Кластерный подход к идентификации 5-летнего прогноза пациентов с хронической сердечной недостаточностью ишемической этиологии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Актуальность. Фенотипическая и патофизиологическая гетерогенность пациентов с хронической сердечной недостаточностью повышает интерес исследователей к группированию по схожим клиническим, генетическим характеристикам на основе кластерного анализа.

Цель. Выделить фенотипические подгруппы в многомерной когорте пациентов с хронической сердечной недостаточностью на фоне ишемической болезни сердца с использованием неконтролируемого кластерного анализа клинических, инструментальных и генетических компонентов.

Материал и методы. Обследованы 470 пациентов с хронической сердечной недостаточностью I–IV функционального класса, стабильного течения, ишемической этиологии обоего пола в возрасте 66,4±10,4 года. Проводили клиническое исследование, генотипирование однонуклеотидных полиморфизмов rs10927875 гена ZBTB17, rs247616 гена CETP, rs1143634 гена IL-1β, rs1800629 гена TNF, rs1800795 гена IL-6, оценивали исходы пациентов в течение 5 лет. Количественные данные представлены как среднее значение и стандартное отклонение либо медиана и межквартильный диапазон; категориальные — как частоты и проценты. Категориальные межгрупповые различия проверяли критерием χ2, количественные — тестом Стьюдента/Манна–Уитни. Проводили иерархическую кластеризацию по 44 демографическим, клиническим, генетическим переменным, время до наступления события анализировали методом Каплана–Мейера, отношение рисков — регрессией Кокса. Статистическая обработка проведена в программе R4.3.1.

Результаты. Идентифицировано 2 кластера пациентов с сердечной недостаточностью. В кластере 1 (66%) были пациенты старшего возраста обоего пола, преимущественно III–IV функционального класса хронической сердечной недостаточности, с увеличенными камерами сердца, сниженной фракцией выброса левого желудочка, большей частотой сердечных сокращений, фибрилляции предсердий и гипертрофии левого желудочка. В данном кластере выявлено больше носителей GG-генотипа полиморфизма rs1800795 гена IL-6 (р <0,001) и СТ-генотипа полиморфизма rs247616 гена CETP (р=0,014). Кластер 2 (34%) представлен преимущественно женщинами более молодого возраста, с бóльшим метаболическим индексом, перенесённым в прошлом инфарктом миокарда и коронарным вмешательством, курящих, большей долей ТТ-генотипа полиморфизма rs247616 гена CETP (р=0,029).

Вывод. Выделено 2 кластера пациентов с хронической сердечной недостаточностью, характеризующихся разным набором 44 переменных, определяющих риск смерти от всех причин.

Об авторах

Елена Владимировна Хазова

Казанский государственный медицинский университет; Казанский (Приволжский) федеральный университет

Автор, ответственный за переписку.
Email: hazova_elena@mail.ru
ORCID iD: 0000-0001-8050-2892
SPIN-код: 7013-4320
Scopus Author ID: 57205153574
ResearcherId: O-2336-2016

канд. мед. наук, доц., каф. пропедевтики внутренних болезней им. проф. С.С. Зимницкого, ФГБОУ ВО Казанский ГМУ Минздрава России; науч. сотр., УНИЛ «Новые профессиональные компетенции по здоровьесбережению», Институт фундаментальной медицины и биологии

Россия, г. Казань; г. Казань

Список литературы

  1. Heinzel F.R., Shah S.J. The future of heart failure with preserved ejection fraction: Deep phenotyping for targeted therapeutics // Herz. 2022. Vol. 47, N. 4. P. 308–323. doi: 10.1007/s00059-022-05124-8
  2. Cleland J.G, Pellicori P., Dierckx R. Clinical trials in patients with heart failure and preserved left ventricular ejection fraction // Heart Fail Clin. 2014. Vol. 10, N. 3. P. 511–523. doi: 10.1016/j.hfc.2014.04.011
  3. Potabashniy V.A. The phenotypes of chronic heart failure in patients with ischemic heart disease combined with chronic obstructive pulmonary disease // Medicni perspektivi. 2018. Vol. 23, N. 3. P. 161–171. doi: 10.26641/2307-0404.2018.3(part1).142364
  4. Полунина Е.А., Воронина Л.П., Попов Е.А., и др. Прогностические алгоритмы прогрессирования хронической сердечной недостаточности в зависимости от клинического фенотипа // Кардиоваскулярная терапия и профилактика. 2019. Vol. 18, N. 3. P. 41–47. doi: 10.15829/1728-8800-2019-3-41-47
  5. Shah S.J., Katz D.H., Selvaraj S., et al. Phenomapping for novel classification of heart failure with preserved ejection fraction // Circulation. 2015. Vol. 131, N. 3. P. 269–279. doi: 10.1161/CIRCULATIONAHA.114.010637
  6. Sun J., Guo H., Wang W., et al. Identifying novel subgroups in heart failure patients with unsupervised machine learning: A scoping review // Front Cardiovasc Med. 2022. Vol. 9. P. 895836. doi: 10.3389/fcvm.2022.895836
  7. Cohen J.B., Schrauben S.J., Zhao L., et al. Clinical phenogroups in heart failure with preserved ejection fraction: Detailed phenotypes. Prognosis, and response to Spironolactone // JACC Hear Fail. 2020. Vol. 8. P. 172–184. doi: 10.1016/j.jchf.2019.09.009
  8. Woolley R.J., Ceelen D., Ouwerkerk W., et al. Machine learning based on biomarker profiles identifies distinct subgroups of heart failure with preserved ejection fraction // Eur J Heart Fail. 2021. Vol. 23. P. 983–991 doi: 10.1002/ejhf.2144
  9. Цыганкова О.В., Веретюк В.В. Фенотипические кластеры пациентов с хронической сердечной недостаточностью с сохранённой и промежуточной фракцией выброса: новые данные и перспективы // Российский кардиологический журнал. 2021. Т. 26, № 4. С. 4436. doi: 10.15829/1560-4071-2021-4436
  10. Мареев В.Ю., Фомин И.В., Агеев Ф.Т., и др. Клинические рекомендации ОССН — РКО — РНМОТ. Сердечная недостаточность: хроническая (ХСН) и острая декомпенсированная (ОДСН). Диагностика, профилактика и лечение // Кардиология. 2018. Т. 58, № 6S. С. 8–158. doi: 10.18087/cardio.2475
  11. Devereux R.B., Alonso D.R., Lutas EM, et al. Echocardiographic assessment of left ventricular hypertrophy: Comparison to necropsy findings // Am J Cardiol. 1986. Vol. 57, N. 6. P. 450–458. doi: 10.1016/0002-9149(86)90771-x
  12. Friedewald W.T., Levy R.I., Fredrickson D.S. Estimation of the concentration of low-density lipoprotein cholesterol in plasma, without use of the preparative ultracentrifuge // Clin Chem. 1972. Vol. 18, N. 6. P. 499–502. doi: 10.1093/clinchem/18.6.499
  13. Ройтберг Г.Е., Дорош Ж.В., Шархун О.О., и др. Возможности применения нового метаболического индекса при оценке инсулинорезистентности в клинической практике // Рациональная фармакотерапия в кардиологии. 2014. Т. 10, № 3. С. 264–274. EDN: SHBHZB
  14. Смирнов А.В., Шилов Е.М., Добронравов В.А., и др. Национальные рекомендации. Хроническая болезнь почек: основные принципы скрининга, диагностики, профилактики и подходы к лечению // Нефрология. 2012. Т. 16, № 1. С. 89–115. EDN: NJWAGE
  15. Segar M.W., Patel K.V., Ayers C., et al. Phenomapping of patients with heart failure with preserved ejection fraction using machine learning-based unsupervised cluster analysis // Eur J Heart Fail. 2020. Vol. 22, N. 1. P. 148–158. doi: 10.1002/ejhf.1621
  16. Kyodo A., Kanaoka K., Keshi A., et al. Heart failure with preserved ejection fraction phenogroup classification using machine learning // ESC Heart Fail. 2023. Vol. 10, N. 3. P. 2019–2030. doi: 10.1002/ehf2.14368
  17. Stienen S., Ferreira J.P., Kobayashi M., et al. Enhanced clinical phenotyping by mechanistic bioprofiling in heart failure with preserved ejection fraction: Insights from the MEDIA-DHF study (The Metabolic Road to Diastolic Heart Failure) // Biomarkers. 2020. Vol. 25, N. 2. P. 201–211. doi: 10.1080/1354750X.2020.1727015

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Результаты иерархической кластеризации пациентов с хронической сердечной недостаточностью

Скачать (105KB)
Метаданные
3. Рис. 2. Общая выживаемость в выделенных кластерах пациентов

Скачать (24KB)
Метаданные
4. Рис. 3. Сердечно-сосудистая выживаемость в выделенных кластерах пациентов

Скачать (22KB)
Метаданные
5. Рис. 4. Бессобытийная выживаемость в выделенных кластерах пациентов

Скачать (23KB)
Метаданные

© 2024 Эко-Вектор



Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».