Фенотипы постковидного синдрома по результатам кластерного анализа и их связь с метаболическими маркерами

Abstract

Введение. Постковидный синдром поражает около 36% лиц, перенёсших коронавирусную инфекцию COVID-19, и характеризуется клинической гетерогенностью. Кардиоваскулярные проявления постковидного синдрома (миокардит, нарушения ритма, тромбоэмболические осложнения) и дислипидемия сохраняются до 3 лет после острой инфекции, однако фенотипическая структура постковидного синдрома и её связь с метаболическими маркерами риска у молодых пациентов изучены недостаточно. Цель – выделить основные фенотипы пациентов с постковидным синдромом в возрастной группе 18–44 лет методом кластерного анализа симптомов и оценить их связь с метаболическими маркерами (липидный профиль, индексы системного воспаления, показатели гемостаза), потенциально ассоциированными с кардиоваскулярным риском. Материалы и методы. Одноцентровое поперечное исследование (n = 251, возраст 18–44 лет). Фенотипирование выполнялось методом кластерного анализа k-средних по 9 бинарным симптомным признакам. Оптимальное число кластеров определялось по коэффициенту силуэта. Оценивались липидный профиль (холестерин-липопротеиды низкой плотности, общий холестерин, триглицериды, холестерин-липопротеиды высокой плотности), индексы системного воспаления (нейтрофильно-лимфоцитарный индекс, тромбоцитарно-лимфоцитарный индекс, индекс системного иммунного воспаления), показатели гемостаза (D-димер, фибриноген), уровни ферритина и С-реактивного белка. Статистический анализ включал критерий Краскела–Уоллиса, тест Манна–Уитни с поправкой Бонферрони, критерий χ². Результаты. Выделены три фенотипа: малосимптомный (Фенотип 1, n = 100; 39,8%), нейрокогнитивно-психоэмоциональный (Фенотип 2, n = 83; 33,1%) и мультисистемный (Фенотип 3, n = 68; 27,1%). Фенотипы достоверно различались по синдромной нагрузке (медиана 4, 8 и 12 баллов; H = 160,8; p < 0,001), полу (χ² = 15,9; p = 0,0004), возрасту (H = 18,2; p = 0,0001) и частоте избыточной массы тела (p = 0,003). Метаболическим маркером с межфенотипическими различиями оказался ферритин (p = 0,030): наибольший уровень – Фенотип 1 (медиана 64,8 нг/мл), что может отражать субклиническое воспаление. По показателям липидного профиля, индексам системного воспаления и гемостаза значимых различий между фенотипами не выявлено (все p > 0,10). Вместе с тем в когорте молодых пациентов с постковидным синдромом зафиксирована высокая распространённость дислипидемии: холестерин-липопротеиды низкой плотности > 3,0 ммоль/л отмечен у 52,0%, холестерин-липопротеиды низкой плотности > 2,6 ммоль/л – у 70,5%. Заключение. Мультисистемный фенотип несет наибольшее кардиоваскулярное бремя (наибольший возраст, преобладание женщин, высокая частота артериальной гипертензии в анамнезе и избыточной массы тела) и представляет приоритетную группу для углубленного кардиологического наблюдения. Высокая распространенность дислипидемии в выборке, независимая от фенотипа, обосновывает рутинное исследование липидного профиля у молодых лиц с ПКС в первичном звене здравоохранения.

Introduction. Post-COVID syndrome (PCS, long COVID, ICD-10 code U09.9) affects approximately 36% of individuals who have had COVID-19 and is characterized by clinical heterogeneity spanning cardiorespiratory, neurocognitive, musculoskeletal, and psychoemotional domains. Cardiovascular manifestations of PCS (myocarditis, arrhythmias, thromboembolic events), and dyslipidaemia may persist for up to three years after acute infection; however, the phenotypic structure of PCS and its association with metabolic risk markers in young patients remain insufficiently studied. Aim. To identify the main PCS phenotypes in patients aged 18–44 years using symptom-based cluster analysis (k-means) and to assess their association with metabolic markers (lipid profile, systemic inflammation indices, haemostasis parameters). Materials and methods. A single-centre cross-sectional study (n = 251, aged 18–44 years). Phenotyping was performed by k-means clustering using 9 binary symptom variables. The optimal number of clusters was determined by silhouette coefficient. Assessments included lipid profile, systemic inflammation indices (NLR, PLR, SII), haemostasis markers (D-dimer, fibrinogen), ferritin, and CRP. Statistics: Kruskal–Wallis test, Mann–Whitney test with Bonferroni correction, chi-square test. Results. Three phenotypes were identified: low-symptom (P1, n = 100; 39.8%), neurocognitive–psychoemotional (P2, n = 83; 33.1%), and multisystem (P3, n = 68; 27.1%). Phenotypes differed significantly in symptom burden (medians 4, 8, and 12 points; H = 160.8; p < 0.001), sex (χ² = 15.9; p = 0.0004), age (H = 18.2; p = 0.0001), and prevalence of overweight (p = 0.003). Ferritin proved to be the only metabolic marker with significant inter-phenotype differences (p = 0.030), with the highest level in P1 (median 64.8 ng/mL), possibly reflecting subclinical inflammatory activation in the presence of minimal symptoms. No significant differences between phenotypes were found for lipid profile (LDL, TC, TG, HDL), systemic inflammation indices (NLR, PLR, SII), or haemosta- sis markers (fibrinogen, D-dimer) (all p > 0.10). Nevertheless, dyslipidaemia was highly prevalent across the entire PCS cohort: LDL > 3.0 mmol/L in 52.0% and LDL > 2.6 mmol/L in 70.5% of participants. Conclusion. The multisystem phenotype carries the greatest cumulative cardiovascular burden (oldest age, female predominance, highest prevalence of hypertension history and overweight) and represents a priority group for in-depth cardiological follow-up. The high prevalence of dyslipidaemia across all phenotypes supports routine lipid profiling in young PCS patients in primary care.