利用人工智能和机器学习算法预测急性心肌梗死患者新发心房颤动 - 心脑血管

摘要

背景/目的：新发心房颤动是急性心肌梗死的常见并发症，与死亡率升高、心力衰竭和心血管事件复发相关。心房颤动发生率的预测模型可能有助于早期风险分层、改善患者监测并支持临床实践中的个性化治疗决策。方法：前瞻性研究纳入了150名在症状发作24小时内入院的急性心肌梗死患者。收集了临床、实验室、心电图和超声心动图数据，并开发了一个机器学习模型来预测新发心房颤动。使用ROC-AUC评估模型性能，同时应用SHAP分析来识别和量化各个预测因子的贡献。结果：该机器学习模型表现出优异的预测性能，在独立测试集上准确率达到97.0%，ROC-AUC为0.991，精确率-召回率AUC为0.991。SHAP（SHapley Additive Explanations）和排列重要性分析确定E/e'比值、左心室质量指数、左心室射血分数、左心房容积指数、氧化应激标志物（丙二醛和超氧化物歧化酶）、NT-proBNP和完全血运重建是预测急性心肌梗死后新发心房颤动的最重要预测因子。结论：机器学习结合基于SHAP的可解释性在预测急性心肌梗死后新发心房颤动方面显示出巨大潜力。该方法可能改善个体化风险评估和临床决策，但需在更大规模的多中心队列中验证。

关键词：心房颤动；急性心肌梗死；机器学习算法

学科分类：医学与药理学 - 心血管系统

1. 引言

多项研究表明，在急性心肌梗死(AMI)期间，心房颤动(AF)的发病率显著增加。然而，新发心房颤动对短期临床结局以及长期预后的影响尚不清楚。对这一现象的准确认识对于适当的风险分层和优化治疗策略至关重要，包括关于抗凝和患者整体管理的决策[1,2]。2021年，心房颤动和心房扑动对全球疾病负担贡献显著，全球报告了4,484,926例新发病例。年龄标准化发病率为每10万人52.12例。此外，总体患病率达到52,552,045例，年龄标准化患病率为每10万人620.51例[3]。心房颤动与不良心血管事件风险显著增加相关，包括急性心肌梗死[4]。前瞻性队列研究表明，与无此心律失常的个体相比，心房颤动患者发生急性心肌梗死的可能性更高。此外，多项研究证明，在心肌梗死后立即期和长期随访期间，心房颤动的发生率均有所增加[5]。急性冠脉综合征背景下新发心房颤动的报告率差异很大，从2.3%到21%不等[6]。

新发症状性心房颤动通常在急性心肌梗死后最初几天内观察到；然而，无症状形式似乎大约比有症状形式普遍三倍。Stamboul等人进行的一项研究中，对心肌梗死入院后至少48小时进行连续心电图监测，849名患者中有135名(16%)发展为无症状心房颤动，而仅有45名(5%)出现症状性心房颤动[7]。无症状心房颤动患者年龄明显较大，女性更为常见，且吸烟可能性较低。与症状性心房颤动类似，无症状形式在急性冠脉综合征后一年内与不良预后相关，与无心房颤动的患者相比，心血管死亡率和因心力衰竭住院率显著增加(5.7% vs. 2.0%，p < 0.001 和 6.6% vs. 1.3%，p < 0.001)。Wi等人进一步将暂时性新发心房颤动定义为发生在心肌梗死背景下的心律失常，无既往病史且在出院一个月后无记录(在4.8%的患者中观察到)。这种暂时性心房颤动与最差的临床结局相关，是心肌梗死患者在出院后一个月以及二年和五年随访期间主要不良心血管事件和死亡率的强有力独立预测因子[8]。

开发预测模型是AMI患者风险分层的一种有前景策略。通过整合临床、心电图、超声心动图和实验室参数，预测模型可以在住院早期阶段识别易感患者，使临床医生能够实施更密切的监测和个性化预防干预。Wang等人证明，心电图标志物，特别是V1导联P波振幅，可以纳入具有良好判别能力的预测模型，用于预测急性心肌梗死后新发心房颤动[9]。此外，最近的研究集中在构建诺莫图和多变量预测工具，以估计急性心肌梗死患者经皮冠状动脉介入治疗后心房颤动发生的风险。Zhang等人开发并验证了一个诺莫图，显示出令人满意的预测性能，可能支持常规临床实践中的决策[10]。

人工智能和机器学习技术在心脏病学中的日益广泛应用进一步增强了预测建模的潜力。机器学习算法可以分析大量临床变量之间复杂的非线性关系，并识别与不良心血管事件相关的隐藏模式。Jeong等人证明，动态机器学习模型可以准确预测急性心肌梗死后临床结局，突显了这些方法在改善个性化患者管理方面的潜力[11]。

然而，大多数现有模型是使用传统统计方法构建的，并具有几个重要局限性。传统评分通常假设预测因子与结局之间存在线性关系，这可能无法捕捉到与新发心房颤动发展相关的临床、实验室、超声心动图和心电图变量之间复杂的相互作用。此外，许多当前可用的模型源自相对较小的队列，并且在应用于外部人群时常表现出有限的泛化能力。人工智能在心血管疾病各种情况下的最新进展已证明其预测性能优于传统统计风险评分。然而，限制人工智能模型临床应用的主要挑战之一是其缺乏可解释性。为解决此问题，可解释人工智能技术，特别是SHapley Additive Explanations (SHAP)，已越来越多地整合到预测模型中。SHAP能够识别和量化每个变量对最终预测的贡献，从而提高透明度和临床医生对模型输出的信心[12]。基于SHAP的方法已应用于各种心律失常预测和心房颤动风险评估、心力衰竭预测、心脏毒性等方面，为心电图、实验室和超声心动图变量的相对重要性提供见解[13,14]。鉴于现有急性心肌梗死后新发心房颤动预测模型的可解释性有限，调查SHAP分析是否能提高对此人群中驱动心房颤动发展因素的理解将是有价值的。这种方法不仅可以提高预测准确性，还可以提供具有临床意义的解释，支持个体化风险分层和决策。

2. 材料与方法

本前瞻性研究在摩尔多瓦共和国基希讷乌心脏病学研究所进行。在获得书面知情同意后，连续纳入150名确诊为急性心肌梗死的成年参与者(18岁及以上)。伦理批准由Nicolae Testemițanu国家医学和药学大学伦理委员会批准(2018年4月12日会议，批准号54)。纳入标准仅限于症状发作后24小时内就诊的患者。研究方案严格遵循《赫尔辛基宣言》中规定的伦理标准。如果患者患有预期寿命低于两年的非心脏疾病、既往心房颤病史、认知障碍或物质滥用，则被排除。

参与者被分配到两个规模相等的队列：75名在心肌梗死急性期发展为新发心房颤动的患者，以及75名在住院期间保持窦性心律的患者。所有受试者均接受全面的临床评估、实验室检测和超声心动图评估。采用随机分配过程进行入组。出院后，对患者进行为期两年的监测，记录预先规定的结局，包括因心力衰竭住院、心血管死亡和非心血管原因死亡。

2.1 统计分析

数据处理和统计评估使用RStudio(版本2024.09.1+394)和Python(版本3.12.3)进行，实现了完全可重复的分析工作流程。连续变量使用适当的汇总度量进行描述，如均值、标准差、中位数、四分位范围和范围。连续变量的组间差异使用Mann-Whitney U检验进行评估。分类数据以计数和百分比表示，并附带95%置信区间。分类变量之间的关系使用Pearson卡方检验进行评估，统计显著性通过基于100,000次迭代的蒙特卡罗模拟方法确定。在整个分析中，双尾p值阈值0.05被认为具有统计学意义。

将使用标准区分指标评估为识别急性心肌梗死患者新发心房颤动风险而开发的预测模型，包括受试者工作特征曲线下面积(AUC-ROC)。为增强模型可解释性，将应用SHAP量化单个变量对预测结果的影响。将进行全局和局部SHAP分析，以确定与心房颤动发生相关的最相关预测因子，并评估其在不同风险特征中的贡献。将使用图形表示，如SHAP汇总图和依赖图，来可视化特征重要性并探索临床、实验室、心电图和超声心动图参数之间的潜在相互作用。

3. 结果

3.1 研究人群的一般特征

研究人群包括150名诊断为急性心肌梗死的患者。男性占队列的大多数，100名参与者(66.7%，95% CI：59-74)，而女性占50名参与者(33.3%，95% CI：26-41)。就居住地而言，72人(48.0%，95% CI：40-56)居住在城市地区，78人(52.0%，95% CI：44-60)居住在农村地区。参与者的年龄范围为37至90岁，中位年龄为67.0岁(IQR = 13.0)。按年龄分层显示，约58名患者(38.7%)年龄小于65岁，72名患者(48.0%)年龄在65至79岁之间，20名患者(13.3%)年龄为80岁或以上。对生活方式特征的评估表明，队列中以低水平日常体力活动为主。107名参与者(71.3%)报告为久坐或最小活动生活方式，而41名个体(27.3%)观察到中等活动。体重测量值在55至132公斤之间，中位值为86.5公斤(IQR = 22.8)。身体质量指数中位数为29.0 kg/m² (IQR = 8.0)，范围从18.8至44.0 kg/m²。肥胖(定义为BMI超过30 kg/m²)存在于65名患者(43.3%)中。当根据营养状态对参与者进行分类时，超重是最常见的类别，影响55名个体(36.7%)。正常体重和I级肥胖均见于36名参与者(24.0%)。此外，中心性肥胖的标志——腰围增大在69名患者(46.0%)中被识别。心血管家族史阳性记录在16名参与者(10.7%)中。对合并医疗状况的评估表明，动脉高血压是最常见的合并症，影响102名患者(68.0%)。2型糖尿病记录在37名个体(24.7%)中，反映了急性心肌梗死患者中代谢障碍的显著负担。15名患者(10.0%)报告了既往缺血性卒中，而外周动脉疾病在7例(4.7%)中被识别。关于既往心血管事件，心肌梗死病史在15名患者(10.0%)中被注意到，慢性心力衰竭存在于42名患者(28.0%)中。这些发现凸显了研究队列中心血管合并症和风险因素的高患病率。

研究人群中确定的心血管风险因素和合并症的详细概述见表1。

在整体研究人群中，ST段抬高型心肌梗死是最常见的临床表现，104名患者(69.3%)观察到，而非ST段抬高型心肌梗死在46名患者(30.7%)中被识别。根据病因学分类，1型心肌梗死占主导地位，占147例(98.0%)。围手术期心肌梗死不常见，1名患者(0.7%)被归类为4型MI，2名患者(1.3%)为5型AMI。心源性休克在10名患者(6.7%)中被记录。

梗死定位分析显示，前壁受累是最常遇到的模式，影响74名患者(49.3%)。下壁梗死记录在61名患者(40.7%)中，而心尖受累较少见，在15例(10.0%)中观察到。与这些发现一致，左前降支是导致急性事件最常见的责任血管，在65名患者(43.3%)中被牵涉。右冠状动脉是53例(35.3%)的责任血管，而左回旋支在27名患者(18.0%)中受累。左主干冠状动脉疾病少见，仅在5名患者(3.3%)中检测到。多支冠状动脉疾病存在于125名患者(83.3%)中，表明队列中冠状动脉粥样硬化的高负担。

SYNTAX评分中位数为28.0 (IQR = 12.0)，值范围从14.0到44.0。根据SYNTAX评分类别，37名患者(24.7%)被归类为解剖复杂性低，56名患者(37.3%)具有中等复杂性，57名患者(38.0%)被分配到高复杂性类别。总体而言，中等和高SYNTAX评分在大多数患者中被识别。

关于再灌注治疗，89名患者(59.3%)在初始血管造影过程中接受了血运重建。48名患者(32.0%)实现了完全血运重建。关于治疗延迟，13名患者(8.7%)在症状发作后3小时内接受了血运重建，另外13名患者(8.7%)在3至6小时之间接受了干预，22名患者(14.7%)在症状发作6小时后接受了血运重建。102名患者(68.0%)报告了延迟就诊。

入院时，研究参与者已使用几类心血管药物。59名患者(46.0%)处方了ACE抑制剂或血管紧张素受体阻滞剂，46名患者(30.7%)使用了β受体阻滞剂，29名患者(19.3%)接受了β受体阻滞剂加ACE抑制剂/ARB联合治疗。46名患者(30.7%)记录了他汀类药物治疗，而33名患者(22.0%)接受了利尿剂。SGLT2抑制剂和抗血小板药物分别由34名(22.7%)和32名患者(21.3%)使用。其他药物，包括钙通道阻滞剂和胃保护剂，分别在29名(19.3%)和33名患者(22.0%)中报告。

3.2 开发预测急性心肌梗死后新发心房颤动的人工智能模型

为识别潜在预测因子，评估了与心血管特征和心血管风险因素相关的变量，以及血清学和超声心动图参数、既往心血管药物使用和治疗剂量，以及急性心肌梗死的临床和血管造影特征，包括病变冠状动脉数量、责任血管、冠状动脉受累程度和心肌损伤位置。预测模型使用150名参与者的数据开发，未记录缺失数据。

该预测模型在包含30名患者(150名参与者总队列的20%)的独立测试数据集上进行了评估。混淆矩阵显示了出色的区分性能。在15名窦性心律患者中，14名被正确分类，而只有一名患者被错误预测为患有心房颤动。相反，所有15名心房颤动患者都被模型正确识别，没有假阴性分类。总体分类准确率达到97.0%，30个测试案例中有29个被正确分类。对于窦性心律类别，模型达到了1.00的精确度、0.93的召回率和0.97的F1分数。对于心房颤动，精确度为0.94，召回率达到1.00，相应的F1分数为0.97。精确度、召回率和F1分数的宏平均值和加权平均值均为0.97，表明在两个结果类别之间性能均衡(图1)。

使用接收器操作特征(ROC)曲线分析进一步评估了预测模型的区分性能。该模型达到了0.991的ROC曲线下面积(AUC)，显著超过了对应于随机分类的参考线(AUC = 0.500)。这一发现表明该模型在区分发展为心房颤动的患者和保持窦性心律的患者方面具有卓越的能力。

ROC曲线的视觉检查表明，该模型在广泛的特异性阈值范围内保持高灵敏度，曲线接近图表的左上角。这种模式是高精度分类模型的特征，反映了低误分类率。

ROC分析与混淆矩阵和分类报告获得的结果一致，显示总体准确率为97.0%，测试数据集中仅有一名患者分类错误(图2)。

使用精确率-召回率(PR)曲线进一步评估了预测模型的性能。该模型达到了0.968的F1分数和0.991的AUC，表明预测性能优异。PR曲线在几乎整个召回值范围内保持在无技能参考线之上，表明在识别心房颤动患者方面保持了高精确率。

值得注意的是，精确率在广泛的召回值范围内接近1.00，表明被分类为心房颤动的大多数患者被正确识别。这一发现突显了该模型在灵敏度和阳性预测值之间保持良好平衡的能力，最小化假阴性和假阳性分类。

精确率-召回率分析的结果与ROC曲线和混淆矩阵获得的结果一致，表明总体准确率为97.0%，F1分数为0.97，测试数据集中仅有一名患者分类错误(图3)。

图4显示了SHAP汇总图，概述了预测因子的相对重要性及其对新发心房颤动模型输出的影响。SHAP分析用于通过量化每个预测因子对最终模型输出的贡献来增强模型可解释性。变量根据其平均绝对SHAP值排序，反映了它们在预测过程中的总体重要性。每个点代表一个单独的观察值，而x轴上的位置表示SHAP值，对应于变量对预测结果影响的大小和方向。正SHAP值将预测推向更高的结果概率，而负值则降低预测概率。颜色渐变表示实际特征值，蓝色代表较低值，红色代表较高值。

分析显示，E/e'比值是模型中最具影响力的预测因子。较高的E/e'值主要与正SHAP值相关，表明升高的左心室充盈压力显著增加了预测风险。第二个最重要的变量是左心室质量指数，它也对模型预测表现出显著影响，较低值往往与负SHAP值相关，较高值通常使预测转向增加风险。其他发挥重要作用的超声心动图参数包括按体表面积校正的左心房容积，较大值通常有助于提高模型输出。左心室射血分数是另一个关键决定因素，较低的射血分数值与增加风险相关，而保留的收缩功能往往降低不良结果的预测概率。此外，左心室舒张末期内径和左心室舒张末期容积所代表的心室尺寸对模型性能有所贡献，尽管与领先变量相比总体重要性较低。

在生化标志物中，超氧化物歧化酶和丙二醛成为主要贡献者。反映氧化应激和脂质过氧化增加的丙二醛升高值与正SHAP值相关，因此预测风险更高。相反，较高的超氧化物歧化酶水平往往与较低的SHAP值相关，表明更大的抗氧化能力具有保护作用。NT-proBNP水平升高与预测风险增加相关。同样，中性粒细胞-淋巴细胞比值升高使预测转向更高风险值。

临床特征也影响模型预测。完全血运重建被确定为模型中最强的保护因素之一，接受完全血运重建的患者通常表现出负SHAP值，表明预测风险降低。同样，β受体阻滞剂治疗和SGLT2抑制剂治疗的存在往往与较低的模型输出相关，支持其有益作用。传统心血管风险因素保留了预测相关性，但比领先变量影响较小。年龄、高血压和既往心肌梗死病史对模型输出有贡献，尽管其影响不那么明显。反映冠状动脉疾病复杂性的SYNTAX评分也影响预测，较高评分通常与增加风险相关。

为进一步调查各个预测因子对模型性能的相对贡献，进行了排列特征重要性分析。该方法通过测量随机排列其值后预测准确性的下降程度来量化每个变量的重要性，同时保持所有其他特征不变。与模型性能下降较大的变量被认为对预测更为重要。

排列重要性分析确定左心室质量指数为最具影响力的预测因子，在排列后显示出模型准确性的最大中位数下降。这一发现表明该模型严重依赖此变量生成准确预测。其他高影响力预测因子包括E/e'比值、左心室射血分数和促甲状腺激素水平，所有这些在信息被破坏时都表现出预测性能的显著下降。

在生化参数中，氧化应激标志物，即超氧化物歧化酶和丙二醛，位列最重要的变量之中，表明氧化应激相关机制对预测过程有显著贡献。结构性和功能性超声心动图参数，包括按体表面积校正的左心房容积和左心室舒张末期内径，也显示出有意义的重要性评分，突显了心室重构和心脏功能的相关性。

临床特征如完全血运重建、中性粒细胞-淋巴细胞比值、左心室舒张末期容积、高血压、NT-proBNP和SYNTAX评分表现出中等预测贡献。相比之下，肌钙蛋白I、责任血管、梗死定位、多支病变、Killip分级和几个其他常规临床参数显示出接近零的重要性值，表明它们的纳入除了领先预测因子已经捕获的信息外，几乎没有额外的预测信息。最高排名变量观察到的相对较窄的四分位范围表明重要性估计在重复排列中具有良好的稳定性和可重复性，支持所识别预测因子层次结构的稳健性(图5)。

4. 讨论

本研究开发并验证了一种用于预测急性心肌梗死患者新发心房颤动的可解释人工智能模型。我们的模型表现出良好的预测性能，总体准确率为97.0%，F1分数为0.97，AUC为0.991。这些结果与先前发表的急性心肌梗死后新发心房颤动预测模型相比具有优势，后者通常报告AUC值在0.75至0.85之间[15,16]。Wu等人报告了一个整合年龄、炎症标志物和代谢指数的模型AUC约为0.78[17]，而Zhang等人开发了一个判别能力中等的基于诺莫图的模型[9]。同样，Wang等人证明了心电图参数(如V1导联P波振幅)的预测价值，尽管性能低于本研究中观察到的结果[18]。

我们研究的一个发现是超声心动图参数的主导贡献。根据SHAP分析，E/e'比值成为新发心房颤动的最强预测因子。这一观察在生物学上是合理的，因为升高的E/e'反映了增加的左心室充盈压力，这是促进左心房重构和心房颤动发展的公认机制[19]。先前的研究一致表明，舒张功能障碍与心血管疾病患者和心肌梗死后心房颤动的发生密切相关[20]。

左心室质量指数是排列重要性分析中最具影响力的预测因子之一，也是SHAP模型中的领先预测因子。增加的左心室质量指数反映了慢性心肌重构和肥大，两者均与促进心房颤动发展的心肌纤维化和心房结构变化相关。左心室肥厚与新发心房颤动之间的类似关联已在几项当代研究中报道[21]。

另一个主要超声心动图决定因素是按体表面积校正的左心房容积。左心房扩大被认为是最强的心房重构标志之一，并且一直与新发和复发性心房颤动相关[22]。我们模型中此变量的重要性进一步支持了结构性心房异常对急性心肌梗死后新发心房颤动发展有重大贡献的假设。

降低的左心室射血分数也显著影响模型预测。先前的调查表明，受损的收缩功能促进神经激素激活、心肌纤维化和心房压力超负荷，从而增加心房心律失常的易感性[23]。我们的发现与这些观察一致，并强化了心室功能障碍在心肌梗死后心律发生中的作用。

本研究的一个有趣发现是氧化应激生物标志物的突出作用。丙二醛与增加的预测风险相关，而超氧化物歧化酶表现出保护作用。越来越多的证据表明，氧化应激直接通过炎症、线粒体功能障碍、钙处理异常和纤维化促进心房电和结构重构[24]。Korantzopoulos等人和Sagris等人证明，氧化应激标志物在心房颤动患者中显著升高，可能促进疾病进展[25]。我们的结果表明，氧化应激可能在急性心肌梗死后新发心房颤动的发展中也起着重要作用。

炎症似乎代表另一个重要机制。在当前模型中，较高的中性粒细胞-淋巴细胞比值与增加的心房颤动风险相关。这一发现得到先前研究的支持，表明炎症激活有助于心房纤维化和电不稳定性[26]。升高的中性粒细胞-淋巴细胞比值先前已被确定为急性心肌梗死人群中新发心房颤动的独立预测因子。

在生化变量中，NT-proBNP水平升高与新发心房颤动风险增加相关。升高的利钠肽水平反映了心肌壁应力，并且反复与新发心房颤动和不良心血管结局相关。NT-proBNP在最重要预测因子中的纳入支持先前证据，突显了其在风险分层中的价值。临床和治疗变量也表现出显著影响。完全血运重建被确定为模型中最强的保护因素之一。先前的研究表明，成功的血运重建减少了残余缺血、不良重构和复发性心血管事件[27]。我们的发现表明，完全血运重建可能还会降低发展为新发心房颤动的风险。同样，β受体阻滞剂治疗与较低的预测风险相关。这一发现与当前证据一致，支持β受体阻滞剂作为减少心肌梗死后心律失常的基石治疗，通过交感神经调节[28]。SGLT2抑制剂治疗也似乎具有保护作用，这与最近的研究一致，表明通过减少炎症、氧化应激和心肌重构介导的抗心律失常和心脏保护作用[29]。

本研究的一个优势是应用可解释人工智能技术。SHAP分析的使用能够识别驱动模型预测的变量，并解决了机器学习方法的一个主要局限性，即缺乏可解释性。类似的可解释人工智能方法最近已用于心血管医学中预测心肌梗死后死亡率、复发性心房颤动和癌症治疗相关心脏功能障碍[30,31]。

5. 结论

该机器学习模型的开发旨在通过整合广泛的临床、超声心动图、血管造影和生化参数来改善高风险患者的识别。通过同时分析多个变量及其相互作用，该模型提供了比仅基于有限数量预测因子的传统方法更全面的评估。可解释性分析表明，心脏结构和功能标志物、氧化应激和治疗相关变量在确定预测风险方面起着主要作用。这些发现与当前关于心血管疾病进展中多因素机制的证据一致，并支持该模型的生物学合理性。所提议模型的一个重要优势是能够识别可能处于更高风险的患者，尽管临床特征相似。这可能有助于更早识别易感个体、更密切监测和更个性化的治疗方法。此外，结果突显了将传统心血管风险标志物与新型生物标志物和先进成像参数相结合以改善风险预测的潜在价值。

总体而言，我们的发现表明机器学习技术可能成为临床实践中风险分层的有用补充工具。尽管需要在更大的外部队列中进行进一步验证，但当前模型为支持临床决策和改善个体化患者管理提供了一个有前景的框架。

6. 局限性

本研究有几个局限性，应在解释研究结果时予以考虑。虽然研究是前瞻性进行的，但它是在单一三级心脏病中心进行的，并且纳入了一个相对较小的150名患者的样本。有限的样本量可能会限制结果的泛化能力，并增加模型过拟合的风险，特别是考虑到评估的大量候选预测因子。

该机器学习模型是使用来自同一机构队列的数据开发和测试的。尽管使用了独立的保留测试集，但尚未在地理和临床上不同的群体中进行外部验证。因此，报告的预测性能可能无法充分反映其他医疗环境中的真实世界性能。此外，测试数据集仅包含30名患者，导致可用于模型评估的结果事件数量有限。因此，准确率、ROC-AUC和精确率-召回率AUC等性能指标可能不稳定，可能过于乐观。应谨慎解释观察到的极高区分度，直到在更大队列中得到确认。

研究设计包括相等数量的发展和未发展新发心房颤动的患者。虽然这种方法促进了模型开发，但它并不反映急性心肌梗死后心房颤动的真实发病率，并且可能影响模型在常规临床实践中的校准。此外，几个潜在相关的预测因子未系统评估，包括先进的心脏磁共振成像参数、心房应变测量、遗传标志物和纵向生物标志物轨迹。纳入此类变量可能会进一步提高预测性能。

所提出的机器学习模型也未与已建立的临床风险预测工具或传统统计模型直接比较。未来的研究应评估观察到的预测增益是否转化为超越现有风险分层方法的临床意义改进。

尽管存在这些局限性，该研究提供了初步证据，支持机器学习技术在识别急性心肌梗死后新发心房颤动风险增加患者方面的潜在效用。在推荐临床实施之前，需要进行具有外部验证的更大规模多中心研究。