基于LightGBM的模型的开发与验证：该模型结合风险分层，用于预测心房颤动导管消融术后早期复发情况

《BMC Cardiovascular Disorders》：Development and validation of a LightGBM-based model with risk stratification for predicting early recurrence after catheter ablation for atrial fibrillation

　　

摘要

背景

心房颤动（AF）是最常见的持续性心律失常，但目前用于预测导管消融术后早期复发的工具仍然有限。本研究旨在开发一种机器学习模型，以评估首次AF消融后的复发风险。

方法

在这项回顾性单中心研究中，共纳入了519名接受初次AF消融的患者（复发率为9.2%）。通过递归特征消除法选择了8个预测因子，并构建了一个LightGBM模型，该模型与逻辑回归和传统风险评分进行了内部验证。

结果

LightGBM模型在训练阶段的AUC为0.715，在测试阶段的AUC为0.704，其区分能力优于逻辑回归（AUC=0.623）和传统评分（APPLE AUC=0.560）。SHAP分析显示，二尖瓣反流程度、年龄、血红蛋白和白蛋白是主要的预测因子。使用Youden衍生的阈值（0.099）时，高风险组和低风险组在测试中的复发率存在显著差异（11.4% vs 2.9%；P<0.05）。

结论

我们开发了一个基于LightGBM的模型，该模型整合了结构和代谢特征，在预测AF消融后的复发风险方面优于传统方法。这一工具可能有助于实现个性化的术后管理。需要进行多中心的前瞻性验证。