脑死亡后左心室区域性室壁运动异常模式的临床意义与机器学习表型解析

针对脑死亡后潜在心脏供体左心室功能障碍机制不明的临床难题，斯坦福大学团队通过机器学习算法分析4,333例供体超声数据，首次揭示4种区域性室壁运动异常（RWMA）表型，发现以基底间隔局灶性（FBS）为主的损伤模式具有最佳移植接受率（68%），为供心筛选提供了无需冠脉造影的决策依据。

　　

在器官移植领域，脑死亡供体的心脏功能评估始终是临床决策的难点。尽管约25%的潜在供体存在左心室功能障碍，但传统观点难以解释为何这些"受损"心脏移植后仍能保持良好功能。这种矛盾现象背后，可能隐藏着未被识别的神经源性心肌损伤特殊模式。

斯坦福大学领衔的"供体心脏研究（DHS）"团队通过前瞻性多中心研究，对4,333例脑死亡供体进行系统性超声评估。研究采用机器学习中的k-means聚类算法，对913例存在区域性室壁运动异常（RWMA）的供体进行表型分类，并追踪其与生物标志物、心脏移植结局的关联。关键技术包括：标准化经胸超声心动图（TTE）检查、17节段室壁运动评分（WMS）系统、机器学习驱动的表型聚类，以及移植后生存分析。

研究结果
• 表型特征：发现4种RWMA模式，包括基底间隔局灶性（FBS，54.8%）、基中部联合型（34.1%）、心尖型（7.2%）和整体运动减弱（3.9%）。FBS组肌钙蛋白-I和NT-proBNP水平显著低于其他表型。
• 功能演变：后续TTE显示所有表型左心室射血分数（LVEF）均改善，FBS组基线LVEF最高（50±9% vs 其他表型35-45%）。
• 临床结局：FBS表型移植接受率最高（68% vs 其他表型45-58%），但各组移植后1年生存率无差异（P=0.34）。

讨论与结论
该研究首次通过数据驱动方法揭示了脑死亡后神经源性心肌损伤的独特地理分布模式。基底间隔局灶性损伤（FBS）作为主导表型，其可逆性强且移植预后良好，提示这类RWMA可能反映交感神经风暴导致的"心肌顿抑"而非器质性病变。这一发现具有重要临床价值：对于特征性FBS表型，可减少不必要的冠脉造影和重复检查，优化供体评估流程。研究为建立基于机器学习的供心精准筛选体系奠定了基础，未来或可通过人工智能实现移植决策的标准化。论文发表于《JACC: Heart Failure》，为改善器官短缺现状提供了创新性解决方案。