机器学习整合消融质量指标用于预测房颤复发：一项多中心研究

《JACC: Clinical Electrophysiology》：Machine Learning Integration of Ablation Quality Metrics for Predicting Atrial Fibrillation Recurrence: A Multicenter Study

　　

摘要

背景

目前预测心房颤动（房颤）消融术后复发的模型主要依赖于不可改变临床特征，其预测准确性有限，且对术中决策和预后优化提供的指导作用较小。

目标

本研究旨在开发并外部验证一个机器学习模型，该模型整合临床特征与消融质量指标，以个体化预测房颤复发。

方法

我们在中国大陆14家医院开展了一项多中心回顾性队列研究，纳入接受首次房颤消融术的患者。研究纳入18至80岁的患者，收集临床特征和质量指标数据。使用7个筛选特征构建XGBoost模型以预测1年房颤复发。模型通过5折交叉验证进行内部验证，并进一步在2家独立医院的患者数据中进行外部验证。

结果

在2021年12月至2023年12月间纳入的1782例患者中，294例（16.5%）在1年内出现房颤复发。最终XGBoost模型在内部验证中表现出较强的区分能力（曲线下面积[AUC]：0.918，95%CI：0.874-0.962）。在特征组合分析中，模型性能从仅使用临床特征的AUC 0.588提升至纳入消融质量指标后的0.918。在2家独立外部验证中心（n = 239）中，模型显示出良好的区分能力，AUC分别为0.992和0.951，精确率-召回率曲线下面积分别为0.960和0.815。

结论

整合消融质量指标可获得一个经验证的模型，对1年房颤复发显示出较强的区分能力，优于仅使用临床特征。该方法凸显了术中质量评估的预后价值，并可为个性化患者管理提供支持。

节段摘要

研究设计

在本项多中心回顾性队列研究中，我们招募了中国大陆14家医院的患者用于模型开发，并选择2家独立中心用于外部验证。纳入标准为2021年12月1日至2023年12月31日期间接受首次房颤消融术的患者。后续数据收集、整合和分析工作于2025年5月1日至8月31日期间完成。

本研究方案获得机构审查委员会（或伦理）

结果

在14家参与医院的1782例接受房颤消融术的患者中，294例（16.5%）在1年随访期间出现复发。复发组与非复发组的基线临床及术程特征见表1。各中心的患者入组详情见补充表2，外部验证队列的基线特征见补充表3。两组间未发现显著差异

主要发现

我们开发并验证了一个临床-术程预测框架，据我们所知，这是首个在大规模国家级多中心队列中整合消融质量指标与临床特征，以估算房颤消融术后个体化1年复发风险概率的框架。值得注意的是，纳入消融质量指标（残余间隙、FOT比率和AI比率）提供了实质性的增量预后信息，将AUC从0.588（使用临床特征

结论

整合消融质量指标与临床特征可获得一个经验证的外部机器学习模型，用于预测1年房颤复发。除了个体化风险分层外，该工具还便于客观的术中质量评估，为术程优化提供了数据驱动的依据，并建立了一个可适应的框架，用于标准化其他新兴能源资源的术程质量评估。

资金支持与作者披露

本研究由强生美敦力电生理作为研究者发起的研究予以资助。同时得到了中国科技创新2030重大项目（2024ZD0538800）和江苏省卫生健康委员会（K2023080）的支持。作者声明与本文内容相关的任何需披露关系。

患者护理与术程技能胜任力：在接受心房颤动导管消融术的患者中，术中质量指标

致谢

作者感谢参与本研究的所有患者以及各参与中心的临床团队提供的协助。

王柯欣|邹超|尹晓梦|陈景诚|朱雪峰|陈小利|王跃刚|苏浩|丁祥伟|李成宗|萧方仪|王云龙|易富|谢双轮|陈龙|蒋琪|陈明隆|居伟珠