基于机器学习的心室心动过速消融靶点自动定位新策略：猪模型基质图的开发与验证

针对室速(VT)消融术后高复发率难题，英国伦敦大学学院等团队开发了基于心内电图(EGM)多域特征的机器学习模型。研究通过猪慢性心梗模型获取56幅基质图及35,068个EGM信号，采用随机森林算法实现消融靶点定位(AUC=0.821)，首次证明机器学习可辅助临床医生通过基质标测定位VT关键位点，为开发患者应用方案奠定基础。

　　

心室心动过速(VT)作为威胁生命的恶性心律失常，其导管消融治疗面临术后复发率超50%的临床困境。传统标测技术受限于血流动力学不稳定VT难以诱发、关键位点定位不准等难题，而现有基质标测方法如低电压区、延迟电位等功能参数存在单一指标预测效能不足的缺陷。英国伦敦大学学院心血管研究所联合哥本哈根大学医院等机构，创新性地将机器学习与多维度心电特征分析相结合，在慢性心梗猪模型中开发出VT消融靶点智能定位系统。

研究团队通过13只慢性心梗模型猪获取56幅基质图（包含窦性心律、左右室及双室起搏等多模式数据），采集35,068个双极/单极心内电图(EGM)。采用16电极高密度标测导管(Advisor^TM
HD grid)记录信号，通过定制MATLAB算法提取46个特征参数，涵盖功能域（如激活时间AT、复极时间RT）、空间域（复极离散度GradARI）、频谱域（中心频率f_U
）和时频域特性。36个诱发VT的关键位点（早期/中期/晚期舒张电位）被精确定位，以6mm为半径定义消融靶区。

关键技术包括：1）建立慢性心梗猪模型获取精准VT环路数据；2）多模式基质标测（窦律/起搏）结合高密度EGM采集；3）开发包含4大域46个特征的量化体系；4）采用随机森林(RF)等机器学习算法进行靶点预测；5）通过混合效应逻辑回归解析特征-靶点关联性。

研究结果显示：随机森林模型在窦律单极EGM上表现最优（测试集AUC 0.821），显著优于传统单参数方法（电压AUC=0.67）。多变量分析揭示10个关键特征：双极信号总能量E_0-160
与靶点负相关(OR=0.611)，而高频成分R_120-160
呈正相关(OR=1.266)。单极EGM的复极特征（如GradARI、T波最大斜率）具有重要预测价值，其中复极时间RT在RF特征重要性评分中居首。空间复极异质性参数（GradARI、GradRT）被证实与致心律失常性显著相关。

讨论指出，该研究首次实现基于EGM多域特征的VT靶点机器学习预测，突破传统单参数标测局限。单极EGM的优越性能可能源于其同时反映局部/远场电活动及复极信息的特点。虽然6mm空间分辨率存在改进空间，但为开发临床辅助系统提供概念验证。未来需通过数字心脏(Digital Twin)技术完善靶点验证，并探索在体表心电图成像(ECGI)中的应用可能。

该成果发表于《European Heart Journal - Digital Health》，为VT精准消融开辟新路径，其"瘢痕-传导异常-复极离散"多机制整合的分析框架，对发展人工智能辅助心律失常治疗具有里程碑意义。研究团队强调，该方法可避免VT诱发风险，缩短手术时间，未来临床转化可能改变现有消融策略范式。