Heart failure (HF) with preserved ejection fraction (HFpEF) is a multi-organ, systemic syndrome that involves multiple cardiac and extracardiac pathophysiologic abnormalities. Because HFpEF is a heterogeneous syndrome and resistant to a "one-size-fits-all" approach it has proven to be very difficult to treat. For this reason, several research groups have been working on methods for classifying HFpEF and testing targeted therapeutics for the HFpEF subtypes identified. Apart from conventional classification strategies based on comorbidity, etiology, left ventricular remodeling, and hemodynamic subtypes, researchers have been combining deep phenotyping with innovative analytical strategies (e.g., machine learning) to classify HFpEF into therapeutically homogeneous subtypes over the past few years. Despite the growing excitement for such approaches, there are several potential pitfalls to their use, and there is a pressing need to follow up on data-driven HFpEF subtypes in order to determine their underlying mechanisms and molecular basis. Here we provide a framework for understanding the phenotype-based approach to HFpEF by reviewing (1) the historical context of HFpEF; (2) the current HFpEF paradigm of comorbidity-induced inflammation and endothelial dysfunction; (3) various methods of sub-phenotyping HFpEF; (4) comorbidity-based classification and treatment of HFpEF; (5) machine learning approaches to classifying HFpEF; (6) examples from HFpEF clinical trials; and (7) the future of phenomapping (machine learning and other advanced analytics) for the classification of HFpEF.
Die Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF) ist ein systemisches Multiorgansyndrom, das mehrere kardiale und extrakardiale pathophysiologische Anomalien umfasst. HFpEF hat sich als sehr schwierig zu behandeln erwiesen, da es sich um ein heterogenes Syndrom handelt, das einem „One-size-fits-all-Ansatz“ widersteht. Aus diesem Grund haben mehrere Forschungsgruppen an Methoden zur Klassifizierung von HFpEF gearbeitet und zielgerichtete Therapeutika für die identifizierten HFpEF-Subtypen getestet. Neben konventionellen Klassifizierungsstrategien basierend auf Komorbiditäten, Ätiologie, linksventrikulärem Remodeling und hämodynamischen Subtypen wurde in den letzten Jahren eine tiefe Phänotypisierung mit innovativen analytischen Strategien (z. B. maschinelles Lernen) kombiniert, um HFpEF in therapeutisch homogene Subtypen zu stratifizieren. Trotz der wachsenden Begeisterung für solche Ansätze gibt es mehrere potenzielle Fallstricke bei ihrer Verwendung, und es besteht ein dringender Bedarf, datengesteuert identifizierte HFpEF-Subtypen besser zu verstehen, und ihre zugrunde liegenden Mechanismen und molekularen Grundlagen zu erforschen. In der vorliegenden Arbeit wird der Rahmen des phänotypbasierten Ansatzes für HFpEF umrissen: (1) der historische Kontext von HFpEF; (2) das aktuelle HFpEF-Paradigma der komorbiditätsinduzierten Entzündung und endothelialen Dysfunktion; (3) verschiedene Methoden zur Subphänotypisierung von HFpEF; (4) komorbiditätsbasierte Klassifizierung und Behandlung von HFpEF; (5) maschinelle Lernansätze zur Klassifizierung von HFpEF; (6) Beispiele aus klinischen HFpEF-Studien; und (7) die Zukunft des Phänomappings (maschinelles Lernen und andere fortschrittliche Analytik) für die Klassifizierung von HFpEF.
Keywords: Cardiovascular disease; Classification; Machine learning; Phenomapping; Phenotype.
© 2022. The Author(s).