基于机器学习的经导管房间隔缺损封堵术后心房心律失常预测模型 - AI与医疗健康

基于机器学习的经导管房间隔缺损封堵术后心房心律失常预测模型Machine Learning-Based Predictive Model for Atrial Arrhythmia Following Transcatheter Atrial Septal Defect Closure - ScienceDirect

环球医讯 / AI与医疗健康来源：www.sciencedirect.com比利时 - 英语2025-11-10 12:28:25 - 阅读时长2分钟 - 854字

比利时研究团队开发出新型机器学习预测模型，通过迁移学习技术分析术前心电图数据，成功预测经导管房间隔缺损封堵术后心房心律失常风险。该研究回顾性分析2008-2024年间148名成年患者数据，发现心电图衍生特征在风险分层中显著优于传统临床指标，集成模型平均AUC达0.823且在不同患者亚组中保持稳定性能。研究成果表明，该模型有望改善先天性心脏病患者的术后监测策略，但需进一步外部验证后才能投入临床应用，为人工智能在心血管疾病精准医疗领域的应用提供了重要实证。

研究亮点

•封堵术后，相当比例的房间隔缺损(ASD)患者仍会发展为迟发性心房心律失常。
•现有用于预测ASD封堵术后迟发性心房心律失常的预测模型准确性有限，临床实用性不高。
•本研究引入了一种新型高性能机器学习模型，利用心电图数据的迁移学习，准确预测经导管ASD封堵术后的新生心房心律失常。
•心电图衍生特征在风险分层中优于传统的临床和血流动力学预测因子。
•该模型在不同患者亚组中表现出强大且一致的预测性能，支持了该模型的潜在普适性。

摘要

背景

房间隔缺损(ASDs)通常通过经皮方式闭合。尽管闭合成功，许多患者仍会发展为心房心律失常。关于这些心房心律失常的相关风险因素数据不一致。因此，我们旨在开发一种机器学习(ML)模型，用于预测青少年和成人经导管ASD闭合后的心房心律失常。

方法

回顾性分析了2008-2024年间在单中心接受经导管闭合术的继发孔型ASD患者。排除了先前有心房心律失常的患者。使用深度神经网络，通过从大型外部心电图数据集进行迁移学习，从术前12导联心电图中提取预测特征。这些特征与临床、人口统计学、生化和血流动力学变量结合，用于集成生存模型中。使用综合Brier分数和接收者操作特征曲线下面积(AUC)评估模型性能。

结果

共有148名成年患者(中位年龄44.4岁[30.6-57.8]，105名女性[70.9%])符合纳入条件。总随访时间为1055人年(中位随访7.3年[3.1-11.3])，期间28名患者(18.9%)发展为心房心律失常。最终整合心电图衍生特征的集成机器学习模型表现出强大的预测性能(综合Brier分数0.044，平均AUC 0.823)。亚组和敏感性分析证实了该模型在各种患者特征中的稳健性。