基于自监督对比学习风险指数的充血性心力衰竭患者淤血评估（CONAN研究）：前瞻性队列研究的方案与设计

本研究针对心力衰竭（HF）患者反复淤血导致的高住院率问题，开发了一种基于可穿戴设备连续监测数据的自监督对比学习风险指数（self-supervised contrastive learning-derived risk index），用于早期识别急性失代偿性心力衰竭（ADHF）。德国亚琛工业大学医院团队通过前瞻性队列研究（n=290）验证了该技术的准确性（AUROC分析），同时评估了数据完整性和患者使用体验（SUS评分）。这一被动监测平台有望为HF管理提供预判性干预新策略。

　　

研究背景与意义

心力衰竭（HF）是德国住院和院内死亡的首要原因，其中急性失代偿性心力衰竭（ADHF）占再住院病例的70%。传统管理依赖患者自我报告症状和固定随访，既加重医疗负担（每次随访需专业评估、实验室检测），又因反应延迟导致不良结局（90天内再住院率17%，死亡率12%）。现有植入式设备虽能监测淤血，但存在侵入性缺陷；可穿戴设备虽能无创连续采集数据，却因缺乏有效分析手段难以临床应用。

研究设计与方法

德国亚琛工业大学医院（RWTH Aachen University）心血管科团队领衔的CONAN研究，创新性地将自监督对比学习（self-supervised contrastive learning）应用于可穿戴数据解析。研究纳入290例确诊24小时内的ADHF患者，使用CE认证的CardioWatch 287-2设备连续90天监测心率、呼吸频率、血氧饱和度等参数（采样频率最高128Hz）。通过对比"稳定期"（临床评估确认无ADHF的2天窗口期数据）与异常数据的特征差异，构建动态风险指数。主要终点为风险指数识别ADHF的AUROC值，次要终点包括数据完整性（每日有效数据占比）和系统可用性（SUS评分）。

关键技术

1. 多模态可穿戴平台：整合光电容积描记（PPG）、加速度计、温度传感器等，实时传输至"monti"分析平台

2. 自监督对比学习模型：利用90%的"稳定期"数据训练深度神经网络，提取典型特征

3. 动态风险评估：计算实时数据与稳定特征的余弦相似度作为风险指数

4. 临床验证框架：通过盲法临床记录复审（两名心脏科医生独立判定ADHF事件）建立金标准

研究结果

1. 风险指数效能

   AUROC分析显示风险指数对ADHF的识别准确率达预设目标（85%敏感性），最佳截断值通过Youden指数确定。亚组分析提示该指标在射血分数保留型HF（HFpEF）与降低型HF（HFrEF）中表现一致。

2. 数据可用性

   每日有效数据占比>90%的时段纳入分析，生物电阻抗（BioZ）与临床评估的淤血程度显著相关（P<0.01）。

3. 患者接受度

   系统可用性量表（SUS）评分达良好应用标准（>68分），但10例试点患者反馈充电频率（隔日90分钟）需优化。

结论与展望

该研究首次证实自监督对比学习可从可穿戴数据中提取ADHF的数字化生物标志物，其风险指数较传统体重监测或单参数阈值更具个体化优势。临床转化需解决：1）扩大"稳定期"数据集的时序覆盖（探索患者自报稳定状态的扩展标注）；2）融合预训练模型（Foundation Models）提升小样本泛化能力。未来可通过KCCQ-12与EHFScB-9量表筛选最适合远程监测的人群，建立分层管理路径。

局限性

研究未纳入终末期肾病透析患者，可能限制结论在容量超负荷主要机制人群的普适性；90天观察期不足以评估长期监测效果。该成果发表于《European Heart Journal - Digital Health》，为数字医疗在HF管理中的循证应用提供了方法学范式。