基于人工智能的卒中单元房颤预测模型：一项回顾性衍生验证队列研究

为解决卒中患者阵发性房颤(AF)筛查效率低下的临床难题，德国柏林夏里特医学院(Charité – Universit?tsmedizin Berlin)的研究团队开展了一项人工智能预测模型研究。通过分析2068例急性缺血性卒中患者的72小时连续心电图监测(CEM)数据，开发出基于心率变异性(HRV)和年龄的树状集成模型，外部验证显示其ROC-AUC达0.79，显著优于传统AS5F评分。该研究为卒中单元实现自动化AF风险分层提供了高效工具。

　　

在临床实践中，阵发性房颤(AF)如同"隐形杀手"，是约25%缺血性卒中的罪魁祸首，却常因症状隐匿被常规检查漏诊。尽管指南推荐卒中患者接受连续心电图监测(CEM)，但面对日益增长的卒中发病率和有限医疗资源，如何精准识别需要强化监测的高危患者成为全球卒中单元的共同难题。更棘手的是，现有AF预测模型多基于普通人群开发，而卒中患者特有的自主神经紊乱和"卒中后新发房颤"(AFDAS)特征，使得这些模型的适用性存疑。

德国柏林夏里特医学院(Charité – Universit?tsmedizin Berlin) Computational Neurology团队开展了一项开创性研究。研究人员构建了包含2068例急性缺血性卒中患者的回顾性队列，创新性地将深度学习神经网络(DNN)、传统机器学习(ML)和贝叶斯融合模型进行系统对比。通过分析入院72小时内的连续心电图监测(CEM)数据，结合19项心率变异性(HRV)指标和临床特征，最终开发出仅需1小时单导联CEM数据和年龄的简化预测模型。该成果发表于《eBioMedicine》，为卒中单元的房颤筛查提供了高效解决方案。

研究采用多模态技术路线：1) 使用NeuroKit2工具箱处理500Hz采样的CEM数据，计算RR间期和HRV参数；2) 开发深度神经网络分析5.12秒心电图片段形态特征；3) 通过SHAP值解析模型决策机制；4) 在1519例前瞻性多中心MonDAFIS研究数据上进行外部验证。所有分析均采用5折交叉验证确保可靠性。

【模型开发与比较】系统评估显示，融合HRV和临床数据的贝叶斯模型性能最优(ROC-AUC 0.89)，但简化后的树状集成模型(仅年龄+HRV)表现接近(ROC-AUC 0.88)。引人注目的是，单纯HRV分析模型(ROC-AUC 0.87)已显著优于临床变量模型(ROC-AUC 0.77)。

【特征解析】SHAP分析揭示HRV参数是预测核心，其中反映心律长期调控的指标(如DFA_α1)和短期变异指标(RMSSD)贡献最大。深度神经网络虽能捕捉P波形态改变，但其预测力主要源自对微小心律失常事件的检测。

【临床转化】外部验证证实，基于1小时CEM的简化模型在MonDAFIS队列中ROC-AUC达0.79，较AS5F评分(0.69)显著提升(p=4.69e-03)。在预设90%特异度下，阴性预测值(NPV)高达0.98，可有效排除低危患者。

这项研究确立了HRV在AF预测中的核心地位，其临床意义在于：1) 首次系统比较了不同模型架构在卒中人群的预测效能，填补了该领域方法学空白；2) 开发的"极简模型"仅需1小时监测数据即可实现7天内AF风险预测，极大提升了临床可行性；3) 模型解释性分析为理解AFDAS的病理生理机制提供了新视角。该成果有望改变当前"一刀切"的监测策略，通过风险分层实现医疗资源优化配置，最终提升二级预防效果。随着后续前瞻性验证的开展，这种人工智能辅助决策模式或将成为卒中单元的标准配置。