基于CABANA试验的房颤表型聚类分析：揭示异质性特征与个体化治疗策略

本研究通过CABANA试验数据对2205例房颤（AF）患者进行聚类分析，识别出三种具有显著差异的表型（女性主导阵发性AF、年轻男性主导型及高龄多合并症型），并揭示其与主要终点事件（死亡/致残性卒中/严重出血/心脏骤停）及全因死亡率的相关性。研究证实不同表型对导管消融与药物治疗的响应存在异质性，为AF精准分型及个体化治疗提供循证依据。

　　

房颤（Atrial Fibrillation, AF）作为全球成人中发病率达2%-4%的最常见持续性心律失常，其治疗困境日益凸显。尽管心血管死亡率随技术进步有所下降，但非心血管死亡率的攀升导致整体预后改善停滞。这种矛盾现象背后，是AF高度异质性的本质——不同患者伴随的合并症、心血管风险因素及生理状态差异巨大，使得传统基于病程或心房结构的分类方法难以指导精准治疗。

为破解这一难题，中国医学科学院国家心血管病中心（阜外医院）的研究团队利用CABANA试验（NCT00911508）数据，首次通过机器学习驱动的聚类分析（K-prototype算法）对2055例AF患者进行深度表型解析。这项发表于《International Journal of Cardiology》的研究，通过12项临床变量构建出三大特征鲜明的AF亚群：Cluster 1以女性（69.0%）和阵发性AF（61.7%）为主；Cluster 2为年轻男性主导（89.4%）；Cluster 3则是合并多种疾病的高龄群体。这种基于真实世界数据的分类，不仅揭示了传统分类体系未能捕捉的生物学差异，更关键的是发现了不同亚群对治疗策略的差异化响应——高龄多病组（Cluster 3）接受导管消融后，主要终点风险仍显著高于其他两组（HR 2.38, 95%CI 1.69-3.35），而年轻男性组（Cluster 2）与女性阵发性组（Cluster 1）的预后无统计学差异。

研究采用的核心技术包括：1）基于BioLINCC平台获取的CABANA多中心随机对照试验数据；2）K-prototype聚类算法处理混合型变量（连续型+分类变量）；3）Cox比例风险模型评估主要终点（死亡/卒中/出血/心脏骤停复合事件）与全因死亡率差异；4）交互作用检验分析治疗策略（导管消融vs药物）与表型的关联性。

主要发现

1. 基线特征：排除149例数据不全者后，队列平均年龄66.1岁，37.2%为女性，43%为阵发性AF。糖尿病（25.2%）和脑卒中史（11.4%）等合并症分布呈现明显聚类倾向。

2. 表型异质性：Cluster 3患者年龄最大、CHA₂DS₂-VASc评分最高，其全因死亡率达Cluster 1的2.06倍（P=0.0001），凸显高龄多病群体的特殊风险。

3. 治疗响应差异：在Cluster 1中，导管消融组主要终点风险降低31%（P=0.02），而Cluster 3患者无论接受何种治疗，不良事件发生率均居高不下。

这项研究的突破性在于首次通过数据驱动方法，将AF的临床异质性转化为可操作的分类框架。其临床价值体现在三方面：1）为CHA₂DS₂-VASc评分体系提供表型补充，增强风险预测精度；2）揭示导管消融对女性阵发性AF患者的显著获益，为指南更新提供证据；3）警示临床医生对高龄多病AF患者需采取更全面的管理策略。正如作者Jiawei Zhang团队强调的，未来AF诊疗需从"一刀切"转向"量体裁衣"的模式，而本研究构建的表型分类系统，正是迈向精准医疗的关键一步。