Phenotypic Heterogeneity in Ischemic Heart Disease Uncovered by Unsupervised Clustering of Routine Laboratory Parameters

Die verborgenen Muster in Ihrem Blut

Stellen Sie sich Ihren Körper als eine geschäftige Stadt vor. Jahrelang waren Ärzte wie Verkehrskontrolleure, die die Hauptverkehrsstraßen beobachteten, um zu sehen, ob es dort einen Stau gibt. In der Welt der Herzgesundheit ist dieser „Stau“ die ischämische Herzkrankheit (IHD), ein Zustand, bei dem der Herzmuskel nicht genügend sauerstoffreiches Blut erhält. Traditionell haben sich Ärzte, um das spezifische Verkehrsproblem eines Patienten zu verstehen, auf teure, hochtechnologische Werkzeuge wie Röntgiekameras (Angiographie) oder komplexe genetische Karten (Omics) verlassen, um genau zu sehen, was im Inneren passiert.

Aber was wäre, wenn die täglichen Routenberichte der Stadt – die einfachen Protokolle über die Müllabfuhr, den Wasserverbrauch und die Stromrechnungen – Ihnen fast genauso viel über die Verkehrsstaus verraten könnten? In der Medizin sind diese „Routenberichte“ die Standard-Bluttests, die jeder bekommt: Kontrollen der roten Blutkörperchen, der Leberfunktion, der Nierengesundheit und der Fette im Blut. Diese Tests sind günstig, schnell und fast überall verfügbar. Die große Frage, die sich Wissenschaftler gestellt haben, lautet: Können wir diese einfachen, alltäglichen Zahlen nutzen, um versteckte Gruppen von Patienten zu finden, die sich in Wirklichkeit stark voneinander unterscheiden, selbst wenn sie alle dieselbe Diagnose für Herzkrankheit haben? Dieses Paper taucht in dieses Geheimnis ein und nutzt eine spezielle Art von „Computergehirn“, das „unüberwachtes maschinelles Lernen“ (unsupervised machine learning), um Patienten allein basierend auf ihrer Blutarbeit in Teams einzuteilen, ohne die „Rohre“ des Herzens oder die DNA betrachten zu müssen.

Das große Bluttest-Sortieren

In dieser Studie beschlossen Forscher in Lahore, Pakistan, ein Spiel namens „Die Menge organisieren“ mit 306 Menschen zu spielen, die bereits wussten, dass sie an einer ischämischen Herzkrankheit leiden. Sie hatten keine Kontrollgruppe gesunder Menschen, mit der sie vergleichen konnten; sie wollten einfach nur sehen, ob die kranken Menschen alle gleich sind oder ob sie tatsächlich eine Mischung aus verschiedenen Typen darstellen. Sie nahmen eine riesige Liste routinemäßiger Laborergebnisse – Dinge wie den Fettgehalt im Blut, die Funktionsweise der Leber und die Anzahl der weißen Blutkörperchen, die Entzündungen bekämpfen – und fütterten damit einen Computer.

Der Computer nutzte eine Technik namens Clustering. Stellen Sie sich das wie einen DJ auf einer Party vor, der niemanden beim Namen kennt, aber der Musik zuhört, zu der alle tanzen. Anstatt zu fragen: „Wer mag Pop?“ oder „Wer mag Rock?“, beobachtet der DJ einfach nur die Tanzfläche. Wenn eine Gruppe von Menschen denselben seltsamen Tanzschritt macht, gruppiert der DJ sie zusammen. Der Computer tat dies mit den Blutdaten und suchte nach Mustern, bei denen bestimmte Zahlen immer gemeinsam steigen oder fallen.

Nachdem er fünf verschiedene Wege ausprobiert hatte, um die Daten zu sortieren, fand der Computer heraus, dass der beste Weg, diese Patienten zu gruppieren, darin bestand, sie in drei unterschiedliche Teams einzuteilen. Es war kein Zufallstreffer; die Gruppen waren so stabil, dass der mathematische „Silhouette-Score“ (ein Maß dafür, wie gut definiert die Gruppen sind) zwischen den ursprünglichen Daten und den neuen Testdaten hoch und konsistent war. Um diese unsichtbaren Gruppen für Ärzte sichtbar zu machen, trainierten die Forscher dann ein separates „Detektiv“-Computerprogramm (einen Random Forest Classifier), um die Muster dieser Gruppen zu erlernen. Wenn es mit neuen Patienten getestet wurde, konnte dieses Detektivprogramm die Zugehörigkeit eines Patienten zu einem Team etwa 78 % der Zeit korrekt identifizieren, was bewies, dass die Gruppen real und unterscheidbar waren.

Die drei entdeckten Teams:

1. Das „High-Risk Mix“-Team (12,7 % der Patienten): Dies war die kleinste, aber intensivste Gruppe. Diese Patienten hatten einen „perfekten Sturm“ in ihrem Blut: hohe Werte an schlechten Fetten (speziell VLDL und Triglyzeride), Anzeichen dafür, dass ihre Leber kämpfte (hohe AST- und ALT-Enzyme) und eine hohe Anzahl an Neutrophilen (eine Art von weißen Blutkörperchen, die auf Entzündungen hindeuten). Die Forscher nennen dies eine „atherogene-hepatische-inflammatorische“ Signatur. Es ist wie eine Stadt, in der die Müllwagen überquellen, das Kraftwerk raucht und die Polizei gleichzeitig in höchster Alarmbereitschaft ist.
2. Das „Pure Fat“-Team (26,5 % der Patienten): Diese Gruppe war größer. Sie hatten hohe Fettwerte in ihrem Blut (VLDL, Triglyzeride und LDL), aber ihre Leberenzyme waren normal, und sie zeigten nicht die gleichen Anzeichen von Entzündungen. Sie waren wie eine Stadt mit einem Stau, der rein durch zu viele Autos verursacht wird, während die restliche Infrastruktur reibungslos läuft.
3. Das „Lower-Risk“-Team (60,8 % der Patienten): Dies war die größte Gruppe und bildete die Mehrheit der Patienten. Sie hatten die niedrigsten Werte der schlechten Fette und die höchsten Werte an Lymphozyten (eine andere Art von weißen Blutkörperchen). Sie schienen die „ruhigste“ Gruppe zu sein, mit dem geringsten metabolischen und entzündlichen Stress.

Die Detektivarbeit: Die Hinweise finden

Nachdem der Computer die Patienten sortiert hatte, fragten die Forscher: „Welche spezifischen Zahlen waren am wichtigsten, um diese Gruppen zu erstellen?“ Sie nutzten ein digitales Detektivwerkzeug namens Random Forest (was wie ein Team von Entscheidungsträgern ist, die über die Antwort abstimmen). Sie fanden heraus, dass die wichtigsten Hinweise VLDL (eine Art von Fett), Gesamtbilirubin (ein Abfallprodukt der Leber), Triglyzeride und die Leberenzyme AST und ALT waren. Überraschenderweise waren Dinge wie die Nierenfunktion oder standardmäßige Blutzellzahlen nicht die Haupttreiber. Es stellte sich heraus, dass der Schlüssel zur Unterscheidung dieser Patienten in der Beziehung zwischen der Art und Weise, wie ihr Körper Fett verarbeitet, und der Funktionsweise ihrer Leber lag.

Die Forscher versuchten dann, diese komplexen Computerergebnisse in einfache Regeln zu übersetzen, die ein Arzt auf einem Blatt Papier lesen kann. Sie nutzten einen Decision Tree (der wie ein Flussdiagramm aussieht) und ein Fuzzy Rule-System (das Begriffe wie „Hoch“, „Mittel“ oder „Niedrig“ anstelle von exakten Zahlen verwendet).

Sie entwickelten Regeln wie: „WENN das VLDL Hoch UND das AST Niedrig ist, DANN gehört der Patient zum ‚Pure Fat‘-Team.“
Obwohl der Computer in der Lage war, die „High-Risk Mix“-Gruppe zu identifizieren, waren die einfachen schriftlichen Regeln für diese spezifische Gruppe weniger präzise, was auf ihre kleine Größe und komplexe Biologie zurückzuführen war – das bedeutet, dass Ärzte sich noch nicht darauf verlassen können, sie mit einem einzigen kurzen Satz so leicht zu erkennen wie die anderen Gruppen.

Was dies bedeutet (und was es nicht bedeutet)

Das Paper legt nahe, dass wir selbst ohne teure Herzscans oder Gentests verborgene Unterschiede bei Patienten mit Herzkrankheiten finden können, indem wir einfach nur deren routinemäßige Blutwerte betrachten. Es beweist, dass die „Einheitsansicht“ der Herzkrankheit vielleicht zu simpel ist. Es gibt Untergruppen, und einige (wie die 12,7 % in der „High-Risk Mix“) benötigen möglicherweise besondere Aufmerksamkeit, weil ihr Körper sowohl mit Fettproblemen als auch mit Leberentzündungen zu kämpfen hat.

Die Autoren sind jedoch sehr vorsichtig darauf zu achten, nicht zu behaupten, sie hätten das Rätsel der Herzkrankheit gelöst. Sie geben explizit an, dass dies eine hypothesengenerierende Studie ist. Sie haben die Gruppen gefunden, und der Computer ist sehr gut darin, Menschen in diese Gruppen zu sortieren, aber sie wissen noch nicht, ob diese Gruppen tatsächlich vorhersagen können, wer schwerer erkrankt oder früher stirbt. Sie haben die Patienten nicht über einen längeren Zeitraum verfolgt, um zu sehen, was passierte. Sie haben diese Patienten auch nicht mit gesunden Menschen verglichen; sie haben sich nur die Menschen angesehen, die bereits die Krankheit hatten.

Es ist also so, dass die Studie zeigt, dass diese drei Gruppen auf Basis der Blutchemie real und unterscheidbar sind, aber es ist immer noch ein „Proof of Concept“. Es ist, als hätte man drei verschiedene Arten von Wolken am Himmel gefunden und festgestellt, dass sie unterschiedlich aussehen, aber wir haben noch nicht bewiesen, dass eine bestimmte Wolkenart immer einen Hurrikan bringt, während die anderen nur leichten Nieselregen bringen. Die Forscher hoffen, dass zukünftige Studien diese Patienten verfolgen werden, um zu sehen, ob die „High-Risk Mix“-Gruppe tatsächlich schlechtere Ergebnisse erzielt, was es Ärzten ermöglichen würde, diese einfachen, günstigen Bluttests zu nutzen, um eine bessere, personalisierte Versorgung zu gewährleisten – insbesondere an Orten, an denen teure Maschinen nicht verfügbar sind.