jizzy,国产熟妇,精品a片

基于樹狀人工智能心電圖的新型心房顫動表型挖掘：從電生理特征到風險分層

《npj Digital Medicine》：Deriving novel atrial fibrillation phenotypes using a tree-based artificial intelligence-enhanced electrocardiography approach

【字體：大中小】 時間：2025年12月05日 來源：npj Digital Medicine 15.1

編輯推薦：

　　本研究針對傳統心房顫動（AF）分型僅依賴心律失常時長、難以捕捉疾病異質性與預后差異的臨床痛點，開發了一種結合變分自編碼器（VAE）與樹狀降維（DDRTree）的無監督AI-ECG分析框架。通過對超110萬份心電圖的分析，研究成功識別出5個具有獨特電生理特征、心臟結構改變及未來疾病風險的AF表型組，為AF的精準分型與個體化管理提供了創新工具。該成果發表于《npj Digital Medicine》。

心房顫動（Atrial Fibrillation, AF）是全球最常見的心律失常之一，其患病率持續攀升，顯著增加卒中、心力衰竭（Heart Failure, HF）和死亡風險。臨床上，AF傳統上依據發作時長被分為陣發性、持續性、長程持續性和永久性等類型。然而，這種基于時間的分類方法難以充分反映AF背后復雜的電生理機制、結構重構以及患者預后的巨大異質性。越來越多的證據表明，AF是一種高度異質性的疾病，其發生發展受到遺傳、環境和合并癥等多種因素的共同影響。盡管現行指南已開始采納更具進展性的分期模式，但如何超越簡單的時長分類，深入揭示AF的內在表型差異，從而實現真正的個體化診療，仍是當前心血管領域面臨的重大挑戰。

以往的研究嘗試運用機器學習聚類方法，依據患者的臨床特征（如人口統計學、實驗室指標和心血管病史）對AF患者進行分型。然而，這些方法往往忽略了心電圖（Electrocardiogram, ECG）這一直接反映心臟電活動的關鍵信息。因此，所識別的集群是否真正對應于AF的特異性病理生理改變，抑或僅僅是泛心血管風險因素的體現，尚不明確。隨著醫療數字化進程的加速，海量ECG數據的可及性為利用無監督學習方法挖掘AF特有的電生理差異提供了前所未有的機遇。

在此背景下，由Mehak Gurnani、Arunashis Sau和Fu Siong Ng等共同領導的研究團隊在《npj Digital Medicine》上發表了最新研究成果。該研究創新性地提出了一種結合生成式人工智能與樹狀軌跡建模的無監督AI-ECG分析框架，旨在從超過110萬份ECG中深度挖掘AF的異質性，并識別出具有臨床意義的新型表型組。

為了開展這項研究，研究人員主要運用了幾個關鍵技術方法。首先，他們利用來自美國Beth Israel Deaconess Medical Center (BIDMC) 隊列的超過110萬份心電圖 median beat（中位數心跳）數據，訓練了一個β-變分自編碼器（β-VAE），以無監督的方式提取了51個最具代表性的ECG形態學潛在特征。其次，針對篩選出的20,291名獨特AF患者的指數ECG，研究應用了DDRTree（Dimensionality Reduction via Learning a Tree）這一樹狀降維算法，將高維的ECG特征投射到一個二維的樹狀軌跡上，該算法最初為模擬單細胞分化軌跡而開發，能直觀展示表型的連續演變。最后，研究利用英國生物銀行（UK Biobank, UKB）隊列的AF患者數據（2,344份ECG）對所構建的BIDMC AF DDRTree模型進行了外部驗證，通過監督式機器學習模型預測UKB患者在BIDMC樹上的坐標和表型組歸屬，以評估模型的普適性。

構建AF表型樹并識別五個主要表型組

研究首先利用VAE從海量ECG中提取的51個潛在特征，成功構建了BIDMC AF DDRTree。通過將27個初始子分支合并，最終確定了五個具有代表性的主要表型組（Phenogroups）。這五個表型組在樹狀結構上呈現出特定的空間分布，彼此間在臨床特征、ECG形態和預后風險上存在顯著差異。樹的核心區域代表了混合或平均的表型，而分支末端則對應著具有極端或獨特特征的個體。

各表型組的臨床與電生理特征

對這五個表型組的詳細描述揭示了其獨特性：

•
表型組1（較高風險AF）：患者最年輕，以男性為主，CHA₂DS₂-VASc評分中位數最低（2），但左心房（Left Atrium, LA）大小相對增加。
•
表型組2（伴心力衰竭的最高風險AF）：LA大小與表型組1相當，但舒張功能不全更為顯著，心力衰竭負擔重。
•
表型組3（平均陣發性AF）：作為基線比較組，代表了具有平均特征的陣發性AF（Paroxysmal AF, PAF）患者，其指數ECG多為竇性心律（Sinus Rhythm, SR）。
•
表型組4（較低風險陣發性AF）：LA大小和左心室（Left Ventricular, LV）功能更接近正常，風險較低。
•
表型組5（較高風險陣發性AF）：患者年齡最大，ECG顯示QRS波時限和QTc間期延長，CHA₂DS₂-VASc評分中位數最高（4），LA大小異常，并存在傳導系統疾病跡象。

各表型組的平均中位數心跳ECG形態可視化顯示，表型組1和2的QRS波形態相似，而表型組3和4可見清晰的P波，符合PAF特征。有趣的是，位于樹兩端的表型組1和5共享相同的top 3潛在特征（因子6、42、20），但關聯方向相反，解釋了它們在樹上的對立位置。例如，因子42與T波形態變異相關，因子20與QRS波形態差異相關。表型組1與這些因子的負關聯提示其T波形態正常、QRS波R峰突出；而表型組5則表現為V₂-V₆導聯T波倒置和rS型QRS波伴深S波，可能與束支傳導阻滯有關。

表型樹捕獲AF相關表型的空間分布

研究進一步將AF相關表型（如ECG測量值、臨床特征、心律控制治療）疊加在樹狀圖上，并量化其空間分布模式。結果顯示，QRS波時限、心率和竇性心律狀態呈現出最強的空間自相關性（p < 0.0001）。QRS波時限、QTc間期和CHA₂DS₂-VASc評分較高的個體多集中在樹的左下區域（低維度2），而PR間期（竇性心律時）和心率較高的個體則多見于右下區域。

在心律控制治療方面，AF消融（Ablation）的分布在表型空間中較為均勻，但其在樹的右上區域（高維度1和高維度2）頻率最高。相反，直流電復律（Direct Current Cardioversion, DCCV）則顯示出明顯的空間聚集性，主要集中在樹的右下區域。這表明不同的心律控制策略傾向于應用于特定表型譜系的AF患者。

心血管疾病負擔與未來風險的分布趨勢

通過多變量回歸模型分析，研究發現沿著樹狀軌跡的不同方向移動，與患病（Prevalent）和發病（Incident）疾病風險存在顯著關聯。

•
患病疾病：向維度1（向右）和維度2（向上）移動均與患病疾病 odds 的降低相關。具體而言，位于維度1和維度2較低位置的表型組2和5，與較高的心力衰竭患病風險顯著相關（表型組2: aOR 1.13；表型組5: aOR 1.31）。表型組5還與二尖瓣反流（Mitral Regurgitation, MR）負擔增加相關（aOR 1.16）。
•
發病疾病與死亡率：沿著維度2向上移動與所有結局風險（心血管死亡、全因死亡、心力衰竭、卒中、主要不良心血管事件[MACE]）的顯著降低相關。與之對應，位于維度2較高位置的表型組4表現出最低的未來風險。相反，沿著維度1向右移動，雖然與全因死亡風險降低3%相關（aHR 0.97），但卻伴隨著心力衰竭（aHR 1.09）、卒中（aHR 1.08）和MACE（aHR 1.10）風險的增加。這使得樹的右下象限（高維度1，低維度2，表型組2所在）成為心血管結局最高風險區域，而左下象限（表型組5所在）則與全因死亡風險最高相關。表型組2的未來心力衰竭風險最高（aHR 1.35），表型組5的全因死亡風險增加11%（aHR 1.11）。

心臟結構與功能的變化趨勢

echocardiography（超聲心動圖）指標的分析進一步證實了表型樹在捕捉心臟重構方面的能力。沿著維度2向上移動，與左心室射血分數（LV Ejection Fraction, LVEF）增加、左心室舒張末期內徑（LV End-Diastolic Diameter, LVEDD）、LA直徑、LA指數化容積（LA Volume Indexed, LAVi）和舒張功能不全的改善顯著相關。而沿著維度1向右移動，則與LVEDD、LA直徑和LAVi的增加相關。

因此，位于左上象限的表型組4與LVEF增加2.78%相關，提示較好的心臟功能。相反，位于右下象限的表型組2則與LVEF降低2.98%、LVEDD增加1.40 mm以及舒張功能不全加重0.27單位相關，反映了更嚴重的心臟結構和功能損害。

表型組與真實世界AF管理的關聯

分析還發現，不同風險表型的AF患者在真實世界中接受的治療策略也存在差異。低風險的表型組4接受AF消融的幾率顯著高于基線表型組3（aOR 1.68）。雖然高風險的表型組1也與AF消融幾率增加相關（aOR 1.21），但該組患者接受DCCV的幾率更高（aOR 1.70），表型組2也呈現類似模式。而表型組5患者接受DCCV的幾率則顯著降低（aOR 0.73）。這提示臨床醫生可能已在一定程度上根據患者表型選擇治療策略。

敏感性分析與外部驗證

敏感性分析表明，即使在診斷初期（60天內）的ECG或調整了包括LVEF%、LA大小和心律狀態在內的臨床及超聲指標后，主要表型組（2, 4, 5）與結局的關聯仍然存在，且方向一致，證明了這些表型組能提供超越傳統分類的附加預后信息。

針對記錄時心律（AF vs. SR）對表型分組影響的分析顯示，心律狀態本身與表型組分配無強相關性。當心律由AF轉為SR時，表型組分配（尤其是PAF表型組4和5）表現出較高的穩定性；而當心律由SR轉為AF時，表型組分配則更不穩定，常重新歸類到混合AF表型組（1和2）。這可能反映了疾病進展過程中真實的表型演變。

最后，研究利用UKB隊列進行了外部驗證。將UKB AF患者投射到BIDMC衍生的樹上后，其表型組分布、描述性特征以及心臟磁共振成像（Cardiac MRI, CMR）顯示的心臟結構與功能趨勢，均與BIDMC隊列的結果高度一致，證明了該AI-ECG表型分析框架具有良好的泛化能力。

本研究成功構建并驗證了一個基于AI-ECG樹狀軌跡的AF表型分析系統，揭示了AF患者中存在五個具有顯著差異的臨床-電生理表型組。這些表型組不僅超越了傳統的時長分類，更重要的是，它們與患者特異的心臟結構改變、合并癥負擔、未來疾病風險以及真實世界的治療選擇緊密關聯。該研究方法的優勢在于其完全基于ECG形態學特征進行無監督學習，避免了臨床先驗知識的引入，從而可能發現人眼難以識別的細微差異。所采用的DDRTree方法能夠直觀展示表型的連續演變，更好地反映了AF的異質性和進展性。

這一研究成果對AF的臨床實踐具有重要意義。它為AF的精準分型提供了新的維度，有助于識別出那些盡管在傳統分類上相似（如同為陣發性AF），但實際風險迥異的患者亞群（如表型組4 vs. 5），從而實現更個體化的風險預測和管理策略制定。例如，低風險表型組4可能更適合接受積極的節律控制策略（如消融），而最高風險的表型組2則可能需要更綜合的心衰和猝死風險管理。未來，通過整合多模態數據（如心房結構重構、基因組學等），這一框架有望進一步深化對AF個體化治療的理解，推動心血管疾病精準醫療的發展。