心房颤动（简称房颤），是临床常见的心律失常，目前全球约有3350万房颤患者。随着年龄增加房颤发病率显著升高，>80岁的患者中房颤的发病率约为9%。房颤显著增加患者的住院率、病死率、死亡率，房颤处理不当，常合并严重心血管并发症，面临着较高的临床风险。因此临床医生需要更好的理解其潜在的病理生理学，尤其是非卒中结局的发生风险预测，这需要多因素综合评估方法。近期研究发现了可用于反映房颤发生不良结局的生物标志物，来自加拿大人口健康研究所的David Conen教授在2024年ESC大会上公布了该项研究结果。北京清华长庚医院张萍教授撷取研究精华，分享给广大临床医生，以期帮助临床工作者更准确地评估房颤患者的风险状况，优化治疗方案，从而改善患者临床预后，降低房颤不良后果。

 

 

该研究为一项前瞻性研究，纳入了来自瑞士的14个医学中心、既往心电记录诊断为房颤的3817例患者，分别采集患者的基线临床数据、血液中的12种生物标志物：包括血管生成素-2（ANG-2）、D-二聚体、GDF-15、胰岛素样生长因子结合蛋白-7（IGFBP-7）、NT-proBNP、高敏肌钙蛋白T、肌酐、胱抑素C（cystatin C）、骨桥蛋白（OPN）、超敏C反应蛋白，白细胞介素6（IL-6）、丙氨酸氨基转移酶（ALAT），用来确定与房颤不良结局相关的生物标志物，并采用传统和机器学习方法预测房颤主要不良事件的发生风险。见图1。主要研究终点：①复合心血管结局，包括心血管死亡、非致死性缺血性卒中、非致死性体循环栓塞或非致死性心肌梗死；②心力衰竭住院；③主要出血事件。

 

图1. 研究设计与基线数据采集

 

采用多变量Cox模型进行统计分析，协变量包括年龄、性别、BMI、吸烟、收缩压、卒中/短暂性脑缺血发作、糖尿病、慢性心力衰竭、慢性肾脏病或冠心病病史，分别分析有或无生物标志物的曲线下面积（AUC）来评价模型效果。随后采用机器学习方法（随机森林、LASSO、XGBoost）与传统Cox回归进行预测对比。研究基线特征见图2。 

 

图2. 基线研究特征

 

研究结果发现：①复合心血管结局：共确定相关的7个生物标志物，除ALAT与其发生呈负相关，其他标志物包括ANG-2、D-二聚体、GDF-15、NT-proBNP、高敏肌钙蛋白T、IL-6的水平与预后呈正相关；②心力衰竭住院：共确定与其相关的5个生物标志物，除了ALAT与其发生呈负相关，余标志物包括GDF-15、IGFBP-7、NT-proBNP、高敏肌钙蛋白T的水平与预后呈正相关；③主要出血事件：共确定与其相关的4个生物标志物，GDF-15、IGFBP-7、NT-proBNP、高敏肌钙蛋白T的水平与预后呈正相关。见图3。

 

图3. 生物标志物与临床结局的Cox模型分析

 

纳入生物标志物后，对于房颤不良结局的预测效果得到显著性改善；采用机器学习后，模型预测的效果较传统Cox回归更佳（不同方法的P值如图4所示）。

 

图4. 不同方法的P值

 

总之，该研究发现与房颤不良结局相关的生物标志物，包括心肌损伤生物标志物（高敏肌钙蛋白）、炎症因子（IL-6）、氧化应激标志物（GDF-15）、凝血指标（d-二聚体）和心脏功能障碍/左室高电压相关指标（NT-proBNP、IGFBP-7）。将这些生物标志物整合到基线特征、并采用机器学习的方法建立风险预测模型可改善预警效果，有助于房颤患者的优化管理，将给临床医师对于房颤患者的不良结局风险评估带来新契机。

 

专家简介

张萍 教授

清华大学附属北京清华长庚医院

清华大学长聘教授，博士生导师、清华大学附属北京清华长庚医院副院长，心血管中心主任，清华大学智慧医疗研究院副院长。

擅长心律失常及疑难心血管疾病诊治，特别在心脏性猝死防治及遗传性心律失常的精准治疗、心血管疾病人工智能研究。 

中华医学会心血管病学分会委员兼信息学组组长、中国生物工程学会心律学分会副主任委员、中国医师协会心力衰竭工作委员会副主任委员、海峡两岸医药技术交流协会心血管病分会副主任委员、中国医促会心律心电分会副主任委员、北京医学会心血管病分会副主任委员、 中国老年保健医学研究会数智健康分会主任委员等。

《ESC cardiovascular》副主编、《中华心血管病杂志》《中华心律失常杂志》《中国起搏与电生理杂志》《中华心力衰竭与心肌病杂志（电子版）》《临床心电学杂志》《PACE》《Cardiology Discovery》编委。曾获得国家自然科学基金、国家重点研发计划、“十二五”科技支撑项目、973子课题等基金资助。先后获得教育部自然科学奖、北京市科技进步奖、中华医学科技奖、华夏医学奖等，曾获“人民好医生”“白求恩式好医生”“中国杰出起搏贡献奖”“21世纪中国心电贡献奖”等。