《Prosthesis》:Precision Cardio-Oncology: A Multimodal Approach to Cancer Therapy-Related Cardiovascular Toxicity Prediction and Assessment
癌症治疗相关心血管毒性(cancer therapy-related cardiovascular toxicity,CTR-CVT)与发病率、死亡率和癌症治疗中断相关。当前心脏肿瘤学临床评估工具通常依赖有限范围的临床数据;然而,在精准医学时代,利用多模态数据(包括影像学和多组学输入)可能实现对CTR-CVT预测与评估的个体化。本综述探讨CTR-CVT的基因型与表型预测因子,以及支持将其纳入多模态风险模型的证据。多数研究聚焦于癌症治疗相关心功能不全(cancer therapy-related cardiac dysfunction,CTRCD)。研究人员发现,多模态影像引导预测具有强证据基础,尤其是心血管磁共振(cardiovascular magnetic resonance,CMR)及经胸超声心动图(transthoracic echocardiography,TTE)衍生的整体纵向应变测量。新兴证据也支持新型影像参数的价值,包括计算机断层扫描(computed tomography,CT)和TTE衍生的影像组学特征。从基因组学和蛋白质组学角度看,截短型肌联蛋白变异和microRNA-126可能是癌症治疗相关心功能不全(CTRCD)的信息性预测因子。同时,文献也强调了CTR-CVT潜在的表观基因组标志物。最后,研究人员探讨了如何将这些多样化数据整合到多模态风险模型中,以及数字创新和先进机器学习方法如何进一步提高模型预测性能。然而,仍存在较大的实施差距,数据隐私和缺乏外部验证研究等挑战阻碍了常规临床实施。
1. 引言
癌症治疗相关心血管毒性(CTR-CVT)因其相关发病率、死亡率以及可能中断挽救生命的癌症治疗,需要早期识别。CTR-CVT涵盖癌症治疗相关心功能不全(CTRCD)以及其他可能在癌症治疗开始后不久或数十年后出现的毒性。大量研究致力于设计预测、评估和风险分层CTR-CVT的方法,以促进一级预防和心血管监测,涵盖治疗期间及晚期效应阶段。现有CTR-CVT多变量风险预测模型采用临床实践中易于获得的预测变量,如合并症状态和人口统计学信息,但其判别能力不一。整合多种个体特异性预测因子(如遗传学和影像学数据)以及综合性分子评估数据(多组学)的基因型–表型整合多模态方法,可能进一步提高预测精度,尤其是在人工智能(AI)应用不断扩展的背景下。这种个性化的CTR-CVT精准预测旨在推动心脏肿瘤学从静态、标准化监测转向动态、个体化的预防、监测和治疗。
2. 表型方法:多模态影像
越来越多的证据支持多模态影像在预测和评估CTR-CVT(包括但不限于CTRCD)中的作用。
2.1. 计算机断层扫描
心脏计算机断层扫描(CT),包括冠状动脉CT血管造影(CCTA),在CTR-CVT预测中具有一定作用。大型队列研究已充分确立冠状动脉钙化(CAC)积分和CCTA对冠状动脉疾病(CAD)的预测价值。近年来,这些方法已被研究用于与癌症治疗相关的CAD。此外,越来越多的证据表明,治疗前CAC可预测蒽环类药物诱导的CTRCD和主要不良心血管事件,但尚未在常规临床实践中实施。CAC积分也可从非门控胸部CT扫描中获得,这凸显了在常规癌症评估和分期中进行机会性CTR-CVT风险分层的潜力。其他研究提示,基线CT衍生的血流储备分数和CT测量的门脉期心肌细胞外容积可能是接受蒽环类药物治疗的乳腺癌患者后续发生CTRCD的新型预测因子。早期实验数据也表明,纳入CT影像组学特征的预测模型可能有用,尤其是基于灰度游程矩阵的模型。
2.2. 心血管磁共振
心血管磁共振(CMR)是评估心脏功能和心肌组织的金标准无创方法,使其在CTR-CVT预测和评估中发挥重要作用。与超声心动图衍生的整体纵向应变(GLS)一致,证据支持CMR衍生的GLS作为CTRCD的早期标志物。关于CMR组织生物标志物(包括晚期钆增强,LGE)预测CTRCD的作用,文献结论不一:部分研究发现其无作用或作用有限,另一些研究则发现其作用较强。基线时正常心肌节段百分比(通过 circumferential 和 longitudinal strain 评估)可能是另一个潜在的CMR衍生预测因子,一项研究报告其预测症状性CTRCD的曲线下面积(AUC)为0.76。CMR影像组学特征在CTR-CVT领域也相对未得到充分探索。
2.3. 超声心动图
超声心动图是CTRCD评估和监测的基石。正如国际指南所反映的,在所有广泛使用的临床超声心动图参数中,左心室GLS对LVEF下降的早期预测具有最 robust 的证据基础。然而,评估GLS指导的心脏保护治疗启动策略的临床试验总体上未显示其优于LVEF指导策略。其他超声心动图衍生的CTR-CVT早期标志物包括右心室应变测量和容积测量。三维超声心动图还提供化疗期间脉搏波速度增加和纵向应变降低作为CTRCD的潜在早期标志物。一项近期研究提示,在对早期乳腺癌女性进行超声心动图监测时,联合个体参数(如3D LVEF、2D GLS和2D整体 circumferential strain)可进一步改善CTRCD的早期诊断。最后,一项近期研究提示,由化疗前超声心动图影像组学输入特征组成的机器学习模型可能在CTRCD预测中发挥作用。
2.4. 核素影像
核素影像技术,包括正电子发射断层扫描(PET)和多门控采集(MUGA),可能对CTR-CVT预测有用。单光子发射计算机断层扫描(SPECT)在心肌灌注显像和缺血性评估中具有既定作用,可应用于心脏肿瘤学领域。传统上,MUGA用于诊断CTRCD。然而,超声心动图和CMR已取代MUGA,因为近期研究强调MUGA对CTRCD诊断的敏感性差,且与超声和CMR参考相比,MUGA获得的LVEF测量准确性较差,尤其是在左心室舒张末期容积指数较小的个体中。因此,仅在无法进行CMR或超声心动图高质量成像或存在禁忌时,MUGA仍然有用。
一些研究表明,以标准化摄取值(SUV)量化的氟代脱氧葡萄糖F18(
18F-FDG)摄取可预测CTR-CVT。例如,Bauckneht及其同事将癌症治疗前左心室(LV)低SUV作为多柔比星治疗霍奇金淋巴瘤后心脏异常(包括LVEF下降和舒张功能障碍)的预测标志物。然而,该研究受限于仅36名参与者和2例LVEF下降,限制了可推断的结论。较大型研究也发现了类似阳性结果,包括一项近期研究,在366例淋巴瘤患者队列中发现CTR-CVT与蒽环类药物治疗后
18F-FDG摄取模式异常变化相关。但需注意,这是一项单中心研究,且异常
18F-FDG摄取模式变化包括起初正常而后在六个化疗周期后变为异常的情况。目前尚不清楚异常
18F-FDG摄取是否足够早地发生以允许启动预后性心脏保护治疗,尤其是另一项研究发现SUV仅在两个蒽环类药物周期后对治疗结束时的LVEF具有预测能力。综合来看,这些发现提示PET-CT
18F-FDG摄取测量可能更适用于识别早期亚临床CTRCD,而非在癌症治疗开始前预测心血管毒性。然而,这需要进一步研究,因为一项前瞻性多中心研究发现,通过GLS下降诊断的亚临床CTRCD与蒽环类化疗前、中、后测量的SUV之间无关联。
3. 基因型方法
3.1. 基因组学
研究人员已使用候选基因分析和全基因组关联研究(GWAS)来探索CTR-CVT的遗传标志物。Chaix等人确定了31个基因,在发生CTRCD的儿童癌症幸存者中,这些基因的罕见变异负荷低于未发生者。在大多数情况下,罕见变异为错义变异,其中两例中,相关基因通路(ZNF827和PI3KR2)的体外抑制可保护免受多柔比星介导的心脏毒性。相反,大量证据将肌联蛋白(TTN)高负担罕见截短变异与癌症治疗诱导的心肌病(CCM)相关联。例如,一项研究发现CCM患者中TTN截短变异患病率为7.5%,而健康志愿者为0.7%,未选择的乳腺癌队列为0.9%。TTN截短变异也涉及家族性和特发性扩张型心肌病(DCM)。其他工作聚焦于其他DCM基因,如肌钙蛋白I相互作用激酶(TNNI3K)和兰尼碱受体2(RYR2),Mahmoud等人显示蒽环类药物治疗后发生CTRCD的患者中这两个基因表达增加,而未发生者则无此现象。另一项研究发现,已知特发性和家族性DCM基因(包括RYR2和核纤层蛋白A/C(LMNA))中的罕见错义变异与蒽环类药物诱导的CTRCD相关,但与曲妥珠单抗诱导的CTRCD无关。这些发现有三方面意义:首先,提示罕见遗传变异可对CTRCD具有保护性或有害性,罕见变异和基因表达水平可能作为蒽环类药物诱导心功能不全的预测因子;然而,后者若要临床有用,其基因表达增加必须早于临床CTRCD足够时间,以便早期启动预后性心脏保护治疗。其次,这些结果提示基于遗传学风险预测方法的疗效因抗癌治疗类型而异,目前最 robust 的证据基础是针对蒽环类药物诱导的CTRCD预测。最后,特发性和家族性DCM基因型可能是蒽环类药物诱导CTRCD的底物,应在精准心脏肿瘤学算法中予以考虑。
除罕见变异分析外,GWAS和全外显子组关联研究(ExWAS)探讨了常见遗传变异能否预测CTR-CVT。确实,五个遗传变异(SLC28A3 rs7853758、CELF4 rs1786814、RARG rs2229774、UGT1A6 rs17863783和rs28714259基因间变异)在2022年欧洲心脏病学会心脏肿瘤学指南中被引用为蒽环类药物相关CTRCD的驱动因素。然而,来自CARDIOTOX注册研究的分析发现,仅rs28714259基因间变异的p值接近全基因组显著阈值(p = 1 × 10
?3)。同一研究将3号染色体上TPRG1和TP63基因之间的基因间变异(rs37652759)提示为新的CTRCD易感位点,随后的染色质相互作用作图确定了可能受该基因间位点影响的五个候选基因(KNG1、MASP1、TP63、LEPREL1和CLDN1),因此可能在CTRCD预测中发挥作用。这些结果尤为重要,因为它们来自全基因组荟萃分析,增加了检测遗传关联的统计功效。其他用于CTR-CVT预测的潜在遗传变异包括SLC28A3-rs7853758、P2RX7-rs208294和ABCC1-rs45511401,近期两项系统综述对此进行了研究。与其他遗传变异相比,这些发现具有更强的证据基础,并已在系统综述中得到验证。
使用逻辑回归(其中预测因子由多个单核苷酸多态性(SNPs)的布尔组合形成)或多基因风险评分(PGSs,将多个SNPs组合成对特定表型遗传变异的单一估计)还可能获得进一步预测能力。Sharafeldin等人使用前一种方法表明,不携带或仅携带一个rs208294(T>C)、rs3751143(A>C)和rs3751144(C>T)变异等位基因可预防CTRCD。PGSs已被研究用于CTR-CVT预测,一项近期研究显示,心房颤动(AF)、冠状动脉疾病(CAD)、心肌梗死(MI)和高血压(HTN)的PGS可预测有乳腺癌病史女性的多种心血管疾病。Bauer及其同事还提出了CTR-CVT的表观遗传预测因子,发现接受多柔比星治疗并发生心脏毒性的乳腺癌患者与未发生者之间,其基因组存在185个差异甲基化区域。具体而言,他们发现治疗前IRF6和SNFN12甲基化增加,而治疗前RNF39甲基化降低与多柔比星治疗后LVEF下降相关。另一项研究发现,基于甲基化的生物学年龄评估与曲妥珠单抗治疗后LVEF下降呈正相关。后续研究在这些探索性工作基础上,构建了同时纳入临床和遗传输入特征的风险预测模型,在某些情况下,其预测性能优于仅使用临床特征的模型。然而,外部队列验证仍然是必要的。
3.2. 循环生物标志物与蛋白质组学
关于循环生物标志物用于心脏肿瘤学风险预测的研究主要集中于CTRCD。20世纪90年代末和21世纪初的里程碑式论文分别强调了心肌肌钙蛋白和利钠肽对蒽环类药物诱导CTRCD的预测和早期诊断价值。这些结果已在多项较新研究中得到证实,包括一项包含23项研究的荟萃分析显示,心肌肌钙蛋白阴性结果对一系列化疗药物后左心室收缩功能障碍的阴性预测值为93%,但利钠肽的预测作用尚不明确。由于荟萃分析代表证据等级的最高级别,这些发现为使用心肌肌钙蛋白预测CTRCD提供了有力证据。因此,全球心脏病学会的重要立场文件提倡使用肌钙蛋白进行CTRCD预测和诊断。
新兴证据提示,已确立的循环生物标志物(如C反应蛋白(CRP))可被重新用于CTR-CVT预测,而肌酸激酶和乳酸脱氢酶在免疫检查点抑制剂相关心肌炎(ICIM)中可能升高;因此,测量其水平可能有助于早期诊断。然而,这些生物标志物往往缺乏足够特异性以独立确定ICIM诊断,如一项队列研究所示,免疫检查点抑制剂治疗期间肌酸磷酸激酶升高显示敏感性为99%,但特异性仅为23%。此外,尚未建立普遍验证的用于ICIM的肌钙蛋白和利钠肽特定阈值,基于生物标志物的监测策略仍需要前瞻性验证。在这些新型标志物中,目前最强的证据支持髓过氧化物酶(MPO)水平,一项当代荟萃分析发现,多柔比星和曲妥珠单抗后血清MPO水平升高使CTRCD发生率增加30%。在测试的其他四种生物标志物(CRP、生长分化因子-15、半乳糖凝集素-3和胎盘生长因子)中未观察到这种发现。此外,一项既往研究发现MPO预测能力在不同心脏毒性定义下均保持稳定。它还具有比其他前瞻性生物标志物(如胎盘生长因子,其升高持续至少15个月)更有利的动力学特征。
3.3. 转录组学
转录组学也可能在CTR-CVT预测和早期检测中发挥作用。与其他miRNA相比,miRNA 126具有较强证据,因为它在蒽环类药物治疗开始后六个月与心肌肌钙蛋白I和心肌肌钙蛋白T升高呈强正相关。这可能有助于CTRCD的早期检测。miRNA 126也可能在预测CTRCD中发挥作用,一项近期系统综述通路分析发现,基线miRNA 126表达水平与蒽环类药物治疗后随后的CTRCD呈负相关。然而,目前缺乏大规模多中心前瞻性研究,将癌症治疗前和治疗期间的转录组学特征与随后的CTR-CVT关联起来,且随访时间需超过12个月。
4. 实验性多模态风险模型
已开发多种风险评分来预测CTR-CVT。这些评分通常使用有限范围的临床变量,包括肿瘤学数据、患者人口统计学数据和血液检测结果。心力衰竭协会和国际心脏肿瘤学会(HFA-ICOS)针对多种疗法(包括人表皮生长因子受体2(HER2)疗法和蒽环类药物)的基线心脏病学风险评估工具,是首批被广泛验证的采用多模态方法进行CTR-CVT风险评估的工具之一。除临床变量外,这些工具还纳入左心室射血分数(LVEF)作为影像学指标,以及血清肌钙蛋白和NT-proBNP作为生物标志物指标。近年来,研究人员考虑了其他模态。例如,两项近期研究显示,在乳腺癌女性和儿童癌症幸存者中,将传统临床变量与新型遗传预测变量相结合,可提高CTR-CVT模型预测性能。其他几项研究也结合不同类型数据对CTR-CVT风险进行分层。一项研究发现,结合血清生物标志物和超声心动图预测因子的逻辑回归模型在多种癌症类型和治疗方案中显示出良好的心血管疾病预测性能(AUC:0.660至0.882)。另一项研究概述了一种包含运动生理学参数(如最大摄氧量(VO
2 max))的模型来预测CTRCD;然而,其局限性在于缺乏验证队列。其他多模态模型已纳入影像、血清和遗传变量。除提高预测性能外,这些多模态模型在风险评估过程中能更好地区分个体,从而实现个体化心脏肿瘤学照护。这可能通过将心脏保护策略导向风险更高的个体,提高心脏肿瘤学照护效率并改善治疗结局。
许多考虑新型多模态CTR-CVT风险评分的研究存在若干局限性。如表4所示,这些研究通常缺乏外部验证,即使包含外部验证,验证队列有时很小或来自与训练数据集相同的更广泛人群。因此,外部验证队列与训练队列可能共享特征和共同地理因素,从而限制了对更广泛人群的适用性。例如,一项近期研究在更广泛人群中使用基于时间的截点来推导蒽环类和曲妥珠单抗治疗患者CTRCD预测的验证队列。随访持续时间也差异很大,一些风险模型来自仅6个月随访的数据集,其他模型则长达20年。当与大型训练和验证数据集配对时,较长随访持续时间可能实现更详细的风险预测。
尽管新型多模态风险模型因方法学差异无法直接比较,但Chen等人开发的逻辑回归模型在预测免疫检查点抑制剂相关心血管毒性方面显示出前景,因其AUC高且覆盖广泛的心血管结局。所使用的输入特征在常规临床实践中也易于获得。然而,该研究为回顾性研究,无外部验证,因此该模型是否能在其他人群中表现相似仍不清楚。该队列及表4中其他队列相对较小,存在模型过拟合风险——即预测模型在原始训练数据上表现良好,但在新数据上表现不佳。Brown等人通过在大规模、长随访队列中推导多个基于机器学习的风险模型并进行外部验证,解决了这些缺陷,这些模型对癌症后心血管疾病具有较强预测性能。然而,该研究未评估风险模型的校准或临床效用,而这两者对于现实世界预测模型的使用至关重要,需与常规判别指标(AUC)一同考虑。相反,Chen等人报告了一个独立XGBoost CTRCD风险预测模型具有良好的判别力、校准性和临床效用,提示该模型可能比其他模型更有用。然而,在比较风险模型性能时需要谨慎,因为结局定义常常不同。
复杂多模态风险模型的另一个潜在缺点是大规模实施可能带来的财务成本。此外,一些输入变量(如转录组学数据和某些高级影像变量)可能在临床实践中不易获得,或需要癌症照护提供者与研究机构之间的紧密合作。这限制了风险模型在初级实践或资源有限的癌症中心中的吞吐量和可扩展性。此外,其他变量(如VO
2 max)在急性肿瘤疾病患者中可能在技术上无法测量。未来研究必须平衡额外变量的预测能力与测量负担。还需要前瞻性评估来确定模型指导的监测是否能改善早期检测、减少不必要的检测、预防严重心血管事件,并实现更安全地继续有效抗癌治疗而不发生心血管毒性。
5. 数字创新
越来越多的证据基础表明,数字工具可能改善CTR-CVT的预测、检测和预防。其价值在于将数据与专家判断相结合的综合照护模式。不同机器学习方法可处理结构化变量,而多模态模型可整合电子健康记录数据、影像数据和其他临床数据。这些方法可能识别出常规评估遗漏的高风险患者。动态模型可在整个治疗过程中更新风险估计,并帮助评估心脏保护策略的有效性。高级机器学习算法,如极限梯度提升(XGBoost)和随机森林,可应用于多模态数据以预测CTR-CVT。对于非线性数据,这些模型在分类和预测任务上可能比逻辑回归(LR)更有效。事实上,Brown及其同事发现,XGBoost模型在预测癌症幸存者中的心衰和CAD方面优于LR模型。此外,深度学习(DL)是一种通过深度神经网络处理非结构化数据的高级机器学习技术,可能对CTR-CVT预测有用。一项近期研究提示了这一点,该研究发现基于CMR的单模态深度学习CTR-CVT预测模型优于需要人工特征工程和领域知识的传统多模态机器学习方法。然而,DL需要极大的数据集和计算能力,这在资源有限环境中可能难以实现。其环境影响也不容忽视。值得注意的是,一项非心脏肿瘤学研究发现,传统机器学习随机森林(RF)分类器在基于基线心电图预测房颤方面的表现与DL模型相似。在同一研究中,DL仅在另一项独立回归任务中优于RF。综合来看,这表明DL技术所需的额外数据和计算能力仅在其提供额外预测能力的特定情况下才合理。然而,预测性能并不总能转化为临床效用或临床相关结局,这可通过净收益分析进行评估。过拟合和欠拟合也威胁模型有效性,分别描述模型过于复杂或过于简单的情况。数据集偏移(实践中遇到的数据与训练数据不同)和数据泄漏(模型开发使用了在预测时无法获得的信息)也会损害模型有效性。在现实世界队列中对风险模型进行前瞻性验证和随机对照试验可能减轻这些风险,并且是测试临床效用、临床可行性和技术可行性所必需的。
卫生系统中的数字创新可辅助CTR-CVT预测。例如,关联的电子健康记录(EHRs)可通过关联肿瘤学记录、处方数据、实验室结果和影像,提供治疗和心血管状态的纵向视图。这可以实现临床决策支持工具和风险评分的植入。自然语言处理可从非结构化记录中提取症状和毒性,以训练和改进风险预测模型。这可以正式化为专门路径,例如可解释的整体医学人工智能(HAIM)框架,这是一种实验性路径,使用生成式大语言模型从非结构化数据(如临床笔记)生成任务特定摘要,然后可用作下游预测模型的输入。此外,临床影像分析系统中的数字创新可通过提高GLS和容积测量的可重复性、增加分析吞吐量以及在明显心功能不全之前识别细微异常,来改善CTR-CVT预测。
其他作者提出了整合AI模型和可穿戴技术的新型风险预测方法。可穿戴技术可将监测扩展到个体医院就诊之外,帮助识别可能被遗漏的趋势,并在专科服务有限的情况下改善监测可及性。然而,检测到的某些异常可能不会转化为临床相关的CTR-CVT,且缺乏经过验证的阈值和升级路径,许多研究评估的是技术性能而非临床结局。
总之,数字创新可能支持CTR-CVT风险分层、提高生产率并改善肿瘤学与心脏病学之间的协调。然而,仍存在若干关键考虑。首先,数字工具的性能取决于数据质量、采集标准和发展人群。设计不良的临床决策支持系统也可能产生过多警报,因此数字支持必须优先考虑可操作的信息。可穿戴技术的假阳性警报可能导致患者焦虑、不必要的检测和过早停止有效治疗。风险预测模型在代表性不足的群体中可能表现不太准确。此外,隐私、网络安全、知情同意、数据管理和远程警报问责需要明确的治理。这些挑战在低收入和中等收入国家尤为突出,这些国家获得专科服务、先进检测和数字基础设施的机会有限。因此,低成本移动系统、便携式心电图技术和远程会诊可能比计算密集型平台更实用。未来研究应优先考虑前瞻性、多机构研究、外部验证和有临床意义的结局。
6. 证据差距与未来方向
现有证据支持采用多模态方法进行CTR-CVT预测和评估,但若干证据和实施差距仍需未来研究解决。大多数研究集中于预测蒽环类或曲妥珠单抗治疗背景下的CTRCD和LVEF下降,且缺乏前瞻性外部验证。目前尚不清楚这些发现是否能推广到其他形式的CTR-CVT或其他抗癌疗法。如果没有前瞻性外部验证,也不清楚强大的预测性能是否能带来具有临床意义的结局,并留有足够时间在CTR-CVT发生前启动心脏保护策略。关于具体风险模型输入特征,一项近期研究显示,将多基因风险评分加入临床协变量模型可提高有乳腺癌病史女性心血管疾病的预测性能。增加其他多模态数据(如影像数据)的影响仍不清楚,需要进一步研究。如上所述,深度学习和CMR影像组学特征可能在此背景下有用。
目前关于在常规临床实践中实施多模态CTR-CVT风险预测数据的最佳框架,以及收集模型输入特征数据的最佳方法(尤其是当数据集庞大且非结构化时)的证据有限。研究人员提出,可解释HAIM框架或类似流程可能有助于预测抗癌治疗特异性心血管毒性。这一实验性框架纳入人口统计学数据、时间序列数据(包括生物标志物数据)、自由文本数据(包括影像报告)和影像数据,这些数据经过处理和早期融合以生成嵌入,可输入到机器学习算法中。这些框架已被证明可有效利用多模态数据预测胸部病理,但在CTR-CVT预测领域相对未被探索。实施前还需要真实世界临床验证。
种族和基线心血管疾病对CTR-CVT预测模型预测性能的影响仍不确定,尤其是少数族裔群体在心脏肿瘤学试验中常未被充分代表。患有基线心血管疾病的人也常被排除在大型肿瘤学研究之外。少数考虑种族作用的研究发现相互矛盾,一项研究提示种族间差异,另一项研究提示无影响。需要进一步验证研究来表征CTR-CVT预测模型的算法公平性。最后,大多数研究和风险模型来自西欧和北美人群,这限制了研究结果对全球队列的推广性,并提出了不同人群间预测性能可能存在差异的问题。这一点很重要,因为许多新型预测性AI心血管疾病风险模型不提供区域校准,且通常未在全球队列中验证。同样,其他证据表明,心血管疾病风险评分经常在非原始队列中表现不同。为使精准心脏肿瘤学成为全球领域,需要全球数据注册库以确保科学和照护的适用性、可推广性和可转移性。
数字孪生是心脏病学中一个不断增长的研究领域,已被用于模拟心肌病和预测心源性猝死。除模拟多柔比星诱导的心律失常外,数字孪生在CTR-CVT领域尚未被广泛探索。未来研究可能揭示数字孪生在CTR-CVT风险预测中的作用。
7. 结论
现有证据支持采用多模态基因组–表型组方法进行CTR-CVT风险分层。目前大多数证据支持基于影像和循环生物标志物联合策略预测蒽环类药物诱导的CTRCD。然而,其他模态和多组学数据(包括影像组学和基因组学)也显示出有前景的证据。未来工作应考虑多模态方法在其他形式CTR-CVT中的作用,以及其在心脏肿瘤学中更广泛的应用,如治疗结束后监测。