结合传统统计学与可解释机器学习方法，用于脉冲场消融术后心房颤动复发的风险分层：一项用于提出假设的单中心研究

《BMC Cardiovascular Disorders》：Integrating traditional statistics and explainable machine learning for risk stratification of atrial fibrillation recurrence after pulsed field ablation: a hypothesis-generating single-center study

　　

摘要

背景

对于阵发性心房颤动患者，预测脉冲场消融术后疾病复发仍然是一项挑战，尤其是在那些结构改变较少的早期患者中。射频消融时代传统的风险评分可能不适用于这项新技术及这类患者群体。

方法

这项单中心回顾性研究纳入了92名接受首次脉冲场消融治疗的有症状阵发性心房颤动患者。研究终点为3个月观察期后的疾病复发情况。我们结合了Cox回归分析以及基于随机森林模型的可解释机器学习方法。内部验证采用分层10折交叉验证和自举重采样技术。模型可解释性通过排列重要性和SHAP分析进行评估，而模型性能则通过校准度、区分度（AUC值）以及决策曲线分析来判定。

结果

在平均28个月的随访期内，有13名患者（14.1%）出现疾病复发。多变量分析初步表明，术前NT-proBNP的对数值是独立的预测因子（HR值为2.15，P值仅为0.008）。虽然可解释机器学习分析指出NT-proBNP的对数值是最具影响力的因素，但其他次要预测因子的稳定性较差，其重要性数值大多接近于零。该模型的校准度一般（布里尔分数为0.143），区分度也较低且存在较高不确定性（AUC值为0.697，95%置信区间为0.254–1.000）。决策曲线分析初步显示，在10%到15%的风险阈值区间内可能存在临床净收益。通过探索性的三级风险分层（NT-proBNP浓度大于300 pg/mL、透视时间超过22.5分钟、左前降支直径大于30毫米），可将患者的复发风险分为低、中、高三类，对应的风险比例分别为3.0%、11.4%和33.3%，各组间的Log-rank检验P值均小于0.001。

结论

这项用于提出假设的初步研究认为，术前NT-proBNP是对脉冲场消融术后疾病复发具有预测意义的关键指标，并展示了一种适用于小样本分析的可解释机器学习框架。所有研究结果均为初步结论，需要在更大规模的前瞻性队列研究中得到进一步验证，这也凸显出开发针对脉冲场消融术的专用预测工具的必要性。