基于无监督机器学习的急性心力衰竭淤血表型鉴定与病理机制解析

本研究通过无监督机器学习技术，对741例急性心衰患者的19项淤血标志物进行聚类分析，首次系统识别出5种具有不同病理特征的淤血表型（PTC-dilated LV、PTC-HFpEF等），并在4254例验证队列中证实其预后价值。通过363种蛋白网络分析揭示各表型特异的信号通路（如HFpEF表型与脂代谢异常相关），为个体化治疗提供新靶点。研究成果发表于《European Heart Journal - Digital Health》，并开发了可临床应用的在线预测模型。

　　

在急性心力衰竭（AHF）治疗领域，淤血作为核心病理特征直接影响患者预后，但临床常见的"一刀切"治疗模式面临严峻挑战。数据显示，约30-45%的AHF患者会在出院1年内再住院或死亡，这种治疗困境很大程度上源于淤血类型和分布的异质性。传统基于左室射血分数（LVEF）的"湿/干"分类已无法满足精准医疗需求，而ESC-HF指南（2021）明确指出：更精细的表型分类可能改善治疗效果。

法国洛林大学（Université de Lorraine）心血管与肾脏临床试验中心（F-CRIN iNI-CRCT）联合荷兰格罗宁根大学医学中心的研究团队，创新性地采用无监督机器学习方法，对Nancy-HF队列741例恶化性心衰患者进行深度表型分析。研究团队筛选19项临床指标（包括肺部啰音、颈静脉怒张等淤血体征，BNP/NT-proBNP z-score标准化值，以及左房容积指数LAVi等超声参数），通过VarSeILCM聚类算法识别出5种淤血表型，并利用随机森林（Random Forest, RF）模型在BIOSTAT-CHF验证队列（n=4254）中证实其可重复性。更突破性的是，研究者通过OLINK?技术检测368种血浆蛋白，结合FHF-GKBox知识图谱进行通路分析，首次系统揭示了不同淤血表型的分子特征。该成果发表于心血管领域权威期刊《European Heart Journal - Digital Health》。

关键技术方法包括：（1）基于贝叶斯信息准则的聚类分析；（2）随机森林模型构建（250棵树，10折交叉验证）；（3）多变量Cox比例风险模型评估预后；（4）OLINK? CVD/免疫/肿瘤多组学检测；（5）Reactome（v69）通路富集分析。研究队列包含法国南锡大学医院2015-2019年收治的AHF患者，验证数据来自欧洲多中心BIOSTAT-CHF研究。

【淤血表型特征】
通过雷达图可视化分析发现五种表型具有鲜明特征：

1. PTC-dilated LV型（23.6%）：合并冠心病（CAD 76%）、左室扩张（LVEDVi 78±27 mL/m²），全LVEF范围分布
2. PTC-HFpEF型（18.5%）：高血压（89%）、保留射血分数（LVEF 63±7%）
3. PTC,STC-AF型（22.5%）：房颤（AF 53%）、双肺淤血合并外周水肿（81%）
4. PIVC-dilated LA&LV型（18.6%）：男性为主（63%），BNP峰值（2002 pg/mL）
5. Global型（16.7%）：全淤血表现，左房严重扩张（LAVi 80±46 mL/m²）

【分子机制】
蛋白质网络分析揭示：

• PTC-HFpEF：DDX58（调节免疫应答）和DECR1（脂肪酸代谢）下调
• PTC,STC-AF：FURIN（前蛋白转化酶）介导心房重构
• PIVC-dilated LA&LV：ERBB2/FASLG通路激活（凋亡调控）

【临床预后】
中位随访17.1个月显示：

Global型死亡/再住院风险最高（HR 2.41，P<0.001），验证队列重现该趋势：

这项研究首次建立了基于临床可及指标的淤血表型分类体系，其创新价值体现在三方面：（1）开发了可临床应用的在线预测工具（Ai-Cong-HF模型，准确率77.3%），实现了个体化风险评估；（2）发现Gal-4等新型生物标志物与Global型淤血的特殊关联；（3）揭示了HFpEF与HFrEF患者淤血机制的本质差异。特别是PTC,STC-AF表型中FURIN介导的心房重构机制，为房颤合并心衰的治疗提供了新思路。研究者建议，未来应针对不同淤血表型开发靶向治疗策略，如Global型可能受益于免疫调节治疗，而PIVC-dilated型或对ERBB2抑制剂有应答。该成果标志着心衰治疗从"症状驱动"向"机制驱动"模式转变的重要突破。