Longitudinal phenotyping of heart failure with preserved ejection fraction identifies early- and end-stage disease states.

چکیده اصلی

BACKGROUND AND AIMS: Heart failure with preserved ejection fraction (HFpEF) phenotypes have been characterised as static entities in trial populations yet their temporal dynamics remain unexplored in routine clinical practice. We aimed to identify HFpEF phenogroups from real-world electronic health records (EHRs), characterise their longitudinal stability and determine whether phenogroup trajectories were associated with differences in mortality. METHODS: A natural language processing (NLP) pipeline identified HFpEF cases from multisite EHRs (2010-2022). Latent class analysis (LCA) defined baseline phenogroups and annual supervised random forest (RF) classification using time-updated values of the same baseline LCA variables tracked individual transitions over five years. Competing risks regression quantified transition versus death probabilities. Time-varying Cox models assessed mortality risk associated with current (vs baseline) phenogroup status. Phenogroups were independently re-derived by LCA in an external cohort and compared with RF predictions. RESULTS: Among 2223 patients (60% female, median age 75 years (IQR 63-83); left ventricular ejection fraction (LVEF) 60.1%; follow-up 4.0 years (IQR 2.2-6.1), we identified four phenogroups: young-low comorbidity (22%), obesity-predominant (24%), elderly atrial dysfunction (32%) and cardiovascular-kidney-metabolic (23%). Young-low comorbidity had the highest transition probability (47.7%), while cardiovascular-kidney-metabolic and elderly-atrial dysfunction were highly stable (3.2% and 12.1% transitioned, respectively). Within young-low comorbidity, those who transitioned had greater baseline cardiac abnormalities, including higher E/e', left ventricle mass and wall thickness. Adjusted mortality risk was highest in cardiovascular-kidney-metabolic (HR 1.53, 95% CI 1.22 to 1.92, p<0.001); current phenogroup status discriminated mortality risk modestly better than baseline classification alone (C-index 0.659 vs 0.648). In an independent external cohort (n=3349), RF predictions agreed strongly with independently derived LCA phenogroup labels (C-statistics 0.891-0.953). CONCLUSION: Longitudinal NLP-based phenotyping of real-world EHRs identified four reproducible HFpEF phenogroups with distinct trajectories, distinguishing an early progressive disease state from stable advanced phenotypes. Earlier HFpEF detection using artificial intelligence-driven EHR tools could facilitate phenotype-targeted treatment of patients at potentially modifiable stages.

ترجمه فارسی چکیده

اختلال عملکرد قلب با توده انقباضی باقی‌مانده (HFpEF) به عنوان موجودیت‌های ثابت در جمعیت‌های مطالعه توصیف شده‌اند، اما دینامیک‌های زمانی آن‌ها در عمل بالینی روزمره بررسی نشده است. هدف این مطالعه شناسایی گروه‌های فنوتیپی HFpEF از سوابق الکترونیک سلامت (EHR) واقعی، توصیف پایداری طولی آن‌ها و تعیین ارتباط مسیرهای گروه فنوتیپی با تفاوت‌های مرگ‌ومیر بود. روش‌ها: یک خط لوله پردازش زبان طبیعی (NLP) موارد HFpEF را از EHRهای چندمحلی (2010-2022) شناسایی کرد. تحلیل کلاس پنهان (LCA) گروه‌های فنوتیپی پایه را تعریف کرد و طبقه‌بندی تصادفی نظارت‌شده سالانه با استفاده از مقادیر به‌روز شده در طول زمان متغیرهای LCA پایه، انتقال‌های فردی را در پنج سال ردیابی کرد. رگرسیون ریسک‌های متقابل احتمال انتقال در برابر مرگ را سنجید. مدل‌های کاکس با متغیرهای زمانی ریسک مرگ‌ومیر مرتبط با وضعیت فعلی (در برابر پایه) گروه فنوتیپی را ارزیابی کردند. گروه‌های فنوتیپی به طور مستقل با LCA در یک جمعیت خارجی بازتعریف شدند و با پیش‌بینی‌های RF مقایسه شدند. نتایج: در میان 2223 بیمار (60% زن، میانگین سنی 75 سال؛ توده انقباضی بطن چپ 60.1٪؛ پیگیری 4.0 سال)، چهار گروه فنوتیپی شناسایی شد: جوان-کم بیماری‌زایی (22%)، غالبیت چاقی (24%)، پیری-نارسایی اتریال (32%) و قلبی-کلیوی-متابولیک (23%). جوان-کم بیماری‌زایی بالاترین احتمال انتقال (47.7٪) را داشت، در حالی که قلبی-کلیوی-متابولیک و پیری-نارسایی اتریال بسیار پایدار بودند (3.2٪ و 12.1٪ انتقال، به ترتیب). در میان جوان-کم بیماری‌زایی، کسانی که تغییر وضعیت دادند، ناهنجاری‌های قلبی بالاتر در پایه داشتند، از جمله E/e' بالاتر، توده بطن چپ و ضخامت دیواره. ریسک مرگ‌ومیر تعدیل شده در قلبی-کلیوی-متابولیک بالاتر بود (HR 1.53، 95% CI 1.22 تا 1.92، p<0.001). وضعیت فعلی گروه فنوتیپی به طور متوسط بهتر از طبقه‌بندی پایه به تنهایی مرگ‌ومیر را تشخیص داد (C-index 0.659 در برابر 0.648). در یک جمعیت خارجی مستقل (n=3349)، پیش‌بینی‌های RF با برچسب‌های فنوتیپی LCA به طور مستقل به دست آمده همسو بود (C-statistics 0.891-0.953). نتیجه‌گیری: تعیین‌گرهای طولی مبتنی بر NLP از EHRهای واقعی، چهار گروه فنوتیپی قابل تکرار HFpEF با مسیرهای متمایز را شناسایی کرد که یک وضعیت بیماری پیشرونده در مراحل اولیه را از فنوتیپ‌های پیشرفته پایدار متمایز می‌کند. شناسایی زودهنگام HFpEF با استفاده از ابزارهای EHR مبتنی بر هوش مصنوعی می‌تواند درمان هدفمند فنوتیپی را برای بیماران در مراحل احتمالاً قابل اصلاح تسهیل کند.

متن کامل اصلی