基于心率变异性的机器学习模型实现房颤短期精准预测：开启穿戴式设备预警新纪元

本研究针对房颤（AF）短期预测难题，利用机器学习（ML）分析24小时动态心电图（Holter ECG）数据，开发了基于心率变异性（HRV）参数的预测模型。结果显示，XGBoost模型对5分钟内AF发作的预测准确率达84.5%，AUROC为0.919，证实HRV蕴含关键预测信息。该研究为穿戴式设备实现AF早期预警及“口袋药丸”（PITP）式干预策略提供了技术支撑，有望降低AF相关发病率。

　　

心房颤动（Atrial Fibrillation, AF）作为临床上最常见的心律失常之一，不仅显著增加卒中、心力衰竭等心血管事件风险，更给全球 healthcare system 带来沉重负担。尽管当前临床已有诸多风险评估工具（如CHA_{22-VASc评分）和遗传风险模型，但它们大多着眼于长期风险 stratification，无法实现AF发作前数小时内的精准预警。这种预测时间窗口的缺失，极大限制了预防性干预策略的实施——例如，患者若能提前知晓AF即将发作，便可及时服用抗心律失常药物，从而避免 episode 发生或减轻其症状。}

正是在这样的背景下，Jean-Marie Grégoire 等研究人员开展了一项具有前瞻性意义的工作。他们利用大规模动态心电图（Holter ECG）数据库，结合机器学习（ML）方法，探索基于心率变异性（Heart Rate Variability, HRV）的短期AF预测模型。该研究近期发表于《European Heart Journal - Digital Health》，为AF的精准预警和移动健康（mHealth）应用提供了重要证据。

为开展本研究，团队构建了迄今最大的AF Holter数据库之一（IRIDIA-AF），包含95,871条记录，从中筛选出872名患者的1,319次阵发性AF episode。进一步地，他们选取了506条记录（含835次AF事件），这些记录在AF发作前有超过60分钟的正常窦性心律（Normal Sinus Rhythm, NSR），且AF持续超过10分钟。作为对照，研究还纳入347名无心律失常受试者的365条记录。

关键技术方法主要包括：

1. 1.

   数据预处理与特征提取：对NSR段进行5分钟时间窗划分，计算时域（如SDNN、RMSSD）、频域（LF、HF功率）、非线性（Poincaré图SD1/SD2、SODP象限参数）以及心率碎片化（HRF）指标等40余项HRV参数；

2. 2.

   模型构建与比较：使用随机森林（RF）和XGBoost（XGB）两种决策树模型处理HRV特征，同时训练卷积神经网络（CNN）和CNN-RNN模型处理原始ECG信号作为对比；

3. 3.

   验证策略：采用时间顺序的10折交叉验证，严格按患者级别划分数据集，避免数据泄露；

4. 4.

   可解释性分析：通过SHAP（SHapley Additive exPlanations）值解析关键预测特征。

研究结果

模型性能比较

HRV-based模型（XGB和RF）显著优于深度学习模型。XGB在记录级别达到AUROC 0.919（95% CI: 0.879–0.958），AUPRC 0.949，准确率84.5%，灵敏度83.0%，特异性86.6%。相比之下，表现最佳的CNN模型AUROC为0.846。这表明HRV参数较原始ECG信号蕴含更丰富的预测信息。

年龄分层分析

预测性能随年龄增长而提升：>80岁组AUROC达0.983，AUPRC为0.997，灵敏度98%，阳性预测值（PPV）94.6%；而<60岁组因AF prevalence较低，AUPRC相对较低。这一发现与老年人群AF高发病率及自主神经功能变化密切相关。

特征重要性解析

SHAP分析揭示前5位关键特征依次为：RMSSD（反映短期迷走神经活性）、PAS（心率交替片段百分比）、SODP Q1（二阶差分散点图第一象限点数）、SODP CTM100（变异集中趋势度量）、SD1/SD2（Poincaré图短长期变异比）。这些参数共同指向自主神经系统（ANS）调节失衡，尤其是迷走神经张力升高在AF触发中的核心作用。

人口学变量的冗余性

加入年龄与性别特征并未提升模型性能，说明HRV参数本身已充分捕获了与AF风险相关的生理变异，无需依赖外部 demographic 信息。

结论与讨论

本研究首次证实，基于HRV的机器学习模型可在AF发作前5分钟至1小时内实现 high-accuracy 预测，且性能随预测窗口延长而增强。这一发现具有三重重要意义：

其一，深化了对AF触发机制的理解。研究通过可解释AI技术证明，短期HRV指标（尤其是RMSSD、PAS等）是AF发作前ANS激活的敏感生物标志物。这与既往研究认为“迷走神经兴奋促进AF”的假说高度吻合，也为靶向ANS的干预策略提供了理论依据。

其二，推动穿戴式健康设备的临床转化。由于关键预测信息仅依赖于R波间隔序列（即RR间期），单导联ECG甚至光电容积脉搏波（PPG）信号即可满足计算需求。这使得该模型可无缝集成至智能手表、贴片式监测器等mHealth设备，实现实时AF风险预警。

其三，革新AF预防策略。研究者创造性提出“ML-guided PITP”概念：患者接收设备警报后，可在仍处于NSR时服用快速起抗心律失常药物（如flecainide鼻喷雾剂），从而避免AF发作。这种“预防性PITP”策略有望显著降低传统PITP（发作后用药）带来的不良反应风险。

当然，本研究仍存在一定局限性：回顾性设计、患者抗心律失常药物使用引入异质性、健康对照可能存在未发现的亚临床病变等。此外，模型尚未进行前瞻性临床试验验证，其真实世界效能待进一步证实。

总之，Grégoire等人的工作为AF短期预测建立了新的技术标杆，并为ANS机制主导的AF预防策略提供了扎实数据支撑。随着穿戴式传感与AI算法的持续演进，这种“预测-预警-干预”一体化框架有望成为心血管疾病管理的新范式。