心梗后EF＞40%，β受体阻滞剂能不能用？2026 ESC上这项中国研究给了答案|qtc|β受体阻滞剂|心梗|心血管疾病|急性心肌梗死|治疗

*仅供医学专业人士阅读参考

心率快、QTc延长、EF 40%–49%：这类心梗后患者用β受体阻滞剂死亡率近乎减半

整理：易艾蓝

β受体阻滞剂是急性心肌梗死后二级预防的基石用药之一，当前临床指南对急性心肌梗死（AMI）后左心室射血分数（LVEF） ≤ 40%的患者使用β受体阻滞剂已形成高级别推荐，但对于LVEF > 40%的群体，推荐级别明显弱化。这一保守态度的根源在于证据的不一致性：部分大规模观察性研究提示该群体可从β受体阻滞剂治疗中获益，而近年发表的随机对照试验则未能重复出明确的生存优势。这种证据上的分歧使临床医生面临现实困境：启用β受体阻滞剂治疗，可能对不需要的患者造成过度治疗并增加药物不良反应；不启用，又可能使潜在获益的患者错失改善预后的机会。

在2026年欧洲心脏病学会年会（ESC 2026）上，北京大学第三医院研究团队带来了一项有望重新界定β受体阻滞剂适用人群的研究成果。研究团队开发并验证了一个名为AMIMOC的多模态机器学习框架，其能从LVEF>40%的AMI患者中精准识别出最可能从β受体阻滞剂治疗中获得显著生存获益的个体，为这一长期缺乏明确证据的临床决策困境提供了解决思路。

图1：现场报告图

AMIMOC框架：让数据驱动个体化获益预测

研究团队整合了MIMIC-III和MIMIC-IV数据库中共计5726例LVEF > 40%的AMI患者数据，用于模型开发与内部验证；同时，在一个包含918例患者的独立多中心外部队列中完成了外部验证。模型输入涵盖临床变量、心电图参数和超声心动图指标，输出为患者1年全因死亡风险的预测概率。

结果显示，AMIMOC模型具有良好的判别性能：内部验证AUC为0.89（95% CI 0.86–0.91），外部验证AUC为0.86（95% CI 0.84–0.89）。依据模型预测的1年死亡风险，可将患者分为低风险（<17%）、中风险（17%–50%）和高风险（>50%）三组（图2）。

图2：基于可解释多模态人工智能（AI）框架的急性心肌梗死（AMI）患者（LVEF>40%）风险分层、治疗获益评估与临床部署流程图。

随后，研究团队在每个风险层内，采用逆概率治疗加权（IPTW）的Cox比例风险回归模型，系统评估了β受体阻滞剂的实际生存获益。结果揭示了一个具有明确临床辨识度的“高风险获益表型”：即LVEF处于40%–49%临界区间、伴有心率增快及QTc间期延长的人群。

在确定的这一高危表型中，使用β受体阻滞剂与患者1年全因死亡率相对降低48%显著相关（HR 0.52，95% CI 0.37–0.73）。通过IPTW加权的Kaplan-Meier生存曲线可以直观看到（图3）：仅在“高风险”组中，接受β受体阻滞剂治疗患者的生存概率显著优于未接受治疗者，而低、中风险组中两组治疗未见显著生存差异。同时，敏感性分析进一步证实了该结果的稳健性，即便采用原始未校正（Crude）、IPTW及倾向评分匹配（PS Matching）三种不同的统计方法，这一生存获益在高风险组中均保持一致；而中、低风险组的所有方法置信区间均跨越无效线（HR=1）。上述结果明确提示：并非所有LVEF>40%的患者均无需应用β受体阻滞剂，基于多维临床特征的精准分型，才是决定该药个体化临床获益的关键环节。

图3：基于风险分层的 β受体阻滞剂对急性心肌梗死（LVEF>40%）患者生存获益的生存分析与敏感性分析

机制解析：78.5%的获益通过三条通路介导

机器学习模型的价值不仅在于预测，还在于帮助阐明治疗获益的潜在机制。研究团队进一步开展了多重中介分析，以探索β受体阻滞剂治疗获益的生理通路。结果显示，约78.5%的治疗获益可由以下三条路径介导：LVEF的改善、心率的控制以及QTc间期的缩短。

这一机制分析结果提示AMIMOC所识别的“获益表型”并非统计学上的偶然关联，而是具有明确的病理生理基础：β受体阻滞剂通过改善心室重构（提升LVEF）、降低心率以减少心肌耗氧、缩短QTc间期以稳定心肌电活动，三条通路协同发挥作用。在这一特定表型中，上述三条通路的潜在可改善空间最大，因此临床获益也最为显著。

图4：讲者在现场汇报

从模型到临床：可及性决定转化效率

不可忽视的是，本研究存在若干局限性。首先，AMIMOC的开发基于回顾性数据，尽管已完成外部验证，但作为临床决策支持工具的实效性仍需前瞻性研究加以验证。其次，模型训练数据主要来源于欧美人群，其在中国人群中的适用性尚需本土数据验证。此外，β受体阻滞剂的种类、剂量及疗程在不同患者间存在差异，模型目前尚未纳入这些药物层面的变量进行精细化分层。

然而，AMIMOC框架在临床决策层面的价值仍然明确。该框架提供了一条数据驱动的新路径：基于患者多维度的临床特征，计算个体化的获益概率，进而辅助临床决策。一方面，避免为无获益可能的患者处方β受体阻滞剂，以减少不必要的药物暴露和医疗资源消耗；另一方面，确保具有潜在获益的患者不被遗漏。尤其对于LVEF 40%–49%这一人数众多且证据最为模糊的“灰色地带”，这种精准分型策略具有重要的临床意义。目前，研究团队已将AMIMOC部署为免费的交互式网页计算器，临床医生输入患者的相关临床、心电图和超声参数后，系统即可输出风险分层及β受体阻滞剂治疗的预期获益评估，显著降低了AI模型向临床转化的技术门槛，使“表型指导的个体化治疗”具备了在真实世界中推广的可操作性。

参考文献：

[1].Chen Y, Zhang CH, Qiao Y, et al. Evaluation of machine learning framework for personalized prediction of benefit from beta-blockers in myocardial infarction with preserved or mildly reduced ejection fraction. ESC Congress 2026.

医学界心血管领域交流群正式开放！

加入我们吧！