早期筛查和有效的治疗手段，使全球的癌症幸存者人数增加。仅在美国，这个数字估计从2019年的1690万增加到2030年的2210万。然而，癌症生存率的提高导致了其他威胁生命的疾病的更大风险，特别是心血管疾病（CVD），后者是癌症幸存者死亡和发病的第二大原因。

癌症幸存者心血管疾病风险的增加部分与癌症治疗相关的心脏功能障碍（CTRCD）有关，包括放疗、化疗、靶向治疗和免疫治疗。例如，多柔比星是多种恶性肿瘤的一线抗癌药物；然而，多柔比星对心血管有短期和长期的不良影响，包括心力衰竭、心肌病和左心室功能障碍。

对CTRCD的认识不断提高，导致了新兴的心脏肿瘤学领域的出现。然而，由于缺乏预测性和预后性的检测方法，在如何评估、预防和治疗癌症幸存者的CTRCD方面，指南有限。超声心动图是评估CTRCD的最常用的临床测试。美国超声心动图学会（ASE）将心功能不全定义为左心室射血分数（LVEF）低于正常下限的10%。

然而，仅靠传统的超声心动图检查方法有其局限性，包括高假阳性率。此外，当发现LVEF下降时，干预已经很晚了，因为只有42%的患者能部分或完全恢复左心室功能。下一代机器学习技术可以利用大规模临床数据的力量，为预测哪些患者有风险并允许早期干预以预防心血管疾病风险提供新的可能性。

可见，对于如何预测哪些患者会出现不良的心脏结果，人们的认识还很有限。为此，来自美国克利夫兰诊所Lerner研究所基因组医学研究所的专家开展了相关研究，旨在利用大规模的机构电子医疗记录对癌症患者进行无偏见的心脏风险分层。结果发表在近期PLOS Med杂志上。

研究人员建立了一个大型的纵向（从1997年3月到2019年1月）心肺肿瘤学队列，在克利夫兰诊所有4632名癌症患者，有5种诊断的心脏结果：心房颤动、冠状动脉疾病、心力衰竭、心肌梗塞和中风。

由4个群组（亚群）着色的患者-患者网络

利用基于拓扑结构的K-均值聚类方法，对一般人口统计学、超声心动图、实验室测试和心脏因素（心脏）的数据进行无偏的患者-患者网络分析。随后进行了危险比（HR）和Kaplan-Meier分析，以确定临床上可操作的变量。

结果共确定了4个与临床相关的亚组，它们与心脏结果的发生率和死亡率明显相关。在这4个亚组中，亚组I（n = 625）的新发CTRCD风险最高（28%），风险增加2倍多（HR= 3.05，95% CI 2.51-3.72）。第四亚组的患者（n = 1250）的生存概率最差（HR =4.32，95% CI 3.82-4.88）。

从纵向的患者网络分析来看，亚组I的患者有较高的新发CTRCD比例，与长期接触（6-20）的患者相比，癌症治疗开始后5年内的死亡率更差。

显示网络中新的CTRCD（左）和死亡率（右）分布的渐进式热图。

利用临床变量网络分析，研究人员发现血清中NT-proBNP和肌钙蛋白T的水平与患者的死亡率显著相关（NT-proBNP>900 pg/ml与NT-proBNP=0-125 pg/ml，HR=2. 95；肌钙蛋白T > 0.05 μg/L-肌钙蛋白T ≤ 0.01 μg/L，HR = 2.08) 。

综上，该研究证明了病人-病人网络聚类的方法在临床上是直观的，它可以更快速地识别出有更大心脏功能障碍风险的癌症幸存者。我们相信，这项研究对识别新的心脏风险亚群和临床上可操作的变量有很大的希望，以促进精准心脑血管病学的发展。

参考文献：

Cardiac risk stratification in cancer patients: A longitudinal patient–patient network analysis. https://doi.org/10.1371/journal.pmed.1003736