[發明專利]一種用于預測射血分數保留型心衰風險的模型

在審

• 申請號: 202110686960.8
• 申請日: 2021-06-21
• 公開（公告）號: CN113421648A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 方向東;趙學彤;渠鴻竹;董蔚
• 申請（專利權）人: 中國科學院北京基因組研究所（國家生物信息中心）
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/30
• 代理公司: 北京精金石知識產權代理有限公司 11470
• 代理人: 尉月麗

本發明提供了一種預測射血分數保留型心衰風險的模型，所述的模型采集的信息包括以下標志物組合：患者年齡；是否服用利尿劑類藥物；BMI；尿白蛋白；血清肌酐；25個甲基化位點的beta值。通過端到端機器學習模型結合多組學數據交互，對所有患者進行臨床評估以識別風險，通過控制危險因素、治療無癥狀的左心室收縮功能異常等延緩或預防射血分數保留型心衰的發生。本發明提供的模型有很好的臨床應用前景。

技術領域

本發明屬于疾病診斷模型領域，具體涉及一種用于預測射血分數保留型心衰風險的模型。

背景技術

近年來，心力衰竭發病率和死亡率逐年上漲。心力衰竭是由遺傳、神經激素、代謝、炎癥等生化因素的復雜相互作用引起的心臟結構或功能異常變化。慢性心力衰竭(Chronicheart failure，CHF)以心肌能量代謝和代謝重塑障礙為特點，存在高發病率和死亡率。因此，獲得準確的個體化風險評估以協助進一步管理臨床決策是十分必要的。

目前公認的慢性心力衰竭有三種亞型，根據左室射血分數(left ventricularejection fraction，LVEF)分為射血分數降低型心衰(HFrEF)、中等射血分數型心衰(HFmrEF)和射血分數保留型心衰(HFpEF)。三種亞型在病因和病理生理上有很大差異。值得關注的是，HFpEF的早期預測仍然具有挑戰性。建立HFpEF早期預測模型對心力衰竭的風險評估管理和臨床決策十分重要，針對HFpEF風險高的患者及時控制飲食和生活習慣，更符合精準預防的原則。

心衰為多因素導致的疾病，其發生是遺傳因素和環境因素共同作用的結果。表觀遺傳機制如DNA甲基化等參與調節心肌纖維化，導致心肌能量代謝紊亂，發生氨基酸異常代謝、轉運和激活等，促進心血管疾病發展，并對個體疾病風險產生影響，這是HFpEF發生的病理生理學原因之一。眾所周知，HFpEF的發生與臨床因素密切相關。HFpEF的發病風險隨著年齡的增加而急劇增加。DNA甲基化和臨床特征可以在不同的維度描述疾病狀態，存在內部的交互作用。

現有技術中，Sadiya等人開發了一個10年心衰風險模型，模型中包括10個臨床特征，但沒有討論CHF的發病機制和不同亞型。該方法缺乏學習特征交互作用的能力且僅考慮臨床特征，沒有關注于表觀遺傳學因素(Khan SS,Ning H,Shah SJ et al.10-Year RiskEquations for Incident Heart Failure in the General Population.J.Am.Coll.Cardiol.2019；73:2388-2397)。

William B.Kannel等人開發了4年心衰風險評估模型中，心力衰竭的風險采用由9個臨床特征組成的logistic函數進行估計。該方法與Sadiya等人開發的模型存在同樣的問題：缺乏學習特征交互作用的能力且僅考慮臨床特征，沒有關注于表觀遺傳學因素(KannelWB,D'Agostino RB,Silbershatz H et al.Profile for estimating risk of heartfailure.Arch.Intern.Med.1999；159:1197-1204.)。

Edward Choi等人建立了CHF早期檢測模型，使用來自患者電子健康檔案(EHR)的健康數據之間的時間關系建模，預測未來CHF的診斷。該方法僅關注臨床特征，沒有考慮表觀遺傳學因素對未來心衰事件的影響(Choi E,Schuetz A,Stewart WF et al.Usingrecurrent neural network models for early detection of heart failure onset.J.Am.Med.Inform.Assoc.2016；24:361-370)。

目前還未發展集成臨床特征和表觀遺傳特征的HFpEF風險預測模型。因此，研發一種準確、全面的HFpEF風險預測方法是本領域技術人員函待解決的技術問題。

發明內容