心不全（保存型駆出率）入院患者の転帰軌跡：機械学習クラスター分析

科学分野:

• 循環器病学
• 医療情報学
• 医療サービス研究

背景:

• 心不全（HHF）入院後の集中的なフォローアップは推奨されているが、実施が困難である。
• リソース配分を改善するために、HF（保存型駆出率）のHHFのリスク層別化が必要である。
• 急性期のHFpEFリスク層別化にクラスター分析を利用した研究はない。

研究 の 目的:

• 急性HFpEFの異なる表現型を特定するためにクラスター分析を適用すること。
• 入院中のHFpEF患者のリスクを層別化すること。
• 個別化治療戦略の可能性を探求すること。

主な方法:

• 退院時に、471人の入院中のHFpEF患者（左室駆出率>40%）を対象にクラスター分析を実施した。
• 12ヶ月時点での死亡、緊急心臓移植、HF入院、または脱分極HFによるED受診の複合エンドポイントを評価した。
• Cox比例ハザードモデルおよび分類・回帰木分析により、有害転帰の予測因子を特定した。

主要な成果:

• 臨床変数、併存疾患、バイオマーカーに基づいて、HFpEF患者の3つの異なるクラスターが特定された。クラスター1：若年、新規発症HF、併存疾患が少なく、腎機能が保たれ、BNPおよびNLRが低い。
• クラスター2：高齢女性、高血圧、心房細動（クラスター1と比較してHR 2.9）。
• クラスター3：高齢、HF増悪、NYHA心機能分類が高い、腎機能障害、貧血、BNPおよびNLRが高い（クラスター1と比較してHR 4.8）。
• NYHA心機能分類と好中球-リンパ球比（NLR）が主要な予後指標であった。

結論:

• クラスター分析は、急性期の低・中・高リスクHFpEF表現型を特定することに成功した。
• 特定されたこれらの表現型は、入院中のHFpEF患者の個別化治療戦略を導く可能性がある。
• さらなる研究により、臨床的意思決定およびリソース配分のためにこれらのクラスターを検証できる可能性がある。