基于心震图(SCG)的静息状态下心肺功能无创评估新方法：机器学习算法开发与验证

为解决传统心肺运动试验(CPX)测量最大摄氧量(VO2max)的复杂性问题，丹麦研究团队开发了基于心震图(SCG)和机器学习算法的非运动评估方法。研究通过300名受试者数据验证，SCG-VO2max与CPX结果高度相关(r=0.873)，日间变异低(ICC=0.98)，分类准确率达77.3%，为临床提供了一种便捷、精准的心肺功能评估工具。

　　

心肺功能（Cardiorespiratory Fitness, CRF）是评估个体健康状态的核心指标，其中最大摄氧量（VO_2max）作为黄金标准，与心血管疾病死亡率显著相关。然而传统的心肺运动试验（Cardiopulmonary Exercise Testing, CPX）需要受试者进行极限运动，操作复杂且成本高昂，限制了其在临床常规检查中的应用。现有替代方案如亚极量运动测试或基于人口统计学的回归方程，存在准确性不足（如FRIEND方程R²=0.38）或依赖主观报告等问题。

针对这一技术瓶颈，丹麦奥尔堡大学和哥本哈根大学的研究团队联合开发了一种创新解决方案——通过静息状态下的心震图（Seismocardiography, SCG）结合机器学习算法预测VO_2max。SCG是一种通过加速度计测量心脏机械活动的技术，其波形特征与心脏收缩舒张功能密切相关。研究团队整合了6项临床研究的300名受试者数据（最终纳入295人），使用置于胸骨下端的加速度计采集42秒SCG信号，结合人口统计学参数构建线性回归模型。

关键技术包括：1）采用硅设计1521-002低噪声加速度计（采样率5000Hz）和CE认证的Seismofit医疗设备采集SCG信号；2）基于马尔可夫模型的心跳分割算法；3）提取舒张期峰峰值（Dia_pp）、性别特异性舒张形态学特征（DiaMorpSex）和收缩期频谱特征（SysSpec）等SCG参数；4）通过训练集（n=221）优化模型权重，测试集（n=74）验证性能。

研究结果显示：

1. VO_2max估计性能：SCG-VO_2max在测试集的估计值（44.8±9.4 ml/min/kg）与CPX结果（44.0±10.2 ml/min/kg）无显著差异（p=0.07），相关性达r=0.873（R²=0.755），显著优于FRIEND方程（r=0.790，R²=0.377）。平均绝对百分比误差（MAPE）为8.9%，标准估计误差（SEE）5.0 ml/min/kg。

2. 可重复性验证：20名受试者的三日重复测试显示，SCG的组内相关系数（ICC=0.98）优于CPX（ICC=0.951），日内变异标准差仅1.05 ml/min/kg。

3. 动态追踪能力：对63名间隔45天以上的受试者分析发现，SCG-VO_2max能显著捕捉到CPX测量的VO_2max提升（1.45±2.5 vs 2.28±3.0 ml/min/kg，p<0.001），而FRIEND方程无变化（p=0.24）。

4. 临床分类效能：按FRIEND标准将CRF分为低/中/高三组时，SCG方法的分类准确率达77.3%，显著高于FRIEND方程的59.0%，尤其对高CRF组识别率提升显著（45.5% vs 15.5%）。

该研究的突破性在于首次证实静息SCG信号可高精度预测VO_2max，其机制可能源于SCG特征与心脏输出量的强关联性——舒张期SCG参数反映心室充盈功能，收缩期特征表征心肌收缩力，二者共同构成Fick方程中决定VO_2max的核心因素。相较于智能手表运动算法（LoA±13.9 ml/min/kg）或YMCA亚极量测试（SEE 6.2-9.7 ml/min/kg），SCG方法将检测时间缩短至2-3分钟且无需运动配合，更适合基层医疗场景。

局限性包括研究对象以丹麦健康人群为主（高CRF占比54.1%），未来需在心血管患者和不同种族中验证。研究者S.E.Schmidt等指出，该方法通过云端算法持续优化，有望成为健康评估的常规指标，推动心肺功能监测从专业实验室向临床普及，对公共卫生防控具有重要价值。论文发表于《npj Cardiovascular Health》，为无创生理监测领域树立了新标杆。