射血分数保留性心力衰竭(HFpEF)约占全部心力衰竭患者的50%以上，且具有临床异质性，有效治疗手段有限。随着人口老龄化及相关代谢疾病的增加，HFpEF患者数量持续增长。尽管钠-葡萄糖共转运蛋白2抑制剂（SGLT2i）和矿物皮质激素受体拮抗剂（MRA）等药物在大规模临床试验中显示出一定疗效，但这些试验的入选标准限制了患者代表性，且HFpEF本身存在多样化的临床表型。因此，基于患者的个体化表型进行精准治疗成为当务之急。

本研究旨在利用基于机器学习的算法，从电子病历数据中识别出HFpEF的不同临床表型，并评估各表型对常用心力衰竭治疗药物的反应差异，最终为个体化治疗提供科学依据。

研究人员招募了2014年至2023年间北京大学第三医院收治的2147名左室射血分数（LVEF）≥50%的住院HFpEF患者，收集107项临床、人口学和心脏超声变量。采用两阶段的DeepCluster无监督深度学习模型，结合全连接神经网络，进行患者表型分类。模型通过留一法交叉验证进行内部验证，并在TOPCAT临床试验（n=1696）和密歇根大学医疗系统（UMHS）HFpEF队列（n=128）中进行外部验证。采用Cox比例风险模型分析不同表型的预后和治疗反应，调整多种潜在混杂因素。

结果发现，研究确定了3种HFpEF临床表型：

1. 表型1（n=815）：表现为较高的代谢性合并症负担（如糖尿病、慢性肾病）、左室肥厚，及收缩与舒张功能障碍，预后最差，死亡风险最高。

2. 表型2（n=608）：多为老年女性，伴有房颤及右心房和右心室结构异常，主要表现为舒张功能障碍。

3. 表型3（n=724）：较年轻男性，生活方式较差，血脂异常及肝功能损害较重，但心脏结构及功能相对正常。

治疗反应方面，表型1患者使用SGLT2抑制剂后，心衰再住院风险降低55%，使用血管紧张素受体-脑啡肽酶抑制剂（ARNI）则使全因死亡风险降低66%。ARNI对死亡风险的影响在三种表型间存在显著差异（交互作用p=0.048）。表型2患者使用钙通道阻滞剂，死亡及心衰再住院风险分别降低38%和42%。表型3患者钙通道阻滞剂也与死亡风险降低显著相关。

内部验证显示模型分类一致性高达96%，外部验证中TOPCAT和UMHS队列也呈现出一致的临床及病理生理特征支持研究表型的稳定性和普适性。

综上，本研究评估了HFpEF不同表型对多种常用心衰药物的治疗反应，利用机器学习实现精准分型，揭示了HFpEF的异质性及其临床治疗反应差异。研究结果支持将机器学习驱动的表型识别纳入临床诊疗流程，以实现个体化治疗方案的制定，优化患者预后。当然，该研究也存在一定的局限性，研究采用的HFpEF定义可能存在部分误分类，且为回顾性观察性研究，潜在混杂因素难以完全排除。部分外部验证队列因数据缺失限制了表型的完整描述。研究样本主要来源于三甲医院住院患者，可能与社区及门诊患者存在差异。部分亚组样本量有限，显著性结果边界，需进一步大规模前瞻性研究验证。

原始出处

Rui Li,a,b,k Yijun Liu,c,k Zhen Zhao.Machine learning-based phenotyping and assessment of treatment responses in heart failure with preserved ejection fraction.eClinicalMedicine 2025;88: 103462.https://doi.org/10.1016/j.eclinm.2025.103462

Tags： 机器学习助力 HFpEF 精准分型！北大三院研究识别3类表型，药物反应差异显著