采用数据驱动方法对心肌梗死后新发房颤患者进行基于表型的风险分层

《Catheterization and Cardiovascular Interventions》：Phenotype-Based Risk Stratification in Patients With New-Onset Atrial Fibrillation Following Myocardial Infarction Using a Data-Driven Approach

　　

摘要

背景

心肌梗死后（MI）发生的心房颤动（AF）与显著的发病率和死亡率相关，然而现有的风险分层工具在该人群中的表现不佳。传统的预测因素无法捕捉到多维风险，而数据驱动的方法可能识别出具有更好预后价值的潜在表型。

目的

我们试图使用主成分分析（PCA）识别心肌梗死后新发AF的表型，评估它们与不良结局的关联，并开发一个简单的决策树模型用于临床风险分层。

方法

我们分析了451名心肌梗死后新发AF的患者。PCA识别出了低风险、中等风险和高风险表型组。主要终点是3年死亡、中风或MACE。Kaplan–Meier和多变量Cox模型评估了结局。决策树预测了表型组的归属，并比较了不同风险层次间的血管造影特征。

结果

PCA识别出了三个表型组（低风险、中等风险、高风险），这些组主要由左心室舒张末容积（LVESV）、左心室收缩末容积（LVEDV）、左心室射血分数（LVEF）、性别和颈动脉粥样硬化评分（CHA₂DS₂-VASc）决定。在PCA图谱上，这些组之间存在明显的分离。无事件生存率在不同组间存在显著差异（log-rank p?2DS₂-VASc、LVEDV、年龄和TR Vmax的简化决策树模型预测风险的准确率为72.3%，支持在心肌梗死后AF患者人群中进行床边风险分层。

结论

表型分析识别出了三个具有不同临床结局的AF风险组。左心室大小和功能是区分这些表型的最强决定因素。决策树提供了一个清晰、准确且易于解释的框架，有助于识别心肌梗死后适合接受AF治疗的患者。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可根据请求向通讯作者索取。由于隐私或伦理限制，这些数据并未公开。