心律失常复发分析：方法、基质表征与临床转化的系统评价

《Computers in Biology and Medicine》：Recurrence analysis of cardiac arrhythmias: A systematic review of methods, substrate characterisation and clinical translation

　　

•跨49项研究对心律失常信号的复发分析进行了综合。
•替代测试表明，颤动信号中存在随机替代信号之外的结构。
•复发指标和主频率携带的信息并不等效。
•未标准化的复发阈值阻碍了跨研究合并结果。
•提出了临床基质表征的四项要求。

**引言**

心律失常是全球发病率和死亡率的主要原因之一。心房颤动（房颤）是最常见的持续性心律失常，2020年全球估计患病人数达5000万，并与卒中的2.4倍风险增加以及死亡风险1.5至2倍增加相关[1], [2]。室性快速性心律失常，主要是心室颤动（VF），是猝死的主要机制，仅在美国，其年发病率估计为18万至25万[3], [4]。在整个从心房到心室、从阵发到持续的谱系中，大多数心律失常由心肌中的异常电基质维持，针对该基质的导管消融已成为治疗的基础。因此，消融的疗效直接取决于该基质能从记录信号中被识别的准确程度。

该识别仍是一个核心难题。持续性房颤的消融效果仍不一致[5]，这一限制的一部分可能是诊断性的：用于表征基质的电图通常以这些信号违反其假设的方法进行分析。颤动电图是非线性和非平稳的；其频率、振幅和形态持续变化，并且在单个记录中，激活状态在有序和无序模式之间交替。基于傅里叶的频谱分析，尤其是主频率（DF）估计，假设平稳、准周期行为，并将每个分析窗口简化为单个频谱峰，丢弃了区分一种与另一种心律失常机制的时间演变[6], [7]。表征此类信号需要不预设线性或平稳性的方法。

复发量化分析（RQA）就是其中一种方法。它源于庞加莱（Poincaré）复发定理，该定理指出，几乎所有有界、体积保持动力系统的轨迹都会任意接近其初始状态。Eckmann等人引入了复发图（RP），这是一个二元矩阵，其元素R(i, j)标记时间j时的状态是否位于时间i时的状态的邻域内[8]；在现在标准化的形式中，当时间i和j时的状态位于固定阈值距离ε内时，R(i, j)等于一，否则为零[9]。复发点的分布编码了动力学信息：对角结构反映了确定性、准周期行为，垂直结构反映了层流状态，而分散的孤立点反映了随机或混沌活动。Webber和Zbilut随后引入了RQA，这是一组用于量化这些结构的标量指标，包括复发率（RR）、确定性（DET）、最大对角线长度（Lmax）和对角线长度的熵[10]；基于垂直线的指标，如层流性（LAM）和捕获时间（TT），由Marwan等人添加[9]，平均对角线长度（Lmean）也被广泛报告。当应用于单个记录的通道时，对于确定性系统，并且在通用条件下，Takens定理确保时间延迟嵌入重建的轨迹与底层系统的轨迹等效，RQA可以直接表征心电图的时间组织，而不假设平稳的频谱模型[11]。

在过去的三十年里，基于复发的方法已被应用于心律失常研究中的各种问题，包括量化颤动期间的心房有序性、识别复杂分数化电图作为消融靶点、区分再入和被动激活组织、分离可恢复和不可恢复的VF，以及根据其底层动力学对心律失常进行分类。方法学也相应地扩展，从标量心电图的单站点RQA，到形态复发、多信号的交叉和联合复发、自定义空间复发结构，以及将复发图作为图像进行分类的深度学习方法。尽管范围广泛，该领域此前尚未进行综合，且最影响可重复性的方法选择也未被系统地比较。本综述填补了这一空白。它考察了1999年至2025年间发表的49项研究，按方法学途径组织，如图1所示，并提出三个目标：确定复发分析对心脏心律失常可靠证明了什么，评估其方法在研究中应用的稳定性，并识别将其作为临床基质表征工具前仍然需要解决的内容。第4节按途径对研究进行分类；第5节发展了在独立数据集中反复出现的四个发现，涉及颤动的确定性结构、复发和频域指标中的互补信息、阈值选择不一致性，以及最广泛使用的指标的有条件的价值；第6节列出了局限性，第7节得出结论。

**片段**

**复发分析的理论基础**
本节介绍了复发分析的理论基础，并定义了综述中使用的数量；图2总结了流水线。分析从单个记录信号开始，通常是表面心电图或心内电图。从该信号中，通过时间延迟嵌入重建底层系统的轨迹，其中延迟τ和嵌入维度m通过平均互信息和虚假最近邻准则从数据中设定。

**搜索策略和数据库**
对同行评审文献进行了系统检索，检索了四个电子数据库：PubMed、IEEE Xplore、Scopus和Web of Science。选择这些数据库是为了全面涵盖生物医学和工程文献。

搜索查询使用布尔运算符组合了三个概念块。第一块涵盖了复发分析的术语；第二块涵盖了……

**经典单信号RQA**
遵循完整经典RQA流水线的论文：获取一维心脏信号，通常使用Takens嵌入定理重建高维相空间，在该相空间中构建复发图，并使用标准指标如DET和LAM量化复发模式。

**数据集中的收敛发现**
第3.5节的评估对以下四个发现的影响不均匀。涉及阈值异质性以及DET和LAM行为的发现，基于研究报告的内容而非其结果的有效度，因此评估加强了这些发现：在应用距离阈值的三十五项研究中，二十五项报告了选择规则，十项没有，这本身就是发现的内容。涉及确定性的发现……

**局限性**
仍存在几个缺口。在多站点心房测绘中常见的跨电极位点的复发指标空间平均，会抑制通常作为关注点的患者内异质性；只要数据量允许，优先报告每个位点的数据更好。第4.6节的复发图作为图像的深度学习研究在基准数据集上实现了高准确率，但只有三项测试了，通过同类型对照，复发图变换是否增加任何东西……

**结论**
在近三十年的心脏电生理研究中，RQA已经确立，颤动信号包含匹配的随机替代信号无法重现的动力学结构，该结构追踪与消融相关的基质属性，并且在频谱指标无法做到时，复发衍生指标可以预测临床结果。该方法学已发展到值得进行前瞻性临床评估的程度，但这只是一个关于什么的论断……

**CRediT作者贡献声明**
Mohammad Moualla：写作 – 审阅与编辑，写作 – 初稿，可视化，方法论，调查，正式分析，数据整理，构思。
José Gomes：写作 – 审阅与编辑，方法论，调查。
Jo?o Salinet：写作 – 审阅与编辑，监督，项目管理，方法论，资金获取，构思。

**数据可用性**
未产生新的原始数据。讨论的所有数据均在本综述中引用的原始出版物中可用。为本综述提取的数据在表3和补充表S1–S3中给出。计算图4面板1和图2中显示的数量的Python代码作为补充代码S1提供。

**伦理声明**
本研究不需要伦理批准，因为它是对已发表文献的系统综述，不涉及人类参与者、动物或原始数据的收集。

**生成式AI和AI辅助技术的声明**
在准备本工作期间，作者使用了ChatGPT (OpenAI) 将单独计算的面板组装成复合图2和图4。作者使用Claude (Anthropic) 编写绘制图1和图3的代码，进行语言编辑，将提取的数值与来源出版物进行核对，并帮助编写作为补充代码S1提供的Python代码并将其输出插入图4的面板1。两个工具均未生成或更改任何数据或绘制值。

**资金**
本工作由圣保罗研究基金会 (FAPESP) 资助，拨款号2018/25606-2；由国家科学技术发展委员会 (CNPq) 资助，INCT INTERAS拨款号409174/2024-6；以及由CAPES–GCUB资助。M. Moualla由GCUB Call 001/2024资助，流程号23006.008908/2025-73。J. C. Gomes Junior由CAPES资助，流程号88887.986647/2024-00。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能影响本论文中报告的工作。

Mohammad Moualla | José Gomes | Jo?o Salinet