机器学习揭示：射血分数保留的心力衰竭是肥厚型心肌病不良结局的独立预测因子

《Scientific Reports》：Machine learning–based risk stratification identifies heart failure with preserved ejection fraction as an independent predictor of adverse outcomes in hypertrophic cardiomyopathy

本研究探讨射血分数保留的心力衰竭在肥厚型心肌病中的预后价值。通过多中心回顾性队列（n=2802），研究者运用H2FPEF评分分层、机器学习（随机森林）和可解释AI（SHAP）进行风险预测。结果证实HFpEF是HCM的常见高危表型，可被有效识别与分层，为精准管理提供了新策略。

　　

肥厚型心肌病是一种常见的心肌遗传性疾病，长期以来，人们的目光多聚焦在其梗阻、心律失常和心脏性猝死风险上。然而，近年来，一种特殊类型的心力衰竭——射血分数保留的心力衰竭（Heart Failure with Preserved Ejection Fraction, HFpEF）在肥厚型心肌病患者中被越来越多地识别出来。这种现象带来了新的临床困惑：HFpEF到底只是肥厚型心肌病的一个伴随现象，还是其本身就是一个独立的危险信号？它对于预测患者未来发生心力衰竭、再次住院甚至死亡等不良结局究竟有多大分量？更为关键的是，肥厚型心肌病患者本就“千人千面”，如何从这群同样诊断为HFpEF的患者中，进一步区分出哪些是“高危”中的“高危”，从而进行更精准的干预？现有的传统风险分层工具，似乎难以完全捕捉HFpEF的异质性与风险。这些悬而未决的问题，正是推动这项研究的关键所在。为了回答这些问题，一支由多中心研究人员组成的团队展开了一项大规模回顾性队列研究，其成果发表于《Scientific Reports》期刊。

为了系统性地评估HFpEF在HCM（Hypertrophic Cardiomyopathy, 肥厚型心肌病）中的意义，研究人员开展了一项基于三个三级医疗中心、总计纳入2802名HCM患者的多中心回顾性队列研究。研究采用的核心技术方法包括：1）基于既定标准对HFpEF进行诊断，并运用H₂FPEF评分进行风险亚组划分；2）使用倾向评分匹配平衡HFpEF组与非HFpEF组的基线特征，以评估其独立预后价值；3）应用限制性立方样条模型分析B型利钠肽水平与不良事件的非线性关联；4）开发并比较了包括随机森林在内的四种机器学习模型进行个体化风险预测；5）利用SHAP（SHapley Additive exPlanations）分析对最优机器学习模型进行解释，识别关键风险贡献因素。

研究结果

HFpEF在HCM中普遍存在且独立预示不良预后

研究发现，在全部HCM患者中，高达47.8%的人同时患有HFpEF。即便在通过倾向评分匹配消除了年龄、合并症等其他因素差异后，HFpEF状态仍然是预测无事件生存期缩短的独立强风险因素，其风险比高达2.612。

基于H₂FPEF评分的风险分层具有梯度预后价值

研究人员根据H₂FPEF评分将患者分为不同风险亚组。结果显示，更高的H₂FPEF评分对应着逐级升高的风险。其中，被归类为HFpEF-High（高危）的患者，其临床结局显著差于其他亚组，风险比高达2.925，这证实了H₂FPEF评分在HCM-HFpEF人群内部进行有效风险分层的实用价值。

BNP水平与不良事件呈显著非线性关联

对生物标志物B型利钠肽的分析揭示，其与不良事件之间并非简单的直线关系。通过限制性立方样条模型发现，风险随着BNP浓度的升高而加速上升，提示存在一个“风险拐点”，这为临床设定更精准的BNP预警阈值提供了依据。

机器学习模型（随机森林）实现最佳风险预测，SHAP分析揭示关键驱动因素

在构建的四种机器学习模型中，随机森林模型展现出最佳的鉴别能力，其受试者工作特征曲线下面积达到0.856。为进一步理解模型的决策逻辑，研究者进行了SHAP分析。该分析清晰地指出，在所有特征中，“是否为HFpEF”以及“BNP水平”是模型进行风险预测时最重要的两个贡献因子，这从可解释人工智能的角度验证了前述主要发现的可靠性。

结论与讨论

本研究的结论明确了射血分数保留的心力衰竭是肥厚型心肌病中一个既普遍存在又具有高度异质性的高危临床表型。它不仅常见（患病率近半），更是预测患者发生心力衰竭、再住院等复合终点事件的独立危险因素。这项研究的意义在于，它将临床关注的焦点从传统风险扩展到了HFpEF这一新兴且重要的维度。在方法学上，研究成功地将经典的临床评分、生物标志物的非线性建模与前沿的、可解释的机器学习技术进行了整合。这种“三位一体”的策略，不仅提供了从群体（H₂FPEF评分分层）到个体（机器学习个体预测）的多层次风险评估工具，还通过SHAP分析赋予了“黑箱”模型以透明度，让临床医生能够理解模型是基于“HFpEF状态”和“BNP水平”等关键临床指标做出判断的。这极大地增强了临床实践中采纳和应用此类人工智能工具的信心。尽管研究结论仍需外部队列的进一步验证，但它无疑为未来肥厚型心肌病的精准风险管理指明了一个新方向：即主动识别并分层管理HFpEF表型，将有望成为改善这部分患者长期预感的精准医学新路径。