室性心动过速（VT）仍是导致心源性猝死的主要原因，即使在植入式除颤器和导管消融术时代也是如此。米歇尔·奥里尼博士基于自身实验和临床研究，分享了机器学习如何帮助识别关键的VT消融靶点，指向一种更安全、数据驱动的致命性室性心律失常治疗方法。
室性心动过速（VT）是一种严重且可能危及生命的心律失常，在许多患者中起源于心肌内的瘢痕组织区域。这可能由既往心肌梗死或潜在心脏疾病引起。
无论病因如何，瘢痕组织会干扰电信号的正常传导，导致异常电活动环路形成并维持心律失常。当这些快速电环路发生在心室时，心脏无法有效泵血，影响血液循环和血压。若不治疗，VT可导致心源性猝死。
植入式心律转复除颤器（ICDs）旨在通过强效电击或抗心动过速起搏终止危及生命的心律失常。据估计，全球每年约植入200,000台ICD。
尽管ICDs在预防心源性猝死方面非常有效，但频繁发生室性心律失常的患者可能面临反复且痛苦的电击，这与焦虑增加和生活质量下降相关。此外，重复电击可能进一步损害心脏功能，尤其在患有基础心脏病的患者中。
因此，大量研究聚焦于预防室性心律失常发生的治疗方法。抗心律失常药物在1990年代初曾展现出可观前景，但由于副作用，其获益与风险的平衡令人失望。
在过去二十年中，已开发出直接针对致心律失常基质的手术。VT导管消融已成为复发性、危及生命心律失常患者的成熟治疗，试验表明其疗效优于药物治疗。
导管消融的标准方法及其局限性
导管消融是一种侵入性手术，通过靶向并消除负责异常电活动的心脏组织来治疗心律失常，包括VT。通过导管，先进映射系统收集数以万计的心内电信号，生成与心律失常发生相关的电生理特性的详细三维图谱。
通常，通过程序电刺激诱发室性心律失常，使专家临床医生能够识别产生并维持心律失常的区域。一旦识别，该组织通常使用射频能量破坏，中断异常电环路同时保留正常心脏功能。
尽管取得显著进展，当前VT导管消融策略仍存在若干局限性。手术耗时较长，通常持续三至五小时。在电生理检查中诱发VT可直接映射负责心律失常的电环路，但带来不可忽视的风险，因为血压可能无法维持，常需心脏复律或机械循环支持。最后，术后VT复发率仍然较高，约为30–50%。
一种新兴替代策略旨在患者保持窦性心律时识别准确的消融靶点——即对VT启动和维持至关重要的心脏位点。尽管此方法提高了手术安全性，但使识别VT关键位点更具挑战性，因为心律失常环路无法直接映射，必须间接推断。目前，这一复杂任务由高度熟练的临床医生依靠丰富经验和专业知识完成。
机器学习在支持VT治疗中的作用
从导管实验室获取的心脏映射数据中预测消融靶点是适合新型计算方法的问题。因此，当前研究正利用机器学习和其他人工智能（AI）技术自动化此过程，旨在提高速度、准确性和可扩展性。
在此背景下，AI通过解决复杂分类问题和识别大数据集中的模式展现出相当潜力。虽然AI在心电图多个领域以及改善如房颤导管消融等手术中已显示可观前景，但其在识别VT消融靶点方面的应用仍极其有限。
在我们近期发表于《欧洲心脏杂志-数字健康》的研究中，我们使用猪心肌梗死模型数据，研究机器学习是否能帮助识别潜在消融靶点。此大型动物模型的关键优势在于VT环路可被更长时间、更详细地映射，同时允许对多种映射策略进行同步评估。
实验在丹麦哥本哈根进行，使用最新一代心脏映射导管，在窦性心律和程序电刺激下表征梗死瘢痕周围心肌组织的电生理特性。
随后诱发VT，并使用临床常规使用的同类先进心脏映射系统识别VT环路的关键组成部分。
我们应用高级信号处理技术，从窦性心律和程序电刺激期间记录的35,068个心内电图中提取电生理特征。
评估了多种机器学习模型——包括k近邻、随机森林和支持向量机——预测VT环路关键位点位置的能力。这些方法被证明能有效识别VT关键区域，使用在窦性心律或起搏期间获取的数据，无需在手术中诱发VT。
重要的是，我们的研究首次证明，利用心内电信号特征的机器学习方法能支持临床医生通过基质映射定位VT消融靶点。
基于这些发现，我们随后在VT消融患者中开展研究，使用VT被诱发并成功映射的手术期间获取的临床数据。与之前工作相同，机器学习模型仅在窦性心律或起搏期间收集的数据上训练，以间接推断VT关键位点位置。
初步未发表结果令人鼓舞，并突显了基于图神经网络（GNNs）的更先进方法的潜力。与传统模型不同，GNNs不仅从心内电信号形态学习，还从其空间关系学习。此架构似乎特别适合心脏映射应用，因为相邻心脏位点物理连接，电激活和复极的空间异质性是心律失常发生的关键决定因素。
将VT消融研究转化为临床实践
这些发现对于一种成功时可改变生活、在许多情况下可救命的手术极具鼓励性。同时，近年来出现了几种互补技术，有望进一步改善VT消融效果。这些包括能更好地表征致心律失常基质的先进医学成像技术，以及能重现体内无法直接测量的电生理机制的数字孪生方法。
然而，有意义的临床转化将需要大量进一步努力。这些新方法的价值，包括我们工作中提出的方法，必须在大型随机临床试验中得到验证。相应算法也需要稳健地整合到适合电生理手术常规使用的临床映射系统中。
总之，这些发展指向一个未来：VT消融由数据驱动、患者特异性模型指导，提高准确性与安全性，同时减少手术时长和成本。
如果成功转化为临床实践，此类方法可从根本上改变室性心律失常的管理。
作者
米歇尔·奥里尼（Michele Orini）工程硕士、博士
英国伦敦国王学院生物医学工程系医疗保健工程副教授
参考文献
- Sapp JL 等. 室性心动过速的导管消融或抗心律失常药物治疗. N Engl J Med 2025;392:737–47.
- Siontis KC 等. 人工智能增强的心电图在心血管疾病管理中的应用. Nat Rev Cardiol 2021;18:465–78.
- Deisenhofer I 等. 人工智能用于持续性房颤个体化治疗：一项随机对照试验. Nat Med 2025;31:1286–93.
- Wang X 等. 基于基质图的室性心动过速消融靶点自动化定位机器学习方法：猪模型中的开发与验证. Eur Heart J Digit Health 2025;6:645–55.
【全文结束】
