将机器学习（ML）模型集成到可穿戴或连接设备中，在心房颤动（AF）发作前提供早期预警提示可能是一种有效的预防策略。应用于2导联Holter心电图记录的机器学习算法可支持开发预测模型，能够在短期内检测即将发生的阵发性AF事件。这种方法可促进更针对性的"口袋药丸"（PITP）式干预策略，有望增强及时治疗效果并改善患者预后。
本研究旨在通过分析24小时Holter心电图记录，识别当前处于窦性心律但将在随后几小时内经历AF发作的患者。
研究团队建立了一个包含95,871份手动分析Holter心电图记录的新型数据库，从872名患者中识别出1,319次阵发性AF事件。其中，506份记录中的835次AF事件在AF发作前有超过60分钟的正常窦性心律（NSR），发作后有超过10分钟的持续AF。患者被分为五个年龄组：所有患者合并组、60岁以下组、60-70岁组、70-80岁组以及80岁以上组。此外，研究还从347名无心律异常患者的365份记录中识别并分类，从中选取两个心电图段作为对照。研究在原始心电图数据上训练了两个深度学习（DL）模型来预测AF发作。为将深度学习模型与使用心率变异性（HRV）参数的传统机器学习方法进行比较，研究人员采用了随机森林（RF）分类器和梯度提升决策树模型（XGBoost，XGB）。结果表明，在HRV参数上训练的决策树模型提供了最佳的预测性能。
对于持续时间超过5分钟的AF事件，观察到最显著的结果，XGB模型的接收者操作特征曲线下面积（AUROC）达0.919（95% CI：0.879-0.958），精确率-召回率曲线下面积（AUPRC）为0.919（95% CI：0.879-0.958）。在0.5的决策阈值下，准确率为84.5%（81.2-87.8），敏感度为83.0%（79.5-86.4），特异度为86.6%（79.3-93.9），阳性预测值（PPV）为90.2%（85.5-94.9），阴性预测值（NPV）为78.4%（74.7-82.1），F1分数为86.2%（83.5-89.0）。
这些发现表明，HRV参数包含用于AF发作短期预测的关键信息，有力支持预防性干预策略。将此类预测模型集成到可穿戴移动健康技术中可促进"口袋药丸"式预防方法的实施，有望减少AF相关并发症。未来需要开展前瞻性研究以进一步验证这些具有前景的研究成果。
关键词：机器学习、深度学习、心房颤动、预测、识别、自主神经系统、心率变异性
【全文结束】
