基于颈动脉压力波形与机器学习的心肌损伤程度评估：冠状动脉闭塞/再灌注大鼠模型的创新研究

这篇研究通过创新性结合本征频率(IF)分析与机器学习(ML)技术，在标准冠状动脉闭塞/再灌注大鼠模型中证实：单次颈动脉压力波形分析可高精度分类心肌梗死面积(AN/LV)、缺血危险区(AR/LV)和无复流区域(A-NR/LV)，准确率分别达0.95、0.85和0.88。该非侵入性方法为急性心肌梗死(MI)后管理提供了具有转化潜力的新型监测手段。

　　

ABSTRACT

心肌梗死(MI)作为全球主要死亡原因和心力衰竭最常见诱因，其心肌损伤程度的精确评估对改善预后至关重要。本研究创新性地将物理学启发的本征频率(IF)分析与机器学习相结合，通过颈动脉压力波形实现了对心肌损伤指标的高精度分类。

Graphical Abstract

在冠状动脉闭塞/再灌注大鼠模型中，基于单次颈动脉压力波形的物理学分析方法，可高准确度分类心肌梗死面积、缺血危险区和无复流区域。这一概念验证展示了该技术在急性MI后非侵入性评估中的转化潜力。

1 Introduction

MI后心肌损伤范围（包括梗死面积、缺血危险区和无复流区域）是长期预后的关键决定因素。传统影像学技术如MRI、CT等存在辐射暴露、操作复杂等局限。研究假设IF-ML方法可通过动脉压力波形识别MI病理生理特征，其中IF参数ω₁和ω₂分别反映左心室(LV)收缩功能和动脉动力学，Δω=ω₁-ω₂可作为心室-血管耦合指标。

2 Methods

2.1 Preclinical Data

采用88只健康Sprague-Dawley雌性大鼠(约200g)，通过标准30分钟冠状动脉闭塞/3小时再灌注模型诱导急性MI。

2.2 Standard Rat Model for Acute Myocardial Infarction

手术过程包括：麻醉插管、颈动脉插管测压、开胸结扎左冠状动脉。再灌注2小时后采集颈动脉波形用于IF特征提取。

2.3 Measurement of Myocardial Injury Sizes

通过TTC染色和Thioflavin S灌注分别量化梗死面积(AN/LV)、缺血危险区(AR/LV)和无复流区域(A-NR/LV)。典型损伤范围：AN/LV=29.0±11.4%，AR/LV=49.5±8.4%，A-NR/LV=14.1±7.8%。

2.5 Cardiovascular Intrinsic Frequency Method

IF方法通过优化目标函数提取波形特征参数：ω₁(收缩期频率)、ω₂(舒张期频率)、包络比(ER)和初始相位(φ₁,φ₂)。这些参数与LV功能、血管动力学密切相关。

2.6-2.8 Machine Learning Pipeline

采用KNN和SVC等算法，基于IF参数和血压值(SBP/DBP)建立分类模型。数据集按75%/25%分为训练集和盲测集。

3 Results

3.1 Myocardial Infarct Size Classification

最佳模型对AN/LV分类准确率达0.95(特异性0.95，敏感性0.96)；对AN/AR分类准确率0.88(敏感性达1.00)。ω₁被证明是最重要的预测因子。

3.2 Ischemic Risk Zone Classification

对AR/LV分类的最佳模型准确率为0.85，其中KNN-3模型特异性达0.90。包络比(ER)在此类模型中贡献显著。

3.3 No-Reflow Area Classification

对A-NR/LV和A-NR/AR分类的最佳模型准确率分别为0.88和0.86。初始相位φ₁在此类模型中表现突出。

4 Discussion

该研究首次证明颈动脉压力波形可准确反映MI损伤程度。IF参数ω₁作为LV收缩功能指标，在所有模型中均为核心预测因子。相比传统影像学，该方法具有非侵入、即时、低成本等优势，特别适合MI后长期监测。

4.1 Strengths and Limitations

研究优势在于标准化动物模型和物理学驱动的特征选择。局限性在于仅使用雌性大鼠，未来需扩展至其他模型。

4.2 Future Works

未来方向包括：扩大样本量实现连续预测、验证非侵入测量方法、开发适用于外周波形的转换算法等。

5 Conclusions

这项概念验证研究为MI损伤评估提供了全新范式，仅需单次动脉压力测量即可实现精确分类，为临床转化奠定了重要基础。该技术未来可与智能手机等移动设备结合，实现居家MI监测。