在心房动患者的射频导管切除后,基于机器学习的复发预测模型
Lujing Nie1, Tianwei Zhang2, Wenhua Wang1
1Department of Arrhythmia, Weifang People's Hospital, Shandong Second Medical University, Weifang, Shandong, China.
Frontiers in cardiovascular medicine
|August 27, 2025
概括
机器学习模型可以预测射频导管切除后心房动的复发情况. 关键预测因素包括B型尿素和中性粒细胞对淋巴细胞的比率,有助于个性化的患者随访.
科学领域:
- 心脏病学
- 医疗信息学
- 人工智能
背景情况:
- 在射频导管切除 (RFCA) 后,心房动 (AF) 的复发仍然是一个临床挑战.
- 预测AF复发对于优化患者管理和随访策略至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测RFCA后12个月的AF复发.
- 使用ML解释性技术识别AF复发的关键临床预测因素.
主要方法:
- 对430名首次接受RFCA的患者的回顾性分析,分为训练 (70%) 和测试 (30%) 队列.
- 评估四个ML算法,包括光梯度增强机 (LightGBM).
- 使用SHapley添加式解释 (SHAP) 进行模型解释和特征重要性分析.
主要成果:
- 在测试组中,LightGBM模型的精度为0.721和AUC为0.848.
- B型尿酸 (BNP) 和中性粒细胞与淋巴细胞的比率 (NLR) 被确定为AF复发的最强预测因素.
- 较高的BNP和NLR水平与复发风险的增加相关;较高的白蛋白和淋巴细胞数量显示出保护作用.
结论:
- 使用常规临床数据,ML模型在预测AF复发方面表现有希望,尽管表现不佳.
- 这些模型为改善风险分层和RFCA后个性化后续行动提供了潜力.
- 在广泛的临床实施之前,需要外部验证.
