基于可解释人工智能与数字健康技术的心房颤动消融术后患者生活质量预测研究

本研究针对心房颤动(AF)导管消融(CA)术后生活质量(QoL)改善的预测难题，通过数字健康平台收集213例患者的电子患者报告结局(ePROs)，应用机器学习(ML)识别出年轻型、老年型与情绪型三种临床表型。研究首次揭示焦虑水平、年龄和AF病程是区分表型的关键因素，阐明了心理与生物学特征的交互作用如何影响消融结局，为超越传统心律控制的个体化多学科管理提供了循证依据。

　　

心房颤动（AF）作为临床最常见的心律失常，严重影响患者的生活质量（QoL）和长期预后。尽管导管消融（CA）已成为症状性AF的重要治疗手段，但临床实践中仍存在两个关键矛盾：一方面，手术成功标准仍以心律失常复发作为主要评判指标，而这一指标与患者主观感受的相关性存疑；另一方面，影响术后QoL改善的因素错综复杂，传统统计方法难以捕捉多因素间的非线性交互作用。更值得注意的是，约30%患者术后QoL改善有限，但目前缺乏有效工具预测这类人群的特征。

为解决这些临床痛点，葡萄牙加亚医院中心（Gaia Hospital Center）心血管内科的Rafael Silva-Teixeira团队联合科英布拉大学临床与生物医学研究中心，创新性地将数字健康技术与可解释人工智能（AI）相结合，开展了一项前瞻性队列研究。该研究通过智能手机应用程序Promptly Health?实时收集患者报告结局（PROs），采用半监督机器学习中的剖面回归混合模型，首次揭示了AF消融术后三种具有显著临床差异的患者表型。相关成果发表在心血管数字健康领域权威期刊《European Heart Journal - Digital Health》上。

研究团队主要采用了四项关键技术方法：1) 基于移动应用的电子化AFEQT（Atrial Fibrillation Effect on QualiTy-of-life）问卷系统，实现QoL动态监测；2) 多级联合建模与多重插补处理缺失数据；3) 整合PCA降维与剖面回归的混合聚类算法识别患者亚群；4) XGBOOST结合SHAP（SHapley Additive exPlanations）值的可解释AI分析框架，解析特征贡献度。研究对象为213例首次接受AF消融的患者，中位随访26个月。

纵向AFEQT评分变化

通过混合效应模型分析显示，消融术后QoL呈现快速显著改善：3个月内AFEQT总分平均提升26分（95%CI:18-33），且改善幅度与基线评分呈负相关（每10分基线增幅对应6.2分改善减幅，P<0.001）。值得注意的是，即使无复发的患者仍存在50%的残余QoL损害，提示当前评估体系存在局限性。

复发对QoL的影响

将复发患者映射至无复发参考曲线时发现，复发导致QoL的Z分数出现显著负向偏移（月变化-0.05±0.02，P=0.010），证实传统复发指标与患者体验确实存在脱节。

机器学习表型识别

通过可解释AI技术识别出三个临床表型：

1. 年轻型表型（28%）：年龄轻、合并症少、AF病程长，表现出最显著的QoL改善（88.3±2.2分）和最低复发率（7.1/100人年）

2. 老年型表型（47%）：心血管危险因素聚集伴左室肥厚，QoL改善居中（59.2±3.8%）但MACEs发生率未增加

3. 情绪型表型（25%）：以高焦虑（PROMIS? Anxiety评分≥60）、女性为主，呈现特征性超声改变（sPAP升高但左室质量正常），尽管接受更多抗心律失常再干预（HR=3.08），QoL改善最差（36.0±5.0%）且晚期复发风险倍增（HR=2.00）

关键预测因子解析

SHAP分析揭示焦虑、年龄和AF病程是区分表型的首要因素（平均绝对SHAP值>0.15），而传统关注的AF分型（阵发性/持续性）和左房容积指数（LAVI）判别力较弱。特别发现焦虑与肺动脉压力（sPAP）存在协同效应，提示心理-心血管交互机制可能影响消融结局。

这项研究通过数字健康技术实现了三大突破：首先，建立了首个整合PROs与可解释AI的AF术后预测模型，证实焦虑等心理因素与生物学特征的交互作用决定临床结局；其次，挑战了以LAVI和AF分型为核心的传统预后观念，提出sPAP与LV重构模式的新评估维度；最后，为情绪型表型患者指明多学科干预方向——单纯强化心律控制可能适得其反，需结合认知行为治疗（CBT）和药物心理副作用管理。

研究结果对临床实践具有双重启示：技术上，验证了移动医疗在PROs收集中85%的问卷完成率优势；临床上，首次量化显示抗心律失常药物再干预可能使高焦虑患者QoL恶化，这为2024 ESC指南提出的"整合心理支持"的AF管理策略提供了实证依据。未来研究需在更大规模队列中验证表型稳定性，并探索针对情绪型表型的非药物干预方案。