数字孪生引导的虚拟临床试验用于预测和预防心脏手术后的术后心房颤动Digital Twin-Guided Virtual Clinical Trials for Predicting and Preventing Postoperative Atrial Fibrillation in Cardiac Surgery | Cureus

摘要

背景

术后心房颤动(POAF)是心脏手术后常见的并发症，增加了患者的发病率、死亡率和医疗费用。目前的风险分层工具预测准确性有限，且不支持主动干预策略。

目标

开发并验证一种数字孪生框架，利用患者特异性电生理模型在临床表现前预测POAF发作，使合成队列生成虚拟随机对照试验(RCTs)和精准预防策略成为可能。

方法

我们应用了一个数字孪生框架，整合多模态围手术期数据、患者特异性电生理模型、合成队列和虚拟随机试验。38,742名患者的数据包括连续高分辨率心电图监测。数字孪生将生物物理模型（改良Hodgkin-Huxley、双域传导）与针对个体心电图、血流动力学和生物标志物数据调整的机器学习相结合。生成对抗网络生成合成队列，使比较孪生引导策略与标准护理的虚拟试验成为可能。

结果

与传统风险评分相比，数字孪生框架实现了更优的预测准确性（曲线下面积：0.89）。10,000名虚拟患者的合成队列确定了术前48-72小时为最佳干预窗口。虚拟随机对照试验证明，通过数字孪生引导的预防策略，POAF发生率模拟降低了34%，同时模拟住院时间和中风发生率得到改善。这些发现源于计算建模，需要前瞻性验证。

结论

数字孪生建模能够实现POAF的主动预防，加速临床试验设计，并提供一个可扩展的精准干预策略平台，具有在改善患者预后的同时显著减少医疗经济负担的巨大潜力。

引言

术后心房颤动(POAF)是心脏手术后最常见的心律失常并发症，发生率从15%到50%不等，具体取决于手术复杂性和患者人口统计学特征。临床影响不仅限于短暂的心律失常，还包括中风风险增加、住院时间延长，以及每次发作超过10,000美元的显著增加的医疗成本。更令人担忧的是，POAF是长期心血管发病率和死亡率的独立预测因子。

目前的风险分层方法依赖于静态评分系统，包括CHA₂DS₂-VASc、HAS-BLED和社会胸外科医师协会(STS)风险计算器。虽然这些工具对人群水平的洞察有价值，但它们缺乏患者特异性风险预测和主动干预策略所需的粒度。传统评分仅达到中等预测准确性（曲线下面积：0.65-0.72），并且无法捕捉导致个体患者POAF的电生理、血流动力学和炎症因素之间的复杂相互作用。

数字孪生技术代表了心血管医学中的一种变革性范式，为患者特异性建模和预测分析提供了前所未有的机会。数字孪生创建动态虚拟表示，持续整合实时数据以镜像和预测系统行为。最近的进展主要集中在结构性心脏病上，在电生理疾病和围手术期风险预测方面的应用有限。

人工智能与数字孪生框架的整合能够实现快速模型生成、自动参数优化和可扩展部署。生成对抗网络及相关架构已证明在合成真实医疗数据和实现计算机模拟临床试验模拟方面的能力。本研究提出了一个专门为心脏手术患者POAF预测和预防设计的综合数字孪生框架。

材料与方法

研究设计和框架概述

本研究采用了一种为预测和预防心脏手术患者POAF而开发的综合数字孪生方法。该框架整合了四个紧密关联的组件：(1)多模态数据整合和预处理，(2)患者特异性电生理模型构建，(3)使用生成人工智能合成患者队列，(4)具有预测结果建模的虚拟随机对照试验模拟。

使用全面的工作流程来说明用于POAF预测和预防的数字孪生框架。该框架整合了心电图数据、心脏成像、血流动力学参数、实验室生物标志物和临床变量。使用电生理建模和机器学习优化构建患者特异性数字孪生。使用生成对抗网络(GANs)生成合成患者队列。虚拟随机对照试验模拟干预策略并生成用于临床决策支持的风险分层输出。

数据来源和患者群体

主要数据来源包括社会胸外科医师协会成人心脏手术数据库、来自五个主要学术医疗中心的机构电子健康记录以及前瞻性收集的研究数据集。合并的数据集涵盖2018年至2024年间接受心脏手术的45,000名患者。

患者纳入标准包括接受择期或紧急心脏外科手术的成年人（≥18岁），包括冠状动脉旁路移植术、瓣膜修复或置换、联合手术和主动脉手术。排除标准包括急诊手术、术前永久性心房颤动、术前需要机械循环支持以及围手术期监测数据不完整。最终分析队列包括38,742名数据完整的患者。

五个学术医疗中心之间的数据协调涉及将电子健康记录输出标准化为观察性医疗结果伙伴关系(OMOP)通用数据模型。这确保了临床变量、实验室值和药物记录表示的一致性。对协调数据集的验证包括针对缺失、超出范围值和时间逻辑不一致（例如，出院日期在入院日期之前）的自动质量控制检查。关键变量中缺失的数据（少于5%）使用多重插补链方程(MICE)进行处理。

心电图数据收集

通过整个围手术期的连续12导联监测以1000 Hz采样率捕获高分辨率心电图数据。术前心电图分析包括基线心律、传导间期（PR、QRS、QT）、心率变异性参数和形态特征。术后心电图监测至少持续72小时，以检测短暂或亚临床POAF发作。

数字孪生构建

数字孪生框架采用针对个体患者特征定制的高级计算电生理模型，整合生物物理原理与机器学习优化。基础模型利用改良Hodgkin-Huxley公式进行细胞电生理学，与双域方程用于组织水平传导。

数字孪生引导的干预策略

数字孪生引导的干预包括个性化的多层预防策略。具体而言，这涉及针对患者模拟电生理脆弱性特征量身定制的抗心律失常药物（例如，胺碘酮或β受体阻滞剂）的靶向给药，以及优化的电解质管理（维持钾>4.0 mEq/L和镁>2.0 mEq/L）。此外，该干预包括连续、高警戒遥测监测，其中由数字孪生预测的早期亚临床电生理变化触发自动警报，允许在持续性POAF发作前进行预防性临床决策。

模型开发采用拆分样本验证方法，将回顾性队列划分为训练（70%）、验证（15%）和保留测试（15%）集。通过迭代调整改良Hodgkin-Huxley公式中关键离子通道（例如，I_Kr、I_Ks和I_CaL）的最大电导率来校准，以最小化模拟动作电位持续时间与从高分辨率心电图数据派生的患者特异性QT间期之间的误差。验证电生理模型的方法是将模拟传导速度和复极异质性与已知POAF脆弱性患者的既定临床基准进行比较。

AI框架和合成数据生成

AI框架采用混合建模方法，将机械生物物理模型与深度学习架构相结合。具体而言，生成对抗网络用于合成数据生成。该架构包括一个合成多维患者特征（包括心电图特征、血流动力学和生物标志物）的生成器网络，以及一个训练用于区分合成数据和真实患者数据的判别器网络。通过使用Kolmogorov-Smirnov检验评估真实和合成队列之间的分布相似性，并确保保留原始数据集中的复杂多变量相关性，来验证合成数据。

虚拟试验模拟设计

在虚拟试验模拟中，10,000名虚拟患者的合成队列随机以1:1的比例分配到数字孪生引导的干预组或常规护理对照组。对照组建模为根据当前机构协议接受标准术后护理，没有数字孪生洞察的益处。相反，干预组接收先前详细描述的模拟预防策略，由数字孪生的风险预测触发。模拟跟踪了每名虚拟患者在七天术后期间电生理状态的时间演变，以确定POAF的发生率。

统计分析

使用受试者工作特征曲线下面积、敏感性、特异性、阳性和阴性预测值评估模型性能。使用Hosmer-Lemeshow检验和校准图评估校准。虚拟试验结果使用适当的统计检验进行分析，显著性设定为p<0.05。Kaplan-Meier生存分析比较干预组和对照组之间的POAF无发生率。

结果

观察到的回顾性队列表现

与CHA₂DS₂-VASc（0.72，95% CI：0.70-0.74）、HAS-BLED（0.65，95% CI：0.63-0.67）和社会胸外科医师协会风险评分（0.72，95% CI：0.70-0.74）相比，数字孪生框架表现出明显更优的预测准确性（AUC：0.89，95% CI：0.87-0.91）。该模型实现了出色的校准，Hosmer-Lemeshow统计量不显著（p=0.24），表明预测结果与观察结果之间高度一致。

在最佳操作阈值下，数字孪生实现了87.4%（95% CI：85.2-89.6%）的敏感性和82.1%（95% CI：80.3-83.9%）的特异性。阳性预测值为78.9%（95% CI：76.8-81.0%），阴性预测值为89.2%（95% CI：87.8-90.6%）。

POAF：术后心房颤动；AUC：曲线下面积；STS：社会胸外科医师协会

合成队列建模结果

使用生成对抗网络基于回顾性数据集的分布特征生成了10,000名虚拟患者的合成队列。这些合成患者用于探索POAF风险的参数空间，并确定最佳干预窗口。建模分析表明，最高收益的术前干预窗口在手术前48-72小时，对应于高风险模拟患者预测电生理脆弱性升高的时期。

虚拟试验模拟

使用合成患者队列进行了虚拟随机对照试验模拟。重要的是要强调，以下结果代表模拟导出的估计值，不等同于前瞻性临床证据。下面报告的统计显著性值反映了模拟框架内的变异性。

在虚拟试验中，数字孪生引导干预组的模拟POAF发生率为18.2%，而模拟常规护理组为27.6%，代表相对风险降低34%（模拟p<0.001）。次要模拟结果显示出一致的优势：平均住院时间减少了1.5天（7.2天对8.7天，模拟p<0.001），重症监护室停留时间缩短了0.8天（2.1天对2.9天，模拟p<0.001），干预组的中风发生率较低（1.2%对1.9%，模拟p=0.04）。这些发现表明潜在的临床益处值得前瞻性评估，但不应被解释为已证明的临床有效性。

图1总结了比较数字孪生引导干预与常规围手术期护理的虚拟随机对照试验中观察到的临床结果。使用数字孪生框架管理的患者术后心房颤动发生率显著较低（18.2%对27.6%），对应于相对风险降低34%（p<0.001）。次要结果显示出一致的临床益处，包括住院时间缩短（7.2天对8.7天，p<0.001）、重症监护室持续时间减少（2.1天对2.9天，p<0.001）以及中风发生率较低（1.2%对1.9%，p=0.04）。总的来说，这些发现表明数字孪生引导的围手术期管理与改善的术后恢复和有意义的医疗资源利用减少相关。

讨论

本研究证明，数字孪生框架显著改善了心脏手术患者POAF的预测和管理。该框架实现了0.89的AUC，明显优于CHA₂DS₂-VASc、HAS-BLED和社会胸外科医师协会风险计算器，它们分别实现了0.68、0.65和0.72的AUC。这种性能差距反映了静态评分系统的一个基本局限性：它们依赖于临床变量的固定快照，无法捕捉导致个体患者POAF的电生理、血流动力学和炎症因素之间的动态相互作用。本模型中观察到的可靠校准，Hosmer-Lemeshow p值为0.24，校准斜率为0.98，进一步将其与常规评分区分开来，常规评分在应用于其衍生人群之外时往往表现不佳。

必须强调的是，本文报告的结果，包括POAF相对风险降低34%以及住院时间和中风发生率的相应改善，完全源自计算机模拟。虽然这些发现提供了一个稳健的、基于生物物理的原理证明，并突显了数字孪生引导干预的潜在有效性，但它们并不构成直接的临床证据。这些模拟导出的估计值旨在为未来前瞻性随机临床试验的设计提供信息和优化，这些试验对于最终确定临床有效性和安全性仍然是必要的。

数字孪生方法的一个关键优势是其生物物理基础。数字孪生框架不是将POAF风险视为源自人群水平变量的统计抽象，而是使用改良Hodgkin-Huxley公式与双域传导方程相结合，构建细胞和组织电生理的患者特异性模型。这种机制基础使模型能够在个体水平上表示致心律失常底物，捕捉传统风险评分无法检测的细微传导异常和复极异质性。整个手术连续体中以1000 Hz采样率进行的连续高分辨率围手术期心电图监测提供了个性化和校准这些模型所需的数据粒度，从而实现动态风险更新，而不是一次性术前评估。

数字孪生概念在心血管医学中作为患者特异性模拟和决策支持平台已获得相当大的势头。先前的应用主要集中在结构性心脏病上，在电生理疾病和围手术期风险预测方面的转化相对有限。当前框架将这一范式扩展到POAF的独特病理生理背景，在此背景下，围手术期炎症环境、手术创伤和血流动力学不稳定动态相互作用，创造出难以仅用静态模型预测的心律失常条件。如本研究所采用的，将深度学习方法与生物物理建模相结合，代表了计算心脏病学中的新兴方法，它将机制模型的可解释性与人工智能的模式识别能力结合起来。

使用生成对抗网络构建合成患者队列以进行虚拟试验模拟代表了重要的方法学贡献。10,000名虚拟患者的合成队列能够快速、受控地探索POAF风险参数空间，而无需前瞻性实验的伦理和操作限制。这种方法与新兴的计算机模拟临床试验框架一致，这些框架旨在不替代前瞻性人体研究，而是在启动资源密集型试验之前识别有希望的干预策略并缩小设计空间。确定为预防性干预最佳的48-72小时术前窗口在生物学上是合理的，对应于电生理脆弱性升高但药理和监测干预在标准围手术期护理途径内仍然可操作的时期。

模拟的POAF发生率34%的相对风险降低在与既定的药理预防策略进行比较时提供了有意义的基准。对心脏手术患者预防性胺碘酮和β受体阻滞剂治疗的荟萃分析已证明POAF减少范围在20-33%之间，但以药物特异性不良反应和对高风险和低风险患者不分青红皂白的治疗为代价。由患者特异性风险建模指导的精准预防策略可能实现相当的人群水平POAF减少，同时仅将密集预防措施指向算法识别的高风险个体，使低风险患者免于不必要的药物负担。模拟的住院时间和中风发生率减少与POAF已建立的下游后果一致，包括住院时间延长和显著增加的围手术期中风风险。

这一框架的临床意义相当大。被确定为高风险的患者可以接受强化监测、早期药物预防或靶向电生理干预，而低风险患者则可以避免不必要的治疗暴露。这种风险分层方法与当代心房颤动管理指南中概述的精准医学原则一致，这些指南越来越多地强调个体化而非人群范围的治疗策略。成功的临床实施将取决于与现有电子健康记录系统的无缝集成、用户友好的决策支持界面，以及在不同机构和患者背景下的前瞻性验证。本研究的报告遵循了STROBE（加强流行病学观察性研究报告）和CONSORT（随机试验报告统一标准）指南，以促进透明度和可重复性。鉴于本研究的计算和原理证明性质，这些指南已适当调整用于计算机模拟研究。具体而言，我们遵循STROBE指南进行模型开发中使用的回顾性队列分析，并应用CONSORT指南的概念框架来构建虚拟随机对照试验的报告，确保模拟设计、合成队列生成和结果评估的透明度。

有几个局限性值得考虑。模型开发和验证是回顾性进行的，可能无法捕捉真实世界围手术期实践的全部变异性。合成队列虽然对假设生成有用，但无法复制临床护理环境的全部复杂性，虚拟试验结果应解释为模拟导出的估计值而非已证明的临床有效性。计算基础设施要求可能会限制在资源较少环境中的可扩展性。模型透明度是提供者采用的前提条件；基于生物物理的数字孪生提供了一个优势，即临床医生可以检查基础电生理参数，而不是仅依赖于总结风险评分。未来的工作应优先考虑在常规临床条件下评估数字孪生引导POAF预防的前瞻性实用试验，使用既定的时间-事件方法比较引导组和标准护理组之间的POAF无发生率。

结论

数字孪生技术代表了预防和管理心脏手术患者POAF的一个有前景的前沿。这种患者特异性的AI驱动方法提供了更优的风险预测，并能够实现主动的、个性化的干预策略。合成患者队列为加速临床研究提供了强大工具。虽然需要进一步验证才能进行常规临床实施，但改善患者预后和减少医疗成本的潜力是巨大的。

【全文结束】