2025年3月29~31日，第74届美国心脏病学会年度科学会议(ACC.25)在美国芝加哥举行。重庆医科大学附属第一医院罗素新教授团队有多项研究入选1本次大会的口头报告或壁报展示。本文整理其中三项研究内容，以飨读者。

一、对比冠状动脉造影与冠状动脉CTA对心力衰竭患者冠脉病变的评估

Coronary angiography versus coronary CTA for coronary artery evaluation in patients with heart failure

图1. 罗素新教授团队黄毕博士在ACC.25现场进行壁报展示

研究者：黎铸，方一顺，黄毕，秦俭，罗素新

研究背景

冠状动脉疾病（CAD）是心力衰竭（HF）的主要原因之一，目前指南推荐对原因不明的HF排除CAD。冠状动脉计算机断层成像血管造影（CCTA）和冠状动脉血管造影（CAG）是两种诊断CAD的常用手段，但哪种检查更适合用于筛查HF患者的冠脉病变尚不清楚。

研究方法

本研究是一项回顾性研究，对2016年9月至2023年6月期间左心室射血分数（LVEF）≤50%、无典型的缺血性胸痛症状的患者，对比CCTA和CAG筛查CAD的结果。研究终点为发现冠状动脉主要分支狭窄≥50%。使用Logistic回归分析冠脉病变阳性（冠状动脉主要分支狭窄≥50%）的因素，并采用Boruta算法分析与冠脉病变阳性相关的临床特征"。

研究结果

1、CCTA组和CAG组冠状动脉主要分支狭窄≥50%的总体检出率相似（25.3% vs. 26.2%，P=0.969），冠状动脉各主要分支及PCI的比例两组均无显著差异。

图2. CCTA对比CAG冠脉病变的比较

2、多因素logistic回归显示，男性（OR=1.865，95%CI:1.167~2.980，P=0.009）、年龄≥65岁（OR=1.795，95%CI:1.190~2.706，P=0.005）、患高血压（OR=1.757，95%CI:1.174~2.628，P=0.005）、糖尿病（OR=2.856，95%CI:1.886~4.324，P=0.001）是冠状动脉筛查阳性的显著相关因素。

表1. Logistic回归分析与冠脉病变阳性相关的因素

3、Boruta算法显示，高血压、糖尿病、高龄、N末端B型利钠肽前体（NT-proBNP）、低密度脂蛋白（LDL）和糖化血红蛋白（HbA1c）是与冠状动脉狭窄程度≥50%最相关的临床特征。

图3. Boruta算法分析与冠脉病变阳性相关的临床特征

研究结论

LVEF≤50%，无胸痛性胸痛症状的HF患者的HF病因多为非缺血性，对这些患者的冠脉病变的筛查多属于排除性诊断，可优先选择CCTA，但对于合并冠心病危险因素，如合并高血压、糖尿病、高龄等，可考虑首选CAG进行冠脉病变筛查。

研究点评

HF病因复杂多样，冠脉病变是原因之一，但对于无明显缺血性症状的LVEF≤50%的HF患者，基于CCTA的优势，可优先选择CCTA进行筛查；对于合并冠心病危险因素的患者，可优先考虑选择CAG检查。

二、机器学习预测急性心肌梗死并发心源性休克患者的预后

Machine Learning for Predicting the Prognosis in Patients with Acute Myocardial Infarction Complicated by Cardiogenic Shock

图4. 罗素新教授团队黄毕博士在ACC.25现场进行口头报告

研究者：黄毕，陈静，方一顺，谢林峰，李远翥，罗素新

研究背景

急性心肌梗死（AMI）并发心源性休克（CS）的患者临床异质性大，死亡率高，目前关于AMI并发CS患者的预后预测模型不够理想，机器学习是一种很有潜力的预测AMI并发CS患者的预后的方法。本研究旨在通过机器学习的方法预测AMI并发CS患者的预后。

研究方法

本研究是一项回顾性研究，收集了2013年9月至2022年诊断为AMI并发CS的临床资料。研究终点是30天全因死亡。采用Logistic回归、Boruta和LASSO回归评估与30天全因死亡的临床特征，通过机器学习的算法预测患者的30天全因死亡，以曲线下面积（AUC）作为预测效能的指标并以SHAP分析评估预测模型的可解释性。

研究结果

1、通过Logistic回归、Boruta和LASSO回归筛选了15个与30天死亡相关的临床特征。

图5. Boruta和LASSO回归筛选与30天全因死亡相关的临床特征

2、8种机器学习模型的AUC均在0.9以上，提示机器学习有较好的预测效能。在特征的重要性中，包括收缩压、血尿素氮、年龄、白细胞计数等均是预测AMI并发CS患者30天死亡的重要临床特征。

图6. 不同的机器学习模型的预测效能和特征的重要性排序

3、机器学习不同的特征及模型的可解释性良好。

图7. 机器学习不同的特征及模型的可解释性

研究结论

基于机器学习的算法可用于AMI并发CS患者预后的预测，不同的机器学习模型均达到了较高的预测效能，特征选择是机器学习预测模型的关键，血尿素氮、白细胞计数、收缩压、乳酸等是机器学习算法预测AMI并发CS患者30天全因死亡的重要特征。

研究点评

AMI并发CS的患者预后差，机器学习的算法可为AMI并发CS的患者提供危险分层。但由于患者临床异质性大，特征复杂，如何简化临床特征，增加临床应用的可推广性值的进一步研究。

三、多频相位角与慢性心力衰竭患者的预后：一项前瞻性、观察性研究

Multi-frequency phase angle and long-term survival in chronic heart failure patients: a prospective observational study

图8. 罗素新教授团队黄毕博士在ACC.25现场进行壁报展示

研究者：方一顺，谢林峰，罗素新，黄毕

研究背景

水钠潴留是心力衰竭的重要特征之一，其严重程度和患者的预后独立相关。生物电阻抗分析（BIA）可精准反映体内水份分布。这一研究旨在评价慢性心力衰竭（CHF）患者入院时通过BIA测量的多频相位角（PhA）值与长期预后的相关性。

研究方法

本前瞻性研究纳入了401列CHF患者，采用多频生物电阻抗分析（InBody S10）测量三种不同频段（5kHz、50kHz、250kHz）的PhA。通过受试者工作特征（ROC）曲线比较不同频段PhA对患者长期预后的预测价值，并采用Kaplan-Meier（K-M）生存分析及多变量回归分析评估PhA与预后的相关性。主要终点为全因死亡和心血管死亡。

研究结果

1、与存活患者相比，死亡患者的PhA在5kHz（2.05 [1.56~2.58] vs. 2.30 [1.93~2.88], P＜0.001）、50 kHz（4.22 [3.15~4.98] vs. 5.00 [4.17~5.98], P＜0.001）和 250 kHz（3.90 [2.92~4.94] vs. 4.70 [3.50~5.67], P＜0.001）均显著降低 。

图9. 死亡和存活患者不同频段的PhA测量值比较

2、ROC 曲线显示，PhA 50 kHz 的曲线下面积显著高于PhA 5 kHz和PhA 250 kHz。不同频段PhA预测长期全因死亡的最佳切点值：PhA 5 kHz为1.83，PhA 50 kHz 为4.38，PhA 250 kHz为4.47。

图10. 不同频段的PhA预测CHF患者长期全因死亡及心血管死亡的ROC曲线分析

3、随访1200天后，K-M曲线显示三个频段的PhA降低与长期全因死亡和心血管死亡显著相关（log rank P值均＜0.05）。

图11. 不同频段PhA与CHF患者长期全因死亡和心血管死亡的K-M曲线

4、多因素COX回归分析显示，仅PhA50kHz≤4.38与全因死亡（HR 1.806; 95%CI 1.230~2.652, P=0.003）和心血管死亡 (HR 1.890; 95%CI 1.201~2.974, P=0.006)独立相关。

图12. 多因素COX回归分析

研究结论

在CHF患者中，液体潴留导致PhA值降低，PhA 50kHz测量值与其他频段相比能更更好地预测CHF的预后，PhA 50kHz≤4.38是CHF患者长期预后不良的独立危险因素，其中下肢的PhA 50kHz的测量值与CHF患者的预后相关性最大。

研究点评

水钠潴留与CHF患者的预后密切相关。生物电阻抗分析测得的PhA可准确反映细胞成分、体液状态，并有望成为CHF患者的新型及客观预后指标。通过PhA测量指导临床治疗能否改善CHF患者的预后值得进一步研究。

专家简介

罗素新 教授

重庆医科大学附属第一医院心血管内科主任，教授、主任医师、医学博士、博士生导师、留美学者，重庆英才·创新领军人才，重庆市学术技术带头人，担任中华医学会内科学专委会常委、中国医师协会心血管内科医师分会常委、中国医师协会心力衰竭专委会常委及重庆市多个专委会主任委员及副主任委员，主持国家级及省部级课题20余项。主编临床医学教材1部、副主编2部，发表论文100余篇、SCI 40余篇，擅长冠心病、心力衰竭及心肌病等疾病的诊治。

黄毕

医学博士，副主任医师、副教授，硕士研究生导师，重庆市中青年医学高端人才，英国利物浦大学访问学者，擅长心律失常、心力衰竭及心肌病的诊治。担任中华医学会内科学分会青年委员、重庆市医学会心血管病专委会青委副主委、重庆市中西医结合学会心脏康复和心力衰竭专委会委员。承担国家自然科学基金面上项目、重庆市科委、重庆市卫健委、校院级课题7项，发表第一作者及通讯作者SCI论文50多篇。

黎铸

重庆医科大学附属第一医院2022级心血管内科研究生，主要研究方向为心力衰竭，发表中文核心期刊1篇。

BRYAN RICHARD SASMITA（方一顺）

医学博士，重庆医科大学附属第一医院心血管内科心力衰竭及心肌淀粉样变亚专业团队。主要从事心力衰竭和心肌病的研究，以第一/共同作者发表SCI论著14篇。熟悉心血管常见病及多发病的诊治。