引言：电图流（EGF）映射是一种经FDA 510(k)认证的方法，用于在心房颤动（AF）中可视化心房激活波前。其临床效果已在FLOW-AF随机对照试验中得到验证，其基本原理此前已有描述。然而，用于开发和完善EGF算法的底层机器学习策略尚未详细说明。在此，我们展示了基于199例完全匿名回顾性患者数据集训练的EGF模型如何识别具有临床意义的AF源，以及这种机器学习驱动的超参数优化如何促成其临床有效性。我们还研究了这些源的统计特征及其对周期长度变异性的影响，从而洞察潜在的病理生理机制。
方法与结果：使用64电极篮状导管记录持续性或长期持续性AF患者的单极心电图。EGF模型处理这些记录以重建发散波前传播模式并量化其时间优势。我们总共纳入了399例回顾性患者：其中199例用于训练和优化24个模型超参数，另外200例用于后续分析源的普遍性和特征。我们的机器学习方法确立了一个活动阈值，高于该阈值时，发散波前模式（称为“显著源”）可预测AF复发。这一阈值在已发表的FLOW-AF试验中的85例前瞻性患者中得到了验证。术后持续存在的显著源与显著较高的复发率相关，而成功消融的显著源则未出现此现象。值得注意的是，大多数显著源并非持续活跃；然而，当这些源切换至“开启”状态时，相应心房内AF周期长度的空间变异性减少了50%以上，表明存在一种同步效应。
结论：通过基于临床结果系统优化EGF模型的超参数，我们能够可靠地检测和定位关键AF源，这些源在被消融后可提高手术成功率。这些发现得到了FLOW-AF试验的支持，强调了基于临床结果的机器学习在提升基于算法的医学诊断效率方面的实用性。
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)
