DOI: https://doi.org/10.1136/openhrt-2025-003530
PMID: https://pubmed.ncbi.nlm.nih.gov/41748277
تاريخ النشر: 2026-01-01
المؤلف: Xunhan Qiu وآخرون
الموضوع الرئيسي: علاج وإدارة فشل القلب
نظرة عامة
تبحث هذه الدراسة في التعرف المبكر على تدهور اللياقة القلبية التنفسية (CRF) لدى المرضى الذين يعانون من فشل القلب (HF)، وهي حالة تزيد بشكل كبير من خطر النتائج السلبية. تستخدم الدراسة تحليل التجميع غير المراقب المدعوم بالذكاء الاصطناعي (AI) لـ 15 متغيرًا سريريًا متعدد الأبعاد من 505 مرضى يعانون من HF، كاشفة عن ثلاثة أنماط متميزة: متوازن، التهابي-ساركوبيني، ومختل الأيض. ومن الجدير بالذكر أن الأنماط غير المتوازنة أظهرت احتمالات أعلى بشكل ملحوظ من ضعف أقصى استهلاك للأكسجين (VO₂ max ≤ 20 mL/kg/min). تم تقييم الأداء التنبؤي لنماذج التعلم الآلي المختلفة، حيث أظهرت غابة عشوائية وXGBoost أفضل النتائج في مجموعة الاشتقاق، بينما تفوق نموذج Naive Bayes في التحقق الخارجي.
تؤكد النتائج على إمكانية دمج الذكاء الاصطناعي والبيانات السريرية متعددة الأبعاد لتعزيز تصنيف مخاطر CRF لدى مرضى HF. تعتبر هذه الدراسة رائدة في نهجها، حيث توفر إطارًا قويًا للتقييم الوظيفي المبكر واستراتيجيات إعادة التأهيل الفردية. من خلال إنشاء نموذج تنبؤي قابل للتفسير بدرجة عالية، تعزز تطبيق الطب الدقيق في إدارة HF، مما يسهل التعرف في الوقت المناسب على المرضى المعرضين لخطر تدهور CRF ويعزز الرعاية الشخصية في الممارسة السريرية.
مقدمة
فشل القلب (HF) هو متلازمة مزمنة معقدة ومتزايدة الانتشار، تساهم بشكل كبير في الوفيات القلبية الوعائية وإعادة دخول المستشفيات على مستوى العالم. على الرغم من التقدم في أساليب العلاج، يعاني المرضى غالبًا من خلل شديد في الأنظمة المتعددة، وخاصة تدهور اللياقة القلبية التنفسية (CRF)، مما يؤثر سلبًا على تحملهم للتمارين وجودة حياتهم. يعتبر أقصى استهلاك للأكسجين ($VO_2 \text{max}$) مقياسًا حاسمًا لوظيفة القلب والرئة، ويرتبط بالسعة الوظيفية والنتائج التنبؤية. ومع ذلك، فإن التقييم المباشر لـ $VO_2 \text{max}$ يعيقه الحاجة إلى معدات مكلفة واختبارات عالية الكثافة، مما يبرز ضرورة وجود أدوات تقييم متكاملة يمكن أن تقيم بشكل غير مباشر خطر تدهور $VO_2 \text{max}$.
أظهرت التطورات الأخيرة في الذكاء الاصطناعي (AI) وعدًا في التطبيقات الطبية، خاصة في تصنيف الأمراض وتوقع المخاطر. لقد حدد تحليل التجميع، وهو تقنية رئيسية في التعلم الآلي غير المراقب، الهياكل الكامنة في مجموعات البيانات المعقدة عبر مختلف الأمراض بشكل فعال. في HF، بدأت الأبحاث الناشئة في استخدام طرق التجميع لاستكشاف التباين خارج تصنيفات الكسر القذفي التقليدية. ومع ذلك، ركزت الدراسات الحالية بشكل أساسي على المعلمات السريرية والبيوكيميائية، متجاهلة الحالة الوظيفية المتعلقة بـ CRF والقدرة التنبؤية للأنماط المستمدة من الذكاء الاصطناعي لـ $VO_2 \text{max}$. تهدف هذه الدراسة إلى تطوير نموذج تجميع قائم على الذكاء الاصطناعي يدمج مؤشرات سريرية متعددة الأبعاد لتحديد أنماط متميزة بمستويات CRF متباينة لدى مرضى HF، مما يعزز في النهاية توقع المخاطر لتدهور $VO_2 \text{max}$ ويوجه استراتيجيات الإدارة الفردية.
الطرق
استخدمت الدراسة تصميمًا استرجاعيًّا من مركز واحد في الفرع الشرقي لمستشفى رينجي، كلية الطب بجامعة شنجهاي جياو تونغ، من يناير 2022 إلى يناير 2024. كانت تهدف إلى تحليل المرضى الذين تم تشخيصهم بفشل القلب (HF)، وفقًا لإرشادات الجمعية الأوروبية لأمراض القلب (ESC) لعام 2021. كان المشاركون المؤهلون تتراوح أعمارهم بين 18 و90 عامًا وكان لديهم بيانات متاحة لاختبار الجهد القلبي الرئوي (CPET)، بما في ذلك VO₂ max، بالإضافة إلى تحليلات تركيب الجسم المكتملة والمعلمات المخبرية ذات الصلة.
كانت معايير الإدراج تتطلب عدم وجود فشل قلب حاد غير متوازن أو عدم استقرار هيموديناميكي، بينما استبعدت معايير الاستبعاد المرضى الذين يعانون من حالات مصاحبة كبيرة (مثل، الأورام الخبيثة، أو خلل شديد في الكبد أو الكلى، أو عدوى نشطة)، أو الذين يفتقرون إلى متغيرات رئيسية، أو أولئك الذين كانوا حوامل أو مرضعات. في النهاية، استوفى 505 مرضى المعايير المحددة وتم تضمينهم في التحليل النهائي، حيث خضع جميعهم لاختبار CPET وتقييمات سريرية شاملة خلال فترة استشفائهم.
النتائج
في هذه الدراسة التي شملت 505 مرضى يعانون من فشل القلب (HF)، حدد تحليل التجميع K-means ثلاثة أنماط متميزة بناءً على 15 ميزة سريرية. كان النمط المتوازن، الذي يتكون من 45.7% من المرضى (231 فردًا)، يظهر معايير أيضية وتركيبية طبيعية، ومستويات منخفضة من بروتين سي التفاعلي (CRP) وكريات الدم البيضاء (WBC)، وأعلى وسطي لـ VO₂ max يبلغ 18.0 mL/kg/min. كان النمط الالتهابي-الساركوبيني، الذي يمثل 26.5% (134 مريضًا)، يتميز بارتفاع عدد العدلات ومستويات CRP، إلى جانب انخفاضات كبيرة في مؤشر العضلات الهيكلية (SMI) والنشاط البدني (PA)، مما يشير إلى التهاب مزمن وساركوبينيا. كان النمط المختل الأيضي، الذي يمثل 27.7% (140 مريضًا)، يظهر اضطرابات أيضية بارزة، بما في ذلك ارتفاع مؤشر القلب الأيضي (CMI) ومؤشر الجليسريد الثلاثي-الجلوكوز (TyG)، وزيادة في مؤشر كتلة الجسم (BMI)، وزيادة في منطقة الدهون الحشوية (VFA).
كشفت التحليلات الإحصائية عن اختلافات كبيرة عبر الأنماط في وظيفة القلب والرئة والمعايير الأيضية والبيوكيميائية وتركيبة الجسم. ومن الجدير بالذكر أن VO₂ max أظهر اتجاهًا تدريجيًا بين المجموعات، مع قيم متوسطة تبلغ 18.0 mL/kg/min للنمط المتوازن، و15.1 mL/kg/min للنمط الالتهابي-الساركوبيني، و16.6 mL/kg/min للنمط المختل الأيضي (اختبار كروسكل-واليس، $p<0.01$). كان كسر القذف البطيني الأيسر (LVEF) أقل بشكل ملحوظ في المجموعات الالتهابية-الساركوبينية والمختلة الأيضية (كلاهما $p<0.01$)، بينما كانت أبعاد الأذين الأيسر (LAD) وقطر البطين الأيسر في نهاية الانبساط (LVEDD) مرتفعة في النمط المختل الأيضي، مما يشير إلى إعادة تشكيل قلبية متقدمة. بالإضافة إلى ذلك، كان الوسيط CMI أعلى في النمط المختل الأيضي (1.23)، مقارنة بالنمط الالتهابي-الساركوبيني (0.79) والنمط المتوازن (0.54). كانت علامات الالتهاب مرتفعة بشكل ملحوظ في المجموعة الالتهابية-الساركوبينية، بينما أظهر النمط المختل الأيضي اختلافات كبيرة في VFA وBMI. على الرغم من أن مستويات الجلوكوز في الدم الصائم اختلفت إحصائيًا عبر الأنماط ($p=0.03$)، إلا أن الأهمية السريرية للاختلافات الملحوظة كانت ضئيلة.
المناقشة
في هذه الدراسة، تم استخدام نهج تجميع مدعوم بالذكاء الاصطناعي مع التعلم الآلي المراقب لتحديد أنماط متميزة في مرضى فشل القلب (HF) المرتبطة بضعف اللياقة القلبية التنفسية (CRF). استخدم التحليل بيانات ديموغرافية وسريرية وبيوكيميائية وتركيبية أساسية لاستنتاج ثلاثة أنماط قابلة للتفسير سريريًا: “متوازن”، “التهابي-ساركوبيني”، و”مختل الأيض”. أظهرت نماذج الانحدار اللوجستي أن كل من الأنماط الالتهابية-الساركوبينية والمختلة الأيضية كانت مرتبطة بشكل كبير بزيادة خطر تدهور VO₂ max، مع نسب الأرجحية (ORs) تشير إلى خطر مرتفع مقارنة بالنمط المتوازن. كما أبرزت الدراسة أهمية العمر وقياسات الهيكل القلبي، مثل قطر الأذين الأيسر (LAD)، كمتنبئين مستقلين بضعف CRF.
تم تعزيز الأداء التنبؤي للأنماط المحددة من خلال تطوير نماذج التعلم الآلي، وخاصة غابة عشوائية (RF) ورفع التدرج المتطرف (XGBoost)، التي أظهرت قدرات تمييزية قابلة للمقارنة لتحديد الأفراد المعرضين لخطر ضعف VO₂ max. أكد التحقق الخارجي استقرار هذه النماذج وقابليتها للتعميم، مما يدعم إمكانية استخدامها في الإعدادات السريرية. تؤكد النتائج على تباين HF وضرورة وجود استراتيجيات علاجية مصممة خصيصًا تعالج الطبيعة المعقدة للمرض، خاصة بالنسبة للمرضى الذين يظهرون التهابًا مزمنًا واختلالًا أيضيًا. بشكل عام، تسهم هذه الأبحاث في تقدم الطب الدقيق في إدارة HF من خلال دمج منهجيات الذكاء الاصطناعي لتحسين تصنيف المخاطر وتخطيط إعادة التأهيل.
DOI: https://doi.org/10.1136/openhrt-2025-003530
PMID: https://pubmed.ncbi.nlm.nih.gov/41748277
Publication Date: 2026-01-01
Author(s): Xunhan Qiu et al.
Primary Topic: Heart Failure Treatment and Management
Overview
This research investigates the early identification of cardiorespiratory fitness (CRF) decline in patients with heart failure (HF), a condition that significantly heightens the risk of adverse outcomes. The study employs an artificial intelligence (AI)-driven unsupervised clustering analysis of 15 multimodal clinical variables from 505 HF patients, revealing three distinct phenotypes: balanced, inflammatory-sarcopenic, and metabolically dysregulated. Notably, the non-balanced phenotypes exhibited significantly higher odds of impaired maximal oxygen uptake (VO₂ max ≤ 20 mL/kg/min). The predictive performance of various machine learning models was evaluated, with random forest and XGBoost showing the best results in the derivation cohort, while Naive Bayes excelled in external validation.
The findings underscore the potential of integrating AI and multimodal clinical data to enhance CRF risk stratification in HF patients. This study is pioneering in its approach, providing a robust framework for early functional assessment and individualized rehabilitation strategies. By establishing a highly interpretable predictive model, it promotes the application of precision medicine in HF management, facilitating timely identification of patients at risk for CRF decline and advancing personalized care in clinical practice.
Introduction
Heart failure (HF) is a complex and increasingly prevalent chronic syndrome, significantly contributing to cardiovascular mortality and hospital readmissions globally. Despite advancements in treatment modalities, patients often suffer from severe multisystem dysfunction, particularly declines in cardiorespiratory fitness (CRF), which adversely affect their exercise tolerance and quality of life. Maximal oxygen uptake ($VO_2 \text{max}$) serves as a critical measure of cardiopulmonary function, correlating with functional capacity and prognostic outcomes. However, the direct assessment of $VO_2 \text{max}$ is hindered by the need for costly equipment and high-intensity testing, underscoring the necessity for integrated assessment tools that can indirectly evaluate the risk of $VO_2 \text{max}$ decline.
Recent advancements in artificial intelligence (AI) have shown promise in medical applications, particularly in disease phenotyping and risk prediction. Cluster analysis, a key unsupervised machine learning technique, has effectively identified latent structures in complex datasets across various diseases. In HF, emerging research has begun to utilize clustering methods to explore heterogeneity beyond traditional ejection fraction classifications. However, existing studies have primarily focused on clinical and biochemical parameters, neglecting the functional status related to CRF and the predictive capacity of AI-derived phenotypes for $VO_2 \text{max}$. This study aims to develop an AI-based clustering model that integrates multimodal clinical indicators to identify distinct phenotypes with varying CRF levels in HF patients, ultimately enhancing risk prediction for $VO_2 \text{max}$ decline and guiding individualized management strategies.
Methods
The study employed a retrospective, single-centre design at the Eastern Branch of Renji Hospital, Shanghai Jiao Tong University School of Medicine, spanning from January 2022 to January 2024. It aimed to analyze patients diagnosed with heart failure (HF), adhering to the 2021 European Society of Cardiology (ESC) guidelines. Eligible participants were aged between 18 and 90 years and had available cardiopulmonary exercise testing (CPET) data, including VO₂ max, as well as completed body composition analyses and relevant laboratory parameters.
Inclusion criteria mandated the absence of acute decompensated HF or hemodynamic instability, while exclusion criteria eliminated patients with significant comorbidities (e.g., malignancy, severe hepatic or renal dysfunction, active infections), missing key variables, or those who were pregnant or lactating. Ultimately, 505 patients met the specified criteria and were included in the final analysis, all of whom underwent CPET and comprehensive clinical assessments during their hospitalization.
Results
In this study involving 505 heart failure (HF) patients, K-means clustering analysis identified three distinct phenotypes based on 15 clinical features. The balanced phenotype, comprising 45.7% of patients (231 individuals), exhibited normal metabolic and body composition parameters, low levels of C-reactive protein (CRP) and white blood cells (WBC), and the highest median VO₂ max of 18.0 mL/kg/min. The inflammatory-sarcopenic phenotype, accounting for 26.5% (134 patients), was characterized by elevated neutrophil counts and CRP levels, alongside significant reductions in skeletal muscle index (SMI) and physical activity (PA), indicating chronic inflammation and sarcopenia. The metabolically dysregulated phenotype, representing 27.7% (140 patients), displayed pronounced metabolic disturbances, including elevated cardiometabolic index (CMI) and triglyceride-glucose (TyG) index, higher body mass index (BMI), and increased visceral fat area (VFA).
Statistical analyses revealed significant differences across the phenotypes in cardiopulmonary function, metabolic, biochemical, and body composition parameters. Notably, VO₂ max showed a gradient trend among the groups, with median values of 18.0 mL/kg/min for the balanced phenotype, 15.1 mL/kg/min for the inflammatory-sarcopenic phenotype, and 16.6 mL/kg/min for the metabolically dysregulated phenotype (Kruskal-Wallis test, $p<0.01$). Left ventricular ejection fraction (LVEF) was significantly lower in the inflammatory-sarcopenic and metabolically dysregulated groups (both $p<0.01$), while left atrial diameter (LAD) and left ventricular end-diastolic diameter (LVEDD) were increased in the metabolically dysregulated phenotype, indicating advanced cardiac remodeling. Additionally, the median CMI was highest in the metabolically dysregulated phenotype (1.23), compared to the inflammatory-sarcopenic (0.79) and balanced (0.54) phenotypes. Inflammatory markers were notably elevated in the inflammatory-sarcopenic group, while the metabolically dysregulated phenotype exhibited significant differences in VFA and BMI. Although fasting blood glucose levels varied statistically across phenotypes ($p=0.03$), the clinical relevance of the observed differences was minimal.
Discussion
In this study, an AI-driven clustering approach combined with supervised machine learning was employed to identify distinct phenotypes in heart failure (HF) patients associated with impaired cardiopulmonary fitness (CRF). The analysis utilized baseline demographic, clinical, biochemical, and body composition data to derive three clinically interpretable phenotypes: ‘balanced’, ‘inflammatory-sarcopenic’, and ‘metabolically dysregulated’. Logistic regression models demonstrated that both the inflammatory-sarcopenic and metabolically dysregulated phenotypes were significantly associated with an increased risk of VO₂ max decline, with odds ratios (ORs) indicating a heightened risk compared to the balanced phenotype. The study also highlighted the importance of age and cardiac structural measures, such as left atrial diameter (LAD), as independent predictors of CRF impairment.
The predictive performance of the identified phenotypes was further enhanced through the development of machine learning models, particularly random forest (RF) and extreme gradient boosting (XGBoost), which showed comparable discrimination capabilities for identifying individuals at risk of VO₂ max impairment. External validation confirmed the stability and generalizability of these models, supporting their potential utility in clinical settings. The findings underscore the heterogeneity of HF and the necessity for tailored therapeutic strategies that address the multifaceted nature of the disease, particularly for patients exhibiting chronic inflammation and metabolic dysregulation. Overall, this research contributes to the advancement of precision medicine in HF management by integrating AI methodologies for improved risk stratification and rehabilitation planning.