《Annals of Noninvasive Electrocardiology》：Dynamic Risk Assessment for the Development of Persistent Atrial Fibrillation Using Statistical and Machine Learning Approaches
编辑推荐：
背景：心脏植入式电子设备（CIED）频繁检测到短暂、常为亚临床的心房颤动（AF），但其预测进展为持续性心房颤动（persistent AF）的价值仍不确定。统计与机器学习（ML）方法可利用此纵向设备数据实现动态风险分层。目的：利用临床变量和CIED衍生房颤负荷
背景：心脏植入式电子设备（CIED）频繁检测到短暂、常为亚临床的心房颤动（AF），但其预测进展为持续性心房颤动（persistent AF）的价值仍不确定。统计与机器学习（ML）方法可利用此纵向设备数据实现动态风险分层。目的：利用临床变量和CIED衍生房颤负荷（AF burden），在6个月滚动窗口内测量，以预测进展为持续性AF。方法：研究人员分析了1985例既往无持续性AF的患者（于2016至2024年间在一家三级医疗中心植入CIED）的连续CIED数据。使用重叠的6个月滚动窗口汇总房颤负荷和临床变量，以估计1年内进展为持续性AF的风险。通过Kaplan-Meier和Cox比例风险模型评估关联。采用梯度提升决策树模型（XGBoost）预测进展。结果：平均随访1192天期间，874例患者（44%）发展为阵发性心房颤动（paroxysmal AF），其中257例（29%）在平均813天后进展为持续性AF。既往6个月内无AF或AF<1小时/天的患者，1年无持续性AF率>97%，而AF>8小时/天的患者进展率为63%。较高的房颤负荷与进展风险强相关（最大HR 8.66，p<0.001）。ML模型显示出高预测性能（敏感度99.4%，特异度95.7%）。结论：CIED检测到的房颤负荷与进展为持续性AF密切相关。基于ML的6个月设备数据分析能够实现准确的时间点风险分层，以支持更早期、更具针对性的临床管理。
**论文解读文章**
**研究背景与意义**
心房颤动（Atrial Fibrillation，AF）是最常见的持续性心律失常，全球患病率持续上升，2019年估计达5970万例。AF与卒中风险增加5倍、心肌梗死风险增加2倍以及痴呆风险升高相关，且持续性心房颤动（Persistent AF）患者的风险最高。心脏植入式电子设备（Cardiac Implantable Electronic Device，CIED）如起搏器、植入式心律转复除颤器等可提供连续监测，检测短期亚临床AF并量化房颤负荷（AF burden），但既往研究未利用CIED数据预测从阵发性房颤（Paroxysmal AF）向持续性AF的进展。因此，本研究旨在整合传统统计方法与机器学习（Machine Learning，ML），通过6个月滚动窗口动态评估房颤负荷与1年内进展为持续性AF的风险，以支持临床决策和早期干预。该研究发表于《Annals of Noninvasive Electrocardiology》。
**关键技术与方法**
研究人员利用罗切斯特大学医学中心（URMC）CIED数据库，纳入1985例于2016-2024年间植入CIED且无既往持续性AF的患者。主要方法包括：采用6个月滚动窗口（每24小时更新一次）计算每日AF负荷，包括AF活动日平均AF持续时间（AF intensity）和AF活动日比例（AF frequency）；结合临床变量（年龄、性别、NYHA心功能分级、左心室射血分数LVEF、药物使用等）；使用Kaplan-Meier生存分析和Cox比例风险模型评估关联；采用XGBoost梯度提升决策树构建预测模型，并以留出测试集进行内部验证，特征重要性通过增益度量评估。
**研究结果**
**3.1 患者特征与AF进展率**
在平均1192天随访中，874例（44%）患者发展为阵发性AF，其中257例（29%）在平均813天后进展为持续性AF。进展为持续性AF的患者年龄更大（76±11岁），LVEF更低（46%±11%），更常处于NYHA III/IV级（11%），且β受体阻滞剂、抗凝药和利尿剂使用比例更高。
**3.2 Kaplan-Meier生存分析**
Kaplan-Meier分析显示，既往6个月内无AF的患者1年无持续性AF概率为98%，AF<1小时/天者概率为97%；而AF>8小时/天且AF活动日比例>30%者，1年无持续性AF概率仅为63%，表明房颤负荷越高，进展风险越大。
**3.3 Cox比例风险模型关联分析**
以无AF组为参照，AF<1小时/天组风险轻度增加（HR 1.13，p=0.0002）；1-8小时/天组（无论AF活动日比例）风险增加>4倍（HR 4.42和4.41）；>8小时/天且AF活动日比例<30%组HR为6.32；>8小时/天且AF活动日比例>30%组HR最高达8.66（p<0.0001），证实房颤负荷与进展风险呈分级关联。
**3.4 多变量模型调整**
进一步调整年龄、性别、NYHA分级（或利尿剂使用）、LVEF及心血管药物后，关联仍显著：>8小时/天且AF活动日比例>30%组HR为2.01（p<0.0001），1-8小时/天组风险也升高，且风险排序不变，表明房颤负荷是独立于临床因素的预测因子。
**3.5 机器学习预测**
XGBoost模型在预测1年内进展为持续性AF方面表现优异，ROC曲线下面积（AUC-ROC）为0.996，敏感度99.4%，特异度95.7%。特征重要性分析显示，最重要的预测因子包括AF活动日平均AF持续时间、AF活动日比例及植入年龄，其次为NYHA分级和性别，药物使用贡献较低。
**讨论与结论**
讨论部分指出，机器学习模型基于纵向CIED数据可准确预测持续性AF进展，且与Cox模型结果一致，均强调房颤强度（小时/天）和频率（AF活动日比例）是核心风险指标。NYHA心功能分级和性别也影响进展，女性风险更高。早期识别高风险患者有助于优化导管消融等节律控制策略的时机，避免不可逆心房重构。未来研究需在多中心验证，并探索将框架应用于可穿戴设备等非侵入性监测数据。
**结论翻译**：本研究证明，利用纵向CIED数据的机器学习模型能够准确预测持续性AF的发展。通过6个月滚动窗口的房颤负荷测量，传统统计分析和机器学习方法均独立识别出相似的高风险表型，包括AF强度（小时/天）和AF频率（AF活动日比例）。这种一致性强化了研究结果的可靠性，并支持将动态房颤负荷指标整合到临床风险分层中。将这些预测工具应用于实践可能改善节律控制策略的时机，并预防不可逆心房重构。未来需开展多中心研究和前瞻性试验以验证这些见解，并评估其在真实世界AF管理中的影响。随着非侵入性监测技术的成熟，这些方法也可能扩展到可穿戴和贴片式传感器数据中，通过类似机器学习框架分析纵向节律数据，扩大早期识别高风险患者的机会。
