机器学习联合临床与左心耳影像组学特征预测老年房颤患者卒中风险

本研究针对老年房颤(AF)患者卒中风险预测难题，通过整合临床表型和左心耳(LAA)影像组学特征，采用K-means聚类识别高危表型，并构建支持向量机(SVM)预测模型。结果显示，心脏扩大/功能障碍(Group A)和代谢/凝血异常(Group C)患者卒中风险显著增高，SVM模型预测效能最优(AUROC 0.858)，为精准抗凝治疗提供新工具。

　　

房颤(AF)是导致缺血性卒中的主要病因之一，尤其在老年人群中风险显著。尽管现有CHA₂DS₂-VASc评分系统被广泛使用，但其预测精度有限，且未充分考虑左心耳(LAA)结构异常等关键因素。随着机器学习技术的快速发展，如何整合多模态数据实现精准风险分层成为研究热点。

四川省人民医院心血管内科黄浩、熊燕等团队在《BMC Cardiovascular Disorders》发表研究，首次将临床表型与LAA影像组学特征相结合，通过无监督学习识别高危人群，并构建了优于传统评分的预测模型。研究纳入419例≥65岁AF患者，平均随访43.3个月，发现心脏扩大组(Group A)和代谢异常组(Group C)卒中发生率分别达19.3%和14.5%，显著高于正常表型组(3.3%)。支持向量机(SVM)模型展现出最高预测效能(AUROC 0.858)，为临床决策提供了新工具。

关键技术包括：1) 心脏CTA采集LAA影像组学特征(298个参数)；2) K-means聚类分析临床和影像表型；3) 五种机器学习算法(LR/NB/SVM/RF/XGBoost)比较；4) 前瞻性队列设计验证模型效能。

研究结果：

1. 临床表型与卒中风险
   通过K-means聚类将患者分为三组：Group A(心脏扩大/功能减退)表现为左心室直径(52.3±7.5 mm)和NT-proBNP(256 pg/mL)显著升高；Group C(代谢/凝血异常)具有更高D-二聚体(0.96 mg/dL)和LDL-C(3.10 mmol/L)；Group B为正常表型。三组卒中发生率存在显著差异(P<0.001)。

2. LAA影像表型特征
   影像组学分析显示：Group B(结构扩大)具有更大开口面积(528.72 mm²)；Group C(形态复杂)表面体积比(6.13 mm^-1)和灰度异质性更高。这两组的卒中风险分别是正常LAA组(Group A)的6.9倍和4.8倍。

3. 机器学习模型比较
   在衍生组(n=293)中，SVM的敏感度(0.78)和特异性(0.82)最优，决策曲线分析显示其临床净收益最高。验证组(n=126)进一步证实SVM的稳定性(AUROC 0.840)，显著优于CHA₂DS₂-VASc评分(P<0.001)。

结论与意义：
该研究创新性地将Virchow血栓三要素(血流淤滞、内皮损伤、高凝状态)转化为可量化的影像组学特征，首次证实LAA结构复杂性与卒中风险独立相关。SVM模型通过整合左房扩大(OR 4.2)、D-二聚体升高(OR 3.1)等关键特征，使卒中预测进入多维度精准时代。对于抗凝禁忌患者，该模型可辅助左心耳封堵术(LAAC)的适应证选择，推动房颤卒中预防从"经验医学"向"数据驱动"转变。未来需通过多中心研究验证模型普适性，并探索加入左心房应变参数等新特征。