现象映射用于心力衰竭的新型分类,其中保留了喷射分数
Sanjiv J Shah1, Daniel H Katz2, Senthil Selvaraj2
1From the Division of Cardiology, Department of Medicine (S.J.S., D.H.K., S.S., M.A.B., C.W.Y., M.G., R.O.B.), Feinberg Cardiovascular Research Institute (S.J.S.), and Center for Cardiovascular Innovation (M.G., R.O.B.), Northwestern University Feinberg School of Medicine, Chicago, IL; Zilber School of Public Health, University of Wisconsin, Milwaukee (C.-C.H.); and Division of Cardiology, Department of Medicine, Institute for Human Genetics, California Institute for Quantitative Biosciences, and Cardiovascular Research Institute, University of California, San Francisco (R.C.D.). sanjiv.shah@northwestern.edu rahul.deo@ucsf.edu.
现象测绘确定了三个不同的心力衰竭与保存的喷射分数 (HFpEF) 患者组. 这种新的分类改善了风险分层,并可能导致针对HFpEF子类的向治疗.
科学领域:
- 心脏病学 心脏病学
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 保存喷射分数 (HFpEF) 的心力衰竭是一个复杂的,异质的临床挑战.
- 目前对HFpEF的诊断标准缺乏精确患者分层所需的细粒度.
- 新的分类方法对于推动HFpEF研究和治疗至关重要.
研究的目的:
- 调查无偏的集群分析的实用性,称为现象映射,用于分类HFpEF患者.
- 根据综合的表型数据,确定现象映射是否可以识别不同的HFpEF子组.
- 评估已识别的HFpEF现象组的临床有效性和预后影响.
主要方法:
- 对397名HFpEF患者的前性研究,详细的临床,实验室,心电图和心声表现型.
- 应用统计学习算法,包括对67个连续的表型变量进行分层和惩罚型基于模型的聚类.
- 在107名HFpEF患者的独立队列中验证现象映射分类.
主要成果:
- 现象映射分析界定了3个不同的HFpEF子组,在临床特征,心脏结构/功能和血液动力学方面存在显著差异.
- 一个已识别的现象组 (现象组3) 显示心力衰竭住院的风险大大增加 (HR,4.2).
- 新的HFpEF分类及其风险分层能力在验证队列中成功复制.
结论:
- 现象映射提供了一个新的,数据驱动的HFpEF分类系统.
- 应用于密集的表型数据的统计学习可以完善异质条件的分类,如HFpEF.
- 这种方法有望识别治疗上同质的患者子类,为HFpEF的个性化药物铺平道路.
相关概念视频
Pathophysiology of Heart Failure
Heart Failure I: Introduction
Heart Failure II: Pathophysiology
Heart Failure III: Clinical Manifestations
Heart Failure IV: Classification and Diagnostic Evaluation
Cardiomyopathy I: Introduction and Classification


