杨艳敏教授团队：心房颤动更好的管理路径评估——机器学习聚类分析

2023年11月11-13日，美国心脏协会科学年会（AHA23）在美国费城以线下的形式举办，中国医学论坛报今日循环将持续为各位报道AHA23最新资讯。很多中国的研究及病例报告登上了AHA的舞台，我们将为读者传递AHA中国声音，本文将介绍中国医学科学院阜外医院杨艳敏教授团队的研究。

研究背景

研究涵盖了两个主要部分：心房颤动管理和机器学习。心房颤动是常见的心律失常，其异质性给心房颤动的特征分型和管理策略带来了许多挑战。近期，心房颤动更好的管理（ABC）路径被推荐作为心房颤动的一种综合管理方法。大量研究证明，遵循ABC途径对患者预后有积极影响。机器学习是计算机从数据中学习的科学，被广泛应用于医学领域。它在心房颤动的风险分层、治疗、筛查和诊断等方面具有巨大的潜力。机器学习分为监督学习、无监督学习和强化学习。监督学习旨在预测已知的输出，需要在训练过程中使用预定义的标签。无监督学习侧重于发现数据本身的关系，无须预测特定输出或使用预定义标签。

因此，我们采用了聚类分析，一种无监督机器学习方法，使得计算机在心房颤动人群中寻找内部联系。这有助于我们深入研究基于ABC途径的治疗方法是否与聚类分析确定的亚组中不良临床事件风险降低相关。

研究方法和结果

我们的数据来自中国的一个多中心、前瞻性、观察性的为期一年的心房颤动注册研究，涉及20家医院。纳入标准包括心房颤动作为主要或次要诊断的患者，无排除标准。最终纳入了2015例完成一年随访的心房颤动患者。

研究的主要终点是主要不良心脏事件或神经事件（MACNE），包括全因死亡、卒中和非中枢神经系统全身栓塞。次要终点包括主要出血、心血管死亡、因心房颤动并发症住院、心力衰竭和心肌梗死。

关于评估心房颤动患者的治疗是否符合ABC标准，我们有着详细的评估方案。对于“A”标准，我们定义为CHADS₂分数≥2的心房颤动患者并实施抗凝疗法的患者符合该标准。同时对于CHADS₂分数＜2且未接受抗凝疗法的心房颤动患者，也符合“A”标准。对于“B”标准，我们认为接受了心率控制或抗心律失常药物心房颤动患者符合该标准。对于“C”标准，我们认为当心房颤动患者患有包括高血压、冠心病、既往卒中/短暂性脑缺血发作、心力衰竭在内一种或多种共病，且接受了一线治疗为符合该标准。

我们的统计过程涉及四个主要步骤。首先，我们使用了心房颤动患者的45个基线变量。其次，我们对数据进行了预处理，对连续变量进行了标准化，对分类变量进行了重新编码以进行后续分析。第三，我们使用了k-prototypes算法进行聚类分析。最后，我们使用单因素方差分析和卡方检验比较基线特征。我们采用Cox比例风险模型、Kaplan-Meier生存曲线和logistic回归分析等统计分析方法来评估不良结局和治疗。

通过聚类分析，我们确定了三个群组：以红线表示的动脉粥样共病群组、以蓝线表示的瓣膜共病群组和以绿线表示的低共病群组。正如图1雷达图所示，我们观察到主要特征中存在显著差异。如表1所示，根据三个识别的群组，患者的管理模式也存在显著差异。正如图2Kaplan-Meier曲线所示，三个群组在MACNE、全因死亡、心血管死亡、卒中和主要出血的发生上存在显著差异。此外，如图3森林图所示，经过对CHADS₂评分、专家和药物进行调整后，群组之间MACNE、全因死亡、心血管死亡和卒中的差异仍然显著。总体而言，在所有群组中，全面遵循ABC途径均与MACNE风险显著降低相关。我们还发现，对于不同的群组，单独遵循“A”/“B”/“C”标准会产生不同的影响（表2）。

图1  雷达图总结每个群组的主要特征

图2  Kaplan-Meier曲线，显示不同群组的MACNE、全因死亡、心血管死亡、卒中和大出血的生存情况

图3  调整后的群组的不良结局的风险（低共病群组作为参考）

表1 三个心房颤动群组的治疗模式

表2 按群组遵循ABC路径和MACNE

临床意义

这是第一项评估ABC途径在中国心房颤动群组临床特征中的研究。我们将主要发现总结如下：首先，我们确定了三个临床相关的群组，且群组中存在基线特征、患者管理模式和不良结果的差异。其次，我们使用机器学习新辨别了与瓣膜性心脏病和风湿性心脏病相关的群组，拓宽了对心房颤动异质性的理解。第三，在所有群组，遵循ABC途径与降低MACNE风险独立相关。第四，我们可以根据已辨别的心房颤动的临床侧写和ABC标准制定个性化的管理策略。