引言：电图流（EGF）映射是一种经美国FDA 510(k)认证的心房颤动（AF）电生理活动可视化技术，其临床疗效已在FLOW-AF随机对照试验中得到验证，其基础原理此前已有详述。然而，用于开发和优化EGF算法的底层机器学习策略尚未完整披露。本文首次揭示了基于199例回顾性患者手术数据训练的EGF模型如何识别具有临床意义的AF源，并阐述机器学习驱动的超参数优化对其临床疗效的支撑作用。同时分析了房颤源的统计学特征及其对周长变异性的影响，为潜在病理生理机制提供新见解。
方法与结果：研究使用64电极篮状导管记录持续性或长程持续性AF患者的单极电图。EGF模型通过处理这些数据重构离散波前传播模式，并量化其时间分布特征。研究共纳入399例回顾性患者（199例用于模型训练与24个超参数优化，200例用于源分布与特征分析）。机器学习方法建立了活性阈值——当离散波前模式（即"显著源"）超过该阈值时，可预测AF复发。该阈值经FLOW-AF试验的85例前瞻性患者验证，显示术后残留显著源的患者复发率显著高于完全消融者。
值得注意的是，大多数显著源并非持续激活；当这些源处于"开启"状态时，对应心房的房颤周期长度空间变异性下降超过50%，提示存在节律同步效应。
结论：通过基于临床结果的系统性EGF模型参数优化，我们能可靠检测并靶向治疗可改善手术成功率的关键AF源。FLOW-AF试验数据支持这一发现，证明临床结局导向的机器学习在提升算法类医学诊断效能中的重要价值。
关键词：持续性心房颤动，电图流映射，篮状导管，全景映射，机器学习，临床验证
【全文结束】
