基于无监督机器学习的瓣膜术后患者功能恢复内型识别研究

《European Heart Journal》：Unsupervised machine learning uncovers functional recovery endotypes following valvular surgery

　　

摘要

背景

接受瓣膜心脏手术的患者表现出异质性的术后恢复情况，仅靠左心室射血分数（LVEF，目前指导术后管理的核心指标）无法完全解释。通过无监督机器学习进行的多维表型分析可能识别出超越传统分类的具有临床意义的内型。

目的

PRO-FEVs 研究旨在利用全面的基线数据进行无监督聚类以推导潜在内型，并评估其与功能恢复和 LVEF 的关联。

方法

我们纳入了 436 名连续接受瓣膜手术的患者。收集了基线人口统计学、临床、超声心动图和功能性变量。使用针对混合数据的增强型 K-prototypes 聚类算法识别潜在内型。模型选择由基于 Gower 距离计算的轮廓指数指导。使用 Kruskal-Wallis 检验和卡方检验评估各集群之间的差异。心脏康复出院时评估的结局指标包括住院时间（LoS）、改良巴氏指数（MBI）和六分钟步行试验（6MWT）。

结果

我们分析了 436 名患者的数据（平均年龄 72.8 ± 9.4 岁；男性占 57.6%）。基线时，61.9% 的参与者患有高血压，12.2% 患有房性心律失常。左心室射血分数总体保留。最佳聚类方案识别出三个内型（轮廓系数 = 0.34；n=106、153 和 177，分别为）。第一个内型主要特征为主动脉瓣狭窄、节律稳定性保持良好以及基线功能能力较好。第二个主要由主动脉瓣反流和较大的心室尺寸定义。第三个特征为二尖瓣反流、房性心律失常患病率较高（p<0.001）以及基线自主能力较差。重要的是，LVEF 在各内型之间无差异（p=0.119）。康复后的 6MWT 表现在各组间存在显著差异（p<0.001），主动脉瓣狭窄内型观察到更大的行走能力。相比之下，出院时的 LoS 和 MBI 在各组间无显著差异。

结论

在 PRO-FEVs 研究中，无监督聚类识别出三个临床一致的瓣膜术后内型，尽管 LVEF 相似，但这些内型与不同的功能恢复轨迹相关。这些发现表明，结构瓣膜表型和心律失常负担，而非单纯的射血分数，可能是驱动早期康复结果的因素。基于内型的分层可能支持更定制化的康复策略，并指导个体化的术后管理。