基于可穿戴设备数据的术前心肺功能预测：一种可解释机器学习框架及其临床转化价值

本研究针对老年患者术前心肺功能(CRF)评估难题，创新性地利用Fitbit采集的心率(HR)和活动数据，构建可解释机器学习模型预测6分钟步行测试(6MWT)结果。通过Shapley特征归因法揭示中高强度活动(MVPA)、最大活动能量消耗(aEEmax)、心率恢复(HRR)和非线性心率变异性(HRV)等关键指标，模型决定系数达0.91，为远程术前风险评估提供新范式。

　　

手术作为最具侵入性的医疗干预之一，每年全球有超过400万老年患者接受重大非心脏手术，但术后90天死亡率高达6%。问题的核心在于老年患者功能储备的衰退——心肺功能(CRF)不仅影响手术预后，更与心血管疾病、糖尿病等慢性病风险密切相关。传统评估金标准心肺运动试验(CPET)和6分钟步行测试(6MWT)虽有效，但需要专业设备和场地，难以普及。这促使Weill Cornell Medicine的研究团队探索可穿戴设备的解决方案，其成果发表在《Computer Methods and Programs in Biomedicine》。

研究团队采用Fitbit采集65名拟行非心脏手术老年患者术前1周的日常心率和活动数据，通过随机森林和线性回归构建预测模型，并引入博弈论的Shapley值进行特征解释。结果显示：中高强度活动(MVPA)、最大活动能量消耗(aEE_max)、运动后1分钟心率恢复(HRR)和非线性心率变异性(HRV)动态特征与6MWT表现显著相关，模型预测决定系数分别达到0.91和0.81。

【Participant recruitment and demographics】
研究纳入70名患者（最终65人完成），平均年龄70.3岁，通过Fitbit Charge 3/4采集数据。队列中高血压(58%)和糖尿病(26%)患病率反映典型老年手术人群特征。

【Experiment and Methodology】
技术路线包含四个关键环节：1) 通过设备API获取原始心率和加速度数据；2) 提取时域/频域HRV特征、MVPA持续时间等148维特征；3) 采用随机森林和线性回归进行6MWT距离预测；4) 用Shapley Additive Explanations(SHAP)分析特征贡献度。

【Results】
高CRF组展现三大特征：每日MVPA时间延长35%、aEE_max提升28%、HRR加速42%。非线性HRV指标SD2/SD1比值与6MWT距离呈强相关(r=0.76)。模型特征重要性分析显示，HRR和MVPA累计贡献超60%预测权重。

【Discussion】
这项研究首次实现三个突破：1) 验证居家可穿戴数据与标准CRF测试的等效性；2) 建立可解释的术前风险评估框架；3) 揭示HRV非线性动力学指标的临床价值。特别值得注意的是，aEE_max这一创新指标通过融合加速度和代谢当量数据，比传统步数计数更能反映实际功能储备。

【Conclusion】
该研究为远程术前评估提供新范式：通过2周居家监测即可获得相当于6MWT的CRF评估，准确率超过90%。这种方案不仅节省医疗资源，更使脆弱老年患者避免门诊往返风险。未来可整合更多生理参数（如血氧饱和度）进一步提升预测效能，推动精准围手术期管理发展。