机器学习模型预测阵发性心房颤动患者左心房血栓风险：一项多中心回顾性研究

本研究针对阵发性心房颤动（AF）患者左心房血栓（LAT）的高风险临床问题，通过中国房颤中心49,515例患者数据，采用随机森林等机器学习算法构建预测模型。研究识别出9个关键特征（包括CHA2DS2-VASc评分、左房直径等），模型AUC达0.787，为临床血栓风险评估提供新工具，发表于《BMC Cardiovascular Disorders》。

　　

心房颤动（Atrial Fibrillation, AF）作为临床最常见的心律失常，全球患者约3300万，每年新增500万病例。这种"心脏乱舞"不仅导致心悸不适，更可怕的是其引发的血栓栓塞并发症——左心房血栓（Left Atrial Thrombus, LAT）如同潜伏的"定时炸弹"，随时可能引发致命性脑卒中。尽管经食道超声心动图（Transesophageal Echocardiography, TEE）是检测LAT的金标准，但在临床实践中，哪些阵发性AF患者需要优先接受这项有创检查始终是困扰医生的难题。

武汉大学人民医院心血管研究所黄从新教授团队联合中国房颤中心项目组，开展了一项覆盖全国49,515例阵发性AF患者的多中心回顾性研究。研究人员创新性地应用机器学习技术，从61个临床特征中筛选出9个关键预测因子，构建出性能优异的LAT预测模型（AUC 0.787），相关成果发表在《BMC Cardiovascular Disorders》。这项研究为临床医生提供了精准的决策工具，有望改变当前AF患者血栓管理策略。

研究团队采用多中心回顾性队列设计，数据来源于中国房颤中心数据库（2018-2020年）。通过机器学习算法（包括随机森林、决策树等）分析临床特征与LAT的关联，采用十折交叉验证评估模型性能。关键技术创新在于特征选择方法和模型校准过程，最终建立简化版预测模型。

【研究结果】
患者特征分析显示：在49,515例阵发性AF患者中，LAT检出率为2.1%（1,058例）。与非LAT组相比，LAT患者具有更显著的临床特征：CHA₂DS₂-VASc评分≥2（63.6% vs 58.6%）、左房直径更大（39.2±5.9mm vs 38.2±6.7mm），且慢性心衰（16.4% vs 12.1%）和卒中/TIA病史（12.2% vs 9.3%）比例更高。

模型构建环节：随机森林算法表现最优（AUC 0.833），显著优于传统CHA₂DS₂-VASc评分（AUC 0.532）。经特征优化后保留的9个关键指标包括：CHA₂DS₂-VASc评分、左室射血分数（LVEF）、左房直径（LAD）等。校准后的模型将患者分为五个风险层级，预测血栓概率分别为2.3%、7.0%、11.8%、16.6%和21.5%。

讨论部分指出，该研究首次在大规模阵发性AF人群中验证LAT预测模型。值得注意的是，两组患者抗凝药物使用率均不足50%，提示临床实践与指南存在差距。模型创新性体现在：①整合传统风险评分与心脏结构参数；②机器学习处理复杂特征交互；③经校准确保临床适用性。

这项研究为阵发性AF患者的精准管理带来三大突破：首先，模型可识别高风险患者优先接受TEE检查，优化医疗资源配置；其次，9个简明特征便于临床快速评估；最后，研究揭示了当前中国AF抗凝治疗的不足，为质量改进提供依据。未来，该模型整合入电子病历系统后，可实现自动风险预警，推动房颤诊疗进入"智能决策"新时代。