融合 SHAP 的心律失常检测新突破：点亮心电数据临床应用之光

为开发可解释的机器学习系统检测特定心律失常（室性早搏、室上性早搏和心房颤动），研究人员利用 MIT - BIH 心律失常数据库及 DEUHRMC 的 3 通道 Holter 心电图数据开展研究。LightGBM 模型性能优于 1D CNN，SHAP 分析明确关键特征，增强了模型可解释性与临床实用性。

　　目的：本研究旨在通过整合夏普利加性解释（SHapley Additive exPlanations，SHAP）开发一个可解释的机器学习系统，用于检测特定心律失常，即室性异位搏动（室性早搏）、室上性异位搏动（室上性早搏）和心房颤动，以此提升模型透明度和临床适用性。
方法：研究人员对来自 MIT - BIH 心律失常数据库的心电图（ECG）数据以及来自多库兹艾于鲁尔大学心律失常管理中心（Dokuz Eylül University Heart Rhythm Management Centre，DEUHRMC）的 3 通道动态心电图（Holter ECG）数据集进行回顾性分析。实施了两种模型：一种是 LightGBM 分类器，它利用了从 30 分钟内心率变异性和 ECG 形态学中提取的 12 个特征；另一种是 1 维卷积神经网络（1D Convolutional Neural Network，1D CNN），该网络处理以 R 波峰为中心的原始 ECG 片段。数据被分为训练集（80%）和测试集（20%），并进行 10 折交叉验证，同时利用过采样技术解决类别不平衡问题。运用 SHAP 分析来阐释 LightGBM 模型中的特征贡献。
结果：LightGBM 模型的受试者工作特征曲线下面积（AUROC）达到 0.993（95% 置信区间：0.990 - 0.996），精度在 90.10% 至 99.90% 之间，总体准确率为 98.39%，性能优于 1D CNN。1D CNN 的 AUROC 为 0.967（95% 置信区间：0.960 - 0.974），准确率为 97.06%。SHAP 分析确定心率变异性和 QRS 形态是关键特征，这与临床预期相符。
结论：将 SHAP 与 LightGBM 模型相结合，显著提升了心律失常检测系统的可解释性和潜在临床实用性。未来研究应在不同人群中验证这些发现，并进一步优化模型透明度，以便用于常规临床实践。