使用 P 波 ECG 特征预测导管消融前心房颤动复发：小数据集下随机森林与 CNN 的简洁性比较

《Scientific Reports》：Prediction of atrial fibrillation recurrence before catheter ablation using P-wave ECG features: simplicity of random forest versus CNN in small datasets

　　

摘要

心房颤动（AF）是一种影响约3%普通人群的心律失常。导管消融（CA）是AF患者最有效的治疗手段；然而，复发率仍然较高。基于消融术前数据进行早期患者分层，可通过识别临床成功可能性较高的候选者，帮助个性化导管消融决策。我们纳入了123例患者，在窦性心律状态下于术前采集了6分钟、3导联正交心电图记录，并收集了临床数据。我们将一种广泛应用于AF预测的先进卷积神经网络（CNN）分类器作为基准进行比较，发现其表现不佳，在我们数据集上的准确率仅为62%。为提升性能，我们进行了逐搏P波分析，并构建了融合连续小波变换特征、三维时空变量及时域参数的特征向量。通过递归特征消除方法，随机森林（RF）分类器在使用10折普通交叉验证（CV）时达到了76%的准确率，并在无数据泄露的10折嵌套交叉验证下保持了68%的泛化准确率。RF模型在未见过数据上的表现优于CNN，提供了一种更有效且具有可解释性的框架。提取具有临床可解释性的特征有望为医生的决策支持工具铺平道路。本研究表明，当任务具有挑战性（如区分无AF患者与复发患者）且数据集较小时，更简单、计算量更轻的方法可能更为可取。