、顽固性心绞痛(校正HR=1.989,95% CI 1.137–3.479)风险升高相关,而新发心力衰竭的关联边缘不显著(校正HR=2.998,95% CI 0.975–9.219,P=0.055),卒中无显著差异。主Cox模型的校准分析显示,MACE的校准斜率为0.843,全因死亡为0.636,表明对高危亚组绝对风险存在一定高估趋势,但相对风险(HR)比较不受影响。增量价值评估显示,在Gensini评分分层分析中,聚类2在中危层(HR=3.852,95% CI 2.109–7.035)和高危层(HR=2.593,95% CI 1.497–4.491)均与MACE风险升高显著相关,交互作用不显著(P=0.068),提示表型分类提供了超越冠状动脉解剖严重程度的额外预后信息。按AMI类型(STEMI vs. NSTEMI)的分层分析显示,聚类2对1年MACE的影响方向一致,交互作用不显著,表明该“衰弱-炎症”高危表型及其预后关联适用于两种梗死类型。
在预测性能方面,基于聚类的分类对1年MACE预测的ROC曲线下面积(AUC)为0.708,对全因死亡预测的AUC为0.811,表明两聚类方案本身具有中等至良好的区分能力。SHAP分析显示,聚类1中最重要的六个变量为CK-MB、WBC、NT-proBNP、经常运动、心率和LVEF;聚类2中则为BNP、住院时间、年龄、hs-CRP、葡萄糖和BMI。基于各聚类前六位变量构建的预测模型经5折交叉验证后,聚类1的out-of-fold AUC为0.6076,聚类2为0.7078,提示聚类2的高危表型由更为同质的特征变量驱动。
讨论部分指出,该研究的主要创新在于弥补了既往AMI表型研究的局限:传统方法主要关注基线临床数据、实验室参数和手术变量,而该研究将临床特征、代谢特征和行为模式整合至基于机器学习的聚类框架中,从而更全面地识别高危表型。研究人员认为,聚类2的MACE风险升高可能与“衰弱-炎症-不良健康行为”三联征的协同作用有关,并提出三条潜在机制通路:身体衰弱与功能下降可能限制AMI后心肌修复并增加并发症易感性;持续促炎状态可能激活凝血系统、破坏内皮功能并加速斑块进展;不良健康行为可能加剧炎症状态并降低药物治疗效果。但研究人员强调,这些机制通路基于现有生物学证据提出,尚需前瞻性和机制性研究证实。研究局限性包括:观察性设计带来区域和人群选择偏倚;一年随访期不足以评估长期预后影响;聚类稳定性指标中等(clusterboot Jaccard系数为聚类1 0.623、聚类2 0.753,聚类2平均轮廓宽度为-0.097);缺乏外部验证;全因死亡分析的每变量事件数(EPV)约4.5,低于常规阈值,校准显示高危亚组绝对风险可能被高估;未探索潜在分子机制。
研究结论:利用层次凝聚聚类整合AMI患者多维度数据,识别出两种具有不同病理生理特征的临床表型。占队列21.3%的聚类2代表高危“衰弱-炎症”表型,与1年MACE和全因死亡风险增加相关,并被确定为AMI后不良预后的独立预测因子。该研究通过将临床、代谢、功能和行为维度纳入统一分析框架,弥补了既往表型研究局限性,为早期识别高危患者提供了更全面的基础,并可能为制定针对性干预策略提供参考。然而,这些发现虽有前景,但在独立队列验证之前尚不支持常规临床应用。未来研究应优先开展:多中心队列或公共数据库(如MIMIC-IV AMI亚组)的外部验证;前瞻性评估基于表型指导的分层干预能否改善结局;以及探索“衰弱-炎症”轴的生物学通路机制。