数字孪生整合临床-形态-血流动力学多模态数据识别房颤患者卒中风险表型组

本研究通过构建整合临床数据、左心房形态学参数和计算流体力学(CFD)模拟血流动力学指标的数字孪生(Digital Twin)模型，采用无监督多核学习(MKL)算法对130例非瓣膜性房颤(AF)患者进行表型聚类分析。研究发现结合多域特征可显著改善患者分层，识别出具有70%血栓病史的高风险表型组(Phenogroup 2)，其特征表现为左心耳(LAA)结构复杂、BNP水平升高及血流淤滞显著。该研究为AF患者卒中风险评估提供了新型多模态整合框架，发表于《npj Digital Medicine》。

　　

卒中作为全球第二大死因，其中房颤(AF)相关缺血性卒中因左心耳(LAA)血栓形成风险尤为突出。传统CHA₂
DS₂
-VASc评分仅依赖临床指标，忽视了解剖结构和血流动力学因素。法国波尔多大学医院Marta Saiz-Vivó团队在《npj Digital Medicine》发表研究，通过构建整合临床数据、CT形态学参数和CFD模拟的左心房数字孪生模型，揭示了多模态特征与血栓形成的关联机制。

研究采用130例拟行左心耳封堵术的AF患者队列，关键技术包括：(1)基于CT的LA/LAA三维几何重建与形态参数量化；(2)个性化CFD模拟获取血流淤滞指标（如LAA残留粒子数）；(3)融合临床指标（BNP、MPV/PC比值等）与形态-血流动力学特征；(4)通过MKL降维与K-means++聚类识别表型组。

【Clustering on digital twins based on morphological factors】
单纯形态学聚类显示，LAA开口面积(ostium area)是表型分层的首要驱动因素。高风险组呈现更大的LA容积(median 543.58 vs 412.08 mm²
, p=0.02)和多叶LAA结构(≥3叶占比34% vs 25%)。

【Clustering on digital twins based on morphological and hemodynamic factors】
加入CFD模拟的LAA残留粒子数后，高风险表型组(Phenogroup 2)血栓病史比例达64%，其特征包括：LAA弯曲角度减小(130.6° vs 121.5°)、BNP水平升高(250.81 vs 92.18 pg/ml)及LAA-LSPV(左肺静脉)对齐度增加。

【Clustering on digital twins based on morphological, hemodynamic and clinical factors】
三域特征整合将血栓病史鉴别能力提升至70%。SHAP分析揭示BNP、LA容积和开口面积是关键分层指标。代表性病例显示，Phenogroup 2患者LAA残留粒子数达214个，显著高于低风险组(159个)。

讨论指出，该研究首次通过数字孪生框架揭示：(1)非阵发性AF患者LA重构与BNP升高形成"完美风暴"；(2)LAA开口面积与容积比值降低反映血流清除障碍；(3)LAA-LSPV对齐促进血流冲刷的"保护效应"。局限性包括样本均来自需LAAO术的高危人群，未来需在更广泛AF群体中验证。这项多模态整合方法为个性化抗凝决策提供了新范式，其无监督学习策略尤其适用于探索亚临床血栓形成的潜在生物标志物。