《Current Problems in Cardiology》:Machine-learning versus traditional scoring methods for prediction of atrial fibrillation recurrence after catheter ablation: A systematic review and meta-analysis
编辑推荐:
摘要背景导管消融后心房颤动 (AF) 复发仍然常见,复发率高达 45%。传统风险评分仅显示出适度的预测性能。机器学习 (ML) 方法通过利用高维临床和影像数据改进风险分层显示出前景,但与传统评分的直接比较仍然有限。目的比较 ML 模型与传统风险评分在预测导管消融后 AF 复发
摘要
背景
导管消融后心房颤动 (AF) 复发仍然常见,复发率高达 45%。传统风险评分仅显示出适度的预测性能。机器学习 (ML) 方法通过利用高维临床和影像数据改进风险分层显示出前景,但与传统评分的直接比较仍然有限。
目的
比较 ML 模型与传统风险评分在预测导管消融后 AF 复发方面的判别性能。
方法
检索 MEDLINE、EMBASE、Web of Science 和 Cochrane 数据库至 2026 年 6 月 11 日,查找报告 ML 与传统风险模型在预测消融后 AF 复发方面头对头比较的研究。主要结局为模型判别能力,由 C 统计量衡量。使用随机效应荟萃分析汇总判别估计值,并进行荟萃回归以比较 ML 和传统方法。进行亚组分析以探索 ML 模型架构的影响。使用 PROBAST 工具评估方法学质量。
结果
纳入 11 项研究 (n = 17,150)。与传统风险评分相比,ML 模型显示出更高的汇总判别能力 (AUC 0.80, 95% CI 0.72–0.86 vs. 0.58, 95% CI 0.53–0.62; QM 18.96, p < 0.001)。亚组分析表明,多模态融合模型实现了最高的汇总判别能力,其次是神经网络模型。基于树的模型在主要分析中并未显著优于传统风险评分。
结论
ML 模型在预测消融后 AF 复发方面显示出比传统风险评分更高的判别能力。方法学局限性、缺乏校准报告以及缺乏外部验证限制了立即的临床应用。
引言
心房颤动 (AF) 是最常见的心律失常,可能与显著的发病率相关1, 2。导管消融代表 AF 患者的主要节律控制策略,随机试验显示其在改善生活质量和维持窦性心律方面优于药物治疗3, 4, 5。在心力衰竭患者中,消融通过改善死亡率结局和心脏功能提供额外益处6。尽管其作用已确立,AF 复发仍然频繁,据报道晚期复发率高达 45%7。因此,准确的个体化 AF 复发预测提供了重要的临床价值。通过识别最可能从消融中获益的患者,它可能促进更审慎的患者选择和资源分配,同时根据强度和持续时间启用个体化的术后监测策略。
过去十年,开发了多种传统风险评分,如 APPLE、MB-LATER、BASE-AF2、CAAP-AF、HATCH 和 CHA2DS2-VASC,用于预测导管消融后 AF 复发,纳入了临床、影像以及偶尔的生物化学变量8, 9, 10, 11, 12。这些传统评分被设计为简单、务实的床边工具,而不是精确的个体化预测器。在各项验证研究中,复发率差异巨大,判别性能通常有限。大多数 C 统计量介于 0.5 和 0.75 之间,大多数研究聚集在 0.61 左右13, 14。该范围内的 C 统计量表明,这些模型的表现仅略优于偶然 (0.5),并低于通常认为适合临床决策的阈值 (≥0.8)15 比较研究未发现单一评分具有持续的优势,尽管一些研究表明 MB-LATER 和 BASE-AF2 可能比 HATCH 等较旧的模型提供增量临床效用13,14。传统风险评分仅显示出弱至中等的判别能力,尚未在临床实践中取得重大进展。
近年来,机器学习 (ML) 技术在医疗领域的应用激增。作为人工智能的一种形式,ML 通过分析高维数据以识别变量之间通常会被传统评分系统忽略的复杂相互作用,显示出增强风险分层的潜力。开发了一系列 ML 算法,包括随机森林、梯度提升树、支持向量机、神经网络和融合模型。这些模型的开发必须经过严格的测试和筛选过程16。首先在大型训练数据集上进行训练以学习相关模式,然后使用验证集进行内部验证,最后使用外部数据集进行外部验证以确保可推广性。
近期的荟萃分析强调了 ML 在预测 AF 复发中的新兴作用,尽管存在高水平的偏倚 17,18。然而,尚无荟萃分析评估其与传统评分方法在同一数据集上的表现。因此,本系统性回顾和荟萃分析旨在量化存在研究内直接比较时 ML 模型与传统评分之间的判别性能差异,检查性能是否根据 ML 模型架构而变化,并识别限制临床转化的方法学差距。
章节片段
方法
本系统性回顾和荟萃分析根据《系统性回顾和荟萃分析优先报告条目》(PRISMA) 指南报告19。本回顾已在 PROSPERO 注册。(CRD420251041939)
检索结果
排除重复记录后,文献检索识别出 1749 项唯一研究。其中,11 项研究符合本系统性回顾和荟萃分析的纳入标准 (图 1)。排除全文研究的原因在补充材料附录 3 中详细概述。
研究特征
共纳入 11 项发布于 2022 年至 2026 年之间的研究进行荟萃分析 (表 1),包括 17,150 名接受心房颤动导管消融的参与者。
讨论
本系统性回顾和荟萃分析评估了与导管消融后预测 AF 复发相关的 ML 模型与传统风险评分相比的性能。在汇总了 11 项在同一队列中评估两种方法的研究后,ML 模型表现出比传统风险评分更高的判别能力,这种差异具有统计学意义。这种优势在不同的 ML 架构中并不统一。多模态融合和神经网络模型
结论
本荟萃分析表明,机器学习模型在预测导管消融后 AF 复发方面实现了比传统风险评分显著优越的判别能力,其中多模态融合和神经网络架构推动了这一优势。然而,对所有纳入研究而言,依赖内部验证、校准报告不一致以及高偏倚风险意味着这些发现应被视为产生假设而非改变实践。
稿件准备过程中生成式 AI 及 AI 辅助技术的声明
本稿件在人工智能工具 ChatGPT 的协助下进行了语言、清晰度和简洁性编辑。AI 提供了关于内容语法和风格的建议。关于稿件内容和接受 AI 建议的最终决定由作者作出。AI 未对项目概念构思、研究或作品原创写作做出贡献,也不是本稿件的作者。
数据与材料可用性
所有支持本研究结果的相关数据均包含在文章中。
Thomas Koh|Stefany Jeong|Edward Dababneh|Vineel Lal|Ian Hughes|Sachin Nayyar