心房細動の表現型アーキテクチャの偏りのない特性評価は、遺伝的感受性と臨床的に関連する転帰への洞察を提供する

科学分野:

• 心臓病学
• 遺伝学
• 計算生物学

背景:

• 心房細動（AF）は一般的な不整脈であり、その根本的なメカニズムと臨床的異質性は不明です。
• 機械学習はデータ駆動型の疾患サブタイプを特定できますが、AFにおけるそれらの臨床的関連性は十分に確立されていません。

研究 の 目的:

• 機械学習を使用して、心房細動（AF）の明確な表現型クラスターを特定すること。
• これらのAFクラスターと多因子遺伝的感受性、炎症、および臨床転帰との関連を調査すること。

主な方法:

• 23,271人のAF患者を対象に、35の臨床的特徴に対して教師なし共同クラスタリング機械学習を適用しました。
• バイオマーカーを使用して臨床炎症を評価し、AFおよびサイトカインレベルに対する多因子遺伝的リスクスコアを使用して遺伝的感受性を評価しました。
• 死亡率、脳卒中、出血、およびデバイス使用との関連を分析しました。

主要な成果:

• 腎疾患、冠動脈疾患などの併存疾患の負担が増加する3つのAF表現型クラスターを特定しました。
• 低併存疾患クラスターはAFに対する多因子遺伝的感受性が最も高かった一方、高併存疾患クラスターは臨床炎症の上昇を示しました。
• クラスター割り当ては、死亡率、脳卒中、出血、および心臓デバイスの植え込みと有意に関連していました。

結論:

• クラスタリングによって特定されたAF患者のサブグループは、併存疾患の負担、臨床炎症、およびAFに対する多因子遺伝的感受性が異なります。
• これらのAFクラスターは、臨床転帰に対する明確なリスクと関連しています。
• 併存疾患と遺伝的感受性は、AF表現型の変動の主要な推進要因です。