《Bioengineering》：Heart Rate Variability Integrated into a Longitudinal Multimodal Model to Predict Delayed Cerebral Ischemia After Aneurysmal Subarachnoid Hemorrhage
编辑推荐：
背景：迟发性脑缺血（DCI）是动脉瘤性蛛网膜下腔出血（aSAH）后发病的主要原因，但早期预测仍然困难，尤其是在昏迷患者中。现有风险评分多为静态，未能捕捉动态病理生理变化。心率变异性（HRV）反映自主神经系统活动，可能提供额外预测信息。研究人员研究了将HRV整合
背景：迟发性脑缺血（DCI）是动脉瘤性蛛网膜下腔出血（aSAH）后发病的主要原因，但早期预测仍然困难，尤其是在昏迷患者中。现有风险评分多为静态，未能捕捉动态病理生理变化。心率变异性（HRV）反映自主神经系统活动，可能提供额外预测信息。研究人员研究了将HRV整合入纵向多模态模型是否能改善DCI预测。方法：在这项前瞻性队列研究中，连续心电图（ECG）数据收集自2016年至2024年间入住一家三级神经重症监护病房的aSAH患者。HRV特征从高分辨率ECG记录中实时计算，并与人口学、临床、实验室和血气变量相结合。评估了四种预测模型：静态临床变量、实验室/血气数据、HRV特征以及多模态组合模型。通过交叉验证、锚定ROC分析和留一法模拟评估性能。结果：在101名符合条件的患者中，35名（34.7%）发生DCI。LFNorm显示出最佳单变量HRV性能（ROC AUC 0.64）。HRV特征和实验室/血气模型分别达到ROC AUC 0.60和0.63。多模态模型实现了最高整体性能（ROC AUC 0.68），其中HRV特征占模型特征重要性的半数以上。时间分辨分析进一步表明，HRV的贡献在临床病程中有所变化，在DCI前期的后期阶段提供了最大的增量价值。结论：将HRV整合入多模态预测框架为aSAH患者的DCI风险估计提供了额外的时间依赖性信息。
动脉瘤性蛛网膜下腔出血（aSAH）后，迟发性脑缺血（DCI）是导致死亡和残疾的主要原因，约三分之一的患者发生DCI。现有预测评分如Hunt and Hess分级、世界神经外科学会联合会（WFNS）分级、Fisher分级、Barrow神经学研究所（BNI）量表和VASOGRADE量表均为入院时静态评估，无法反映动态病理生理变化，尤其在昏迷患者中早期预测困难。心率变异性（HRV）作为自主神经功能的无创连续指标，在脓毒症相关全身炎症反应综合征（SIRS）中已有应用，而aSAH可诱发脑和全身炎症反应，与脑血管痉挛和DCI发生相关。因此，研究人员假设将HRV特征整合入基于低时间分辨率数据的现有纵向DCI预测模型，可提高预测准确性。论文发表在《Bioengineering》。
研究人员开展了一项前瞻性队列研究，纳入2016年至2024年间瑞士苏黎世大学医院神经外科重症监护病房收治的aSAH患者，共101例符合入选标准。主要技术方法包括：1）实时HRV特征计算算法：基于ECG信号采用改进的Hamilton算法（使用Morlet小波替代箱形滤波器进行整流）检测R波，计算心搏间期（IBI），并进行伪迹去除和异常值检测，在非重叠5分钟窗口内计算时域和频域HRV指标；2）特征工程：对HRV、实验室和血气变量计算一阶差分、累积均值偏差、滚动均值/中位数/最小值（3-48小时窗口）及线性趋势斜率，并构建临床相关比值特征（如SDNN/HRV-TD-RMSSD、乳酸/pH、CRP/白细胞）；3）模型构建与评估：训练四种动态DCI分类模型（静态临床变量、实验室/血气、HRV特征、多模态组合模型），采用多种分类器（逻辑回归、随机森林、直方图梯度提升机、极端梯度提升、极端随机树），通过锚定数据交叉验证和留一法模拟进行评估；4）数据集来源：瑞士苏黎世大学医院，数据通过ICU Cockpit?平台采集和处理。
研究结果分为以下部分：
**3.1 参与者**：在339名初始aSAH患者中，101名因需满足连续ECG记录质量和时长要求而入选（排除238名因监测空白、操作或信号伪影导致ECG数据不足）。DCI发生率在入选组（34.7%）与排除组（39.1%）间无显著差异（p=0.46），但入选组入院神经学严重程度更高（Hunt and Hess中位数3 vs. 2, p<0.001）。HRV数据覆盖率高（平均99.5%），88名患者具有完整48小时HRV数据。
**3.2 基于HRV单变量的DCI预测性能——单变量分析**：频域参数LFNorm（归一化低频功率）以48小时中位数聚合达到最佳非定向ROC AUC 0.64，且在所有聚合水平均表现一致。时域参数AvgNN（NN间期均值）的48小时和24小时最小值聚合均达到0.63。所有前25个特征均达到统计学显著性（p<0.005）。
**3.3 基于多模态参数的DCI预测性能**：在交叉验证中，静态模型（Extra Trees）ROC AUC 0.569±0.104；实验室/血气模型（HistGradientBoosting）0.626±0.087；HRV模型（HistGradientBoosting+PCA降维）0.601±0.066；多模态组合模型（随机森林）达到最高性能0.68±0.06。HRV特征贡献了组合模型中最大的特征重要性份额（55.8%），去除HRV后AUC下降0.111，远高于去除实验室/血气（0.056）和静态特征。时间依赖分析显示，不同特征集在临床病程中预测价值变化：实验室/血气在早期（第2.0-4.7天）占优（AUC 0.718），HRV在最早窗口（第2.2-3.6天）表现最佳（AUC 0.683），组合模型在后期（第9.0-14.0天）持续领先（AUC 0.715）。
**3.4 留一法模拟**：在48小时预测窗口内，组合模型获得最高整体ROC AUC 0.616 [0.604, 0.629]，优于实验室/血气（0.602）和HRV（0.586）。时间分辨分析进一步证实HRV与实验室/血气在时间上互补，组合模型在后期阶段改善实验室/血气模型的区分度（ΔAUC +0.11）。
**3.5 实施于实时数据流**：HRV特征集已整合入ICU Cockpit?作为实时流处理算法，可基于患者ECG动态计算并存储HRV参数。
**讨论部分总结**：该研究首次采用数据驱动方法将HRV特征与多模态生理数据整合用于纵向DCI预测。LFNorm（48小时中位数）是单变量最佳预测因子。多模态模型在交叉验证和留一法评估中均表现最优，表明HRV捕捉了常规临床参数之外的互补生理信息。与先前研究比较，由于研究设计、患者群体、终点定义、预测时间窗和评估方法差异，直接比较受限。时间分辨分析显示预测性能随病程变化，单一聚合指标可能无法全面反映多模态预测系统在整个临床过程中的表现。局限性包括：ECG质量要求导致样本量减少（101例）和选择偏倚，HRV受多种因素（体位、药物、感染、机械通气等）影响，ECG信号伪影和心律失常可能引入噪声，以及结果需在独立多中心队列中验证。
**研究结论翻译**：将HRV整合入多模态纵向预测框架有潜力通过提供常规临床和实验室参数之外的互补性时间依赖性信息，增强DCI风险分层。当前发现进一步表明，预测性能在临床病程中变化，突显了神经重症监护中时间分辨建模方法的重要性。综合来看，这些发现支持HRV作为多模态床旁监测一部分的潜在价值。然而，在考虑临床实施前，需要进一步的方法学改进和独立队列的前瞻性外部验证。
