AHA 2025 中国之声丨天津医科大学总医院：心血管诊疗创新研究成果

2025年美国心脏协会科学会议（AHA）于11月7-10日在新奥尔良隆重举行，天津医科大学总医院团队发布了四项心血管领域的重要研究成果。研究团队在血脂管理、疾病分型和早期诊断等方面取得系列突破：首次揭示合并心力衰竭的STEMI患者血脂管理的特殊规律，创新应用机器学习识别子痫前期临床表型，并基于血小板转录组开发出冠心病无创诊断和急性冠脉闭塞早期识别的新方法。这些创新发现为心血管疾病的精准防治提供了重要的理论依据和实践指导。

1. 合并心力衰竭的ST段抬高型心肌梗死后低密度脂蛋白胆固醇水平与预后的关联：一项真实世界队列研究

研究背景

强化降脂治疗可显著降低ST段抬高型心肌梗死患者主要不良心血管事件风险。然而ODYSSEY OUTCOMES研究事后分析发现，阿利西尤单抗未能降低合并心力衰竭的急性冠脉综合征患者主要不良心血管事件风险。

研究方法

本队列研究使用天津健康医疗数据平台2013-2022年数据，纳入合并心力衰竭的ST段抬高型心肌梗死患者，排除住院期间未使用他汀类药物者。以ST段抬高型心肌梗死后1-3个月测量的低密度脂蛋白胆固醇水平为暴露变量。主要结局为主要不良心血管事件（包括全因死亡、复发性心肌梗死和脑卒中的复合终点及各独立组分）。采用限制性立方样条分析低密度脂蛋白胆固醇与结局的非线性关联，通过多变量调整Cox模型计算风险比及95%CI 。

研究结果

共纳入4,410例患者（中位随访3年，平均年龄66岁），其中655例（14.88%）发生主要不良心血管事件，311例（7.07%）死亡，184例（4.18%）复发心肌梗死，269例（6.11%）发生脑卒中。限制性立方样条显示低密度脂蛋白胆固醇水平与主要不良心血管事件、复发性心肌梗死和脑卒中呈线性正相关，但与死亡率呈现反J型曲线：低密度脂蛋白胆固醇每降低10 mg/dL（低于70 mg/dL时），死亡风险增加19%（风险比1.19，95%CI 1.01-1.40）。阈值分析（低密度脂蛋白胆固醇<70 mg/dL vs. >70 mg/dL）显示较低复发性心肌梗死风险（风险比0.59，95%CI 0.42-0.84）和临界的主要不良心血管事件风险降低（风险比0.85，95%CI 0.71-1.01），但无死亡获益（风险比1.00，95%CI 0.95-1.30）和脑卒中获益（风险比0.79，95%CI 0.60-1.04）。在高缺血风险亚组（年龄>65岁、高血压、未接受经皮冠状动脉介入治疗、ST段抬高型心肌梗死基线低密度脂蛋白胆固醇>100 mg/dL）中，较低低密度脂蛋白胆固醇水平带来更显著的主要不良心血管事件风险降低。

研究结论

在合并心力衰竭的ST段抬高型心肌梗死患者中，降脂治疗后低密度脂蛋白胆固醇<70 mg/dL与降低复发性心肌梗死风险相关，但伴随死亡率反常升高。这些发现强调需要平衡强化降脂的获益与风险，重视个体化治疗及长期效应研究。

2. 基于机器学习方法对子痫前期表型进行推导与验证

研究背景

子痫前期是一种异质性疾病，新近证据表明其存在多种表型。识别不同临床表型有助于精准治疗并改善临床结局。本研究旨在运用机器学习方法识别和验证子痫前期表型，并评估其与不良妊娠结局的关联。

研究方法

在推导队列（n=2,386）中，对26项常规临床变量应用K均值聚类推导表型。开发包含关键生物标志物的机器学习分类器，并在验证队列（n=1,570）中进行外部验证以分配表型。分析各表型的生物学标志物、临床结局（主要结局：包含小于胎龄儿、早产、死产和新生儿死亡的复合终点）以及足月子痫前期中分娩时机选择的异质性影响。

研究结果

推导队列中识别出四种独特表型：表型A表现为低凝状态，表型B呈现相对性血小板减少，表型C显示高凝特征，表型D则具有肝肾功能异常、高钾血症及凝血功能障碍。这些发现在验证队列中得到复现。与表型A相比，表型D的主要结局风险最高（相对危险度2.83，95%CI 2.48–3.23，P<0.001），其次为表型C（相对危险度1.72，95%CI 1.49–1.99）和表型B（相对危险度1.28，95%CI 1.08–1.50）。在足月子痫前期中，表型A、B和D于37周分娩较40周后分娩增加不良结局风险；表型C在37-39周分娩即呈现风险升高。

研究结论

通过常规健康数据识别出四种子痫前期临床表型，各表型具有独特的母体特征谱和不同的胎儿结局。这些表型反映了多样化的潜在病理生理过程，可为个体化分娩时机决策提供依据。基于机器学习的表型分析策略有望推动精准产科发展，提升对子痫前期的理解和管理水平。

3. 基于血小板转录组的机器学习模型在冠心病诊断中的应用

研究目的

对疑似心绞痛患者进行无创冠心病评估对指导临床管理策略至关重要。然而，当前无创诊断模型准确性有限，而侵入性冠状动脉造影不仅存在操作风险，还会增加不必要的医疗成本。因此，亟需开发一种安全、经济且准确的无创冠心病检测方法。血小板转录组在心血管疾病中表现出独特的表达模式，为基于分子的无创诊断提供了新机遇。本研究旨在分析血小板转录组变化，通过应用机器学习方法开发无创冠心病诊断模型，以准确评估冠心病存在情况。

研究方法

本研究纳入291例接受冠状动脉造影的疑似心绞痛患者。通过血小板批量RNA测序与DESeq2差异分析，比较189例冠状动脉狭窄≥50%的冠心病患者与102例无冠状动脉狭窄（<50%）患者的血小板特征。采用LASSO回归算法识别冠心病相关基因，构建四种机器学习模型：PLT模型（仅使用血小板转录组特征）、临床风险因素模型（年龄、性别、糖尿病、高血压、高脂血症、吸烟）、PLT+临床风险因素组合模型及更新版Diamond-Forrester模型。采用曲线下面积评估并比较各模型诊断性能。

研究结果

在冠状动脉狭窄≥50%与无狭窄（<50%）患者间共鉴定出287个差异表达基因。PLT模型表现出0.73的敏感度、0.77的特异度及0.818的曲线下面积（95%CI 0.73-0.90），其诊断性能优于更新版Diamond-Forrester模型（曲线下面积0.625，95%CI 0.51-0.78）、临床风险因素模型（曲线下面积0.708，95%CI 0.59-0.82）及PLT+临床风险因素组合模型（曲线下面积0.78，95%CI 0.68-0.88）。结果表明PLT模型具有优异的预测准确性。

研究结论

这项初步研究表明，基于血小板转录组特征的机器学习模型有望成为冠心病无创诊断的新方法。

4. 基于血小板转录组学的急性冠脉闭塞识别：指导非ST段抬高型心肌梗死早期血运重建的风险分层工具

研究背景

非ST段抬高型心肌梗死由冠状动脉斑块破裂引发，血小板活化驱动非阻塞性血栓形成。心电图通常表现为ST段压低或T波倒置。然而，部分心电图诊断为非ST段抬高型心肌梗死的患者存在罪犯血管急性完全闭塞。现有诊断工具缺乏识别此类患者的敏感度，可能延误血运重建并导致不良结局。尽管血小板基因在肿瘤学和肺动脉高压领域已被探索作为液体生物标志物，但其在非ST段抬高型心肌梗死患者急性完全闭塞早期识别中的潜力尚未被发掘。

研究方法

纳入69例非ST段抬高型心肌梗死患者，入院时采集外周血进行血小板RNA测序。根据冠状动脉造影结果将患者分为急性完全闭塞组与非急性完全闭塞组。基于LASSO筛选的临床特征和血小板转录组数据，构建三种随机森林预测模型：临床模型、血小板模型及临床-血小板联合模型。采用曲线下面积评估模型区分度并与已发表的CAR评分模型比较，通过校准曲线和决策曲线分析评估联合模型的校准精度与临床净获益。

研究结果

69例非ST段抬高型心肌梗死患者中，26例（37.7%）经冠状动脉造影证实存在罪犯血管急性完全闭塞。临床-血小板联合模型展现出最优预测性能（曲线下面积=0.900），显著优于临床模型（曲线下面积=0.582）、血小板模型（曲线下面积=0.894）和已报道的CAR模型（曲线下面积=0.685）。校准曲线显示联合模型拟合良好（Brier评分=0.157，最大误差=0.288），决策曲线分析证实其具有临床净获益。

研究结论

本研究整合血小板转录组学与临床数据建立的机器学习模型，能有效识别非ST段抬高型心肌梗死患者急性完全闭塞的关键生物标志物与临床特征。该模型具有可靠的诊断准确性及临床适用性，为急性完全闭塞患者的急诊血运重建决策提供了潜在诊断工具。