《Annals of Noninvasive Electrocardiology》：Machine Learning-Based Classification of Right and Left Ventricular Outflow Tract Premature Ventricular Contractions
编辑推荐：
特发性室性早搏（premature ventricular contractions, PVCs）通常起源于右心室流出道（right ventricular outflow tract, RVOT）和左心室流出道（left ventricular outflo
特发性室性早搏（premature ventricular contractions, PVCs）通常起源于右心室流出道（right ventricular outflow tract, RVOT）和左心室流出道（left ventricular outflow tract, LVOT）。体表12导联心电图（electrocardiogram, ECG）常用于在导管消融前鉴别解剖起源部位。机器学习方法可进一步提高诊断准确性。
材料与方法：本研究分析了43例患者（65%为男性，中位年龄55.6岁，IQR 30年）的64个心电图（ECG）衍生特征以及年龄和性别，这些患者均接受了流出道起源特发性PVC的成功导管消融。起源部位通过三维电解剖标测呈现。研究人员采用重复分层五折交叉验证（五次重复）训练逻辑回归模型，以将起源部位分类为RVOT或LVOT。研究人员还对仅包含ECG特征的模型与四种既往发表的ECG算法进行了比较评估。
结果：在25个留出分区中，该模型获得准确率0.817±0.143、精确率0.888±0.122、召回率0.824±0.206、F1分数0.836±0.139和ROC-AUC 0.917±0.094。使用合并的折外预测时，准确率为0.860（95% CI 0.744–0.953），ROC-AUC为0.910（95% CI 0.800–0.987）。年龄是最具判别力的特征，其值增加倾向于LVOT起源。仅ECG模型达到ROC-AUC 0.853（95% CI 0.721–0.958；ΔAUC +0.057，p=0.104）。
结论：这些发现表明，基于ECG参数和人口学特征的机器学习模型能够对流出道室性心律失常进行分类，支持其在自动鉴别和术前规划中的应用。
特发性室性早搏（premature ventricular contractions, PVCs）是临床最常见的心律失常之一，其常见起源部位为右心室流出道（right ventricular outflow tract, RVOT）和左心室流出道（left ventricular outflow tract, LVOT）。射频导管消融（radiofrequency catheter ablation, RFCA）对有症状或心功能受损的频繁PVC患者有效，术前准确判定起源部位对提高手术效率、降低手术风险至关重要。然而，RVOT与LVOT解剖位置相邻，其体表心电图（electrocardiogram, ECG）模式高度相似，导致基于ECG的起源判断颇具挑战。传统上，研究者发展了多种ECG规则与算法来预测流出道PVC的起源，如R/S波振幅指数、移行区指数、V2S/V3R指数和V2移行比等，但这些算法均未达到完全准确的判别效果，且在实际应用与可重复性方面存在困难。近年来，人工智能（artificial intelligence, AI）在心脏病学领域的应用迅速发展，已有研究将机器学习（machine learning, ML）模型用于预测PVC起源，但既往定义的区分RVOT与LVOT起源的ECG特征尚未被系统整合进机器学习模型中。此外，模型的可解释性在临床实践中至关重要。因此，本研究旨在将既往传统算法定义的ECG特征与年龄、性别等人口学参数整合进一种新的机器学习模型，并评估其分类效能。
研究人员纳入了2019年6月至2024年9月期间在希腊两家三级医疗中心接受导管消融且起源明确为RVOT或LVOT的特发性PVC患者共43例（LVOT 26例，RVOT 17例）。入组患者术前均采集了12导联ECG数据及人口学特征和合并症信息。依据3D电解剖标测结果及消融反应确定流出道室性心律失常起源。研究中采用重复分层五折交叉验证（重复5次，共25个训练-验证分区）训练逻辑回归模型，并以嵌套方式在各训练分区内完成z-score标准化与基于ANOVA F检验的特征选择，最终保留F统计量最高的8个特征以维持稳健的特征-样本比例。模型超参数（正则化强度C=0.01、0.1、1.0、10.0、100.0；惩罚类型L1、L2，使用liblinear求解器）通过内部交叉验证以ROC-AUC为优化目标进行选择。参考模型包含ECG特征、年龄和性别；另构建仅含ECG特征的模型进行对比，并将参考模型与四个既往发表的ECG算法（R/S波振幅指数、移行区指数、V2S/V3R指数、V2移行比）在原定截止值下于全队列中直接比较。模型性能通过准确率、精确率、召回率、F1评分和ROC-AUC（ROC曲线下面积）评估，置信区间采用自举重采样（2000次）估计。
### 3.1 患者特征与手术数据
研究队列共纳入43例有记录的流出道室性心律失常患者，其中60.5%（26例）为LVOT起源，39.5%（17例）为RVOT起源。中位年龄为55.6岁（IQR 30），28例（65.1%）为男性。中位左心室射血分数（left ventricular ejection fraction, LVEF）为55（IQR 10）。LVOT起源组患者年龄显著大于RVOT组（66.1岁 vs. 41.2岁，p<0.001），而性别比例、LVEF、PVC 24小时负荷、合并结构性心脏病比例、手术时间及抗心律失常药物失败率等方面组间差异无统计学意义。
### 3.2 特征选择与模型系数
特征选择在每个训练分区内独立重复，共有六个特征在每一个分区均被选中：V2 S波振幅、V3 S波振幅、V1 S波振幅、V4 R波振幅和V5 R波振幅以及年龄。PVC期间胸前导联移行区评分在25个分区中的23个被选中，V3 S波宽度在22个分区被选中。其余特征中，V3 R波宽度仅在4个分区、aVL R波振幅仅在1个分区被选中，说明保留的特征集在分区之间高度稳定。所有被选中的ECG特征均来自PVC自身特征，性别、PVC QRS时限及任何窦性心律特征均未在任何一个分区中被选中。在全队列重拟合的参考模型中，年龄为最具判别力的特征（F统计量=27.11），其次是V2 S波振幅（F=23.68）和V3 S波振幅（F=20.11）。模型的标准化回归系数显示，年龄（+0.100）、V4 R波振幅（+0.074）、V5 R波振幅（+0.073）和V3 S波宽度（+0.066）的系数为正值，提示这些特征增大时更倾向于LVOT起源；而V2 S波振幅（-0.088）、V3 S波振幅（-0.085）、PVC移行区评分（-0.077）和V1 S波振幅（-0.076）的系数为负值，其增大时更倾向于RVOT起源。
### 3.3 模型性能
在25个留出分区中，包含ECG特征及年龄、性别的参考模型取得了准确率0.817±0.143、精确率0.888±0.122、召回率0.824±0.206、F1评分0.836±0.139和ROC-AUC 0.917±0.094的性能。将所有患者合并的平均折外预测进行汇总后，模型准确率为0.860（95% CI 0.744–0.953），ROC-AUC为0.910（95% CI 0.800–0.987），精确率0.857，召回率0.923，F1评分0.889。模型对LVOT起源的敏感性为0.923，对RVOT起源的特异性为0.765，对应的混淆矩阵显示43例患者中37例被正确分类。
### 3.4 模型比较
仅含ECG特征的模型在25个分区中平均准确率为0.756±0.131，ROC-AUC为0.876±0.128；合并预测的准确率为0.767（95% CI 0.628–0.884），ROC-AUC为0.853（95% CI 0.721–0.958）。参考模型相较仅ECG模型的ROC-AUC提升0.057（p=0.104），未达到统计学显著性。四个传统算法在原定截止值下应用于同一队列时，V2S/V3R指数ROC-AUC最高（0.891，95% CI 0.779–0.976），其后依次为R/S波振幅指数（0.796）、移行区指数（0.774）和V2移行比（0.704）。参考模型与V2S/V3R指数相比AUC差异为+0.018（p=0.609），与R/S波振幅指数相比差异为+0.112（p=0.075），与移行区指数相比差异为+0.130（p=0.111），与V2移行比相比差异为+0.190（p=0.033），仅后者达到统计学显著性。
讨论部分指出，本研究是首个量化并直接比较人口学变量与心电图特征在鉴别LVOT与RVOT起源PVC中相对贡献的模型。研究结果与既往深度学习模型报告一致：PVC相关特征比窦性心律特征对心律失常起源判定的贡献更大，V2、V3导联衍生特征主要与右侧起源相关，V4、V5导联特征对左侧起源贡献更强，胸前导联特征比肢体导联特征更重要。年龄在本队列中是单一的最强判别因子，LVOT患者中位年龄显著高于RVOT患者（p<0.001），且年龄在每个训练分区均被选中，提示人口学特征可可靠辅助PVC起源鉴别。该混合模型方法可弥补单纯依赖ECG特征的一些固有局限，包括流出道解剖位置邻近、心肌纤维连接导致的ECG图形重叠、心脏旋转、导联位置、优先传导及观察者间变异等因素。研究还通过报告每个特征在分区中被选中的频率，为特征选择稳定性提供了比单次划分分析更直接的量化证据。
本研究的局限性主要包括样本量较小（少数类别仅17例），置信区间偏宽，提示结果应视为假设生成性质；回顾性设计可能限制信息完整性与准确性；心内膜消融可能位于优先传导部位而非真正起源位点，可能影响消融靶点对真实心律失常来源的反映精度。结论部分表明，本研究证实了整合人口学与心电图特征的机器学习模型在鉴别RVOT和LVOT起源PVC方面具有良好的判别能力，其中年龄是最稳定且最具判别力的预测因子，胸前导联（V1–V5）的ECG特征被鉴定为高度判别性指标。该模型在数值上取得了高于仅ECG模型及传统判别算法的判别性能。这些发现凸显了可解释的、基于特征的机器学习模型在临床实践中支持非侵入性心律失常定位的潜力，但需在独立队列中进行外部验证以确认泛化性。
