研究亮点
- •封堵术后，相当比例的房间隔缺损(ASD)患者仍会发展为迟发性心房心律失常。
- •现有用于预测ASD封堵术后迟发性心房心律失常的预测模型准确性有限，临床实用性不高。
- •本研究引入了一种新型高性能机器学习模型，利用心电图数据的迁移学习，准确预测经导管ASD封堵术后的新生心房心律失常。
- •心电图衍生特征在风险分层中优于传统的临床和血流动力学预测因子。
- •该模型在不同患者亚组中表现出强大且一致的预测性能，支持了该模型的潜在普适性。
摘要
背景
房间隔缺损(ASDs)通常通过经皮方式闭合。尽管闭合成功，许多患者仍会发展为心房心律失常。关于这些心房心律失常的相关风险因素数据不一致。因此，我们旨在开发一种机器学习(ML)模型，用于预测青少年和成人经导管ASD闭合后的心房心律失常。
方法
回顾性分析了2008-2024年间在单中心接受经导管闭合术的继发孔型ASD患者。排除了先前有心房心律失常的患者。使用深度神经网络，通过从大型外部心电图数据集进行迁移学习，从术前12导联心电图中提取预测特征。这些特征与临床、人口统计学、生化和血流动力学变量结合，用于集成生存模型中。使用综合Brier分数和接收者操作特征曲线下面积(AUC)评估模型性能。
结果
共有148名成年患者(中位年龄44.4岁[30.6-57.8]，105名女性[70.9%])符合纳入条件。总随访时间为1055人年(中位随访7.3年[3.1-11.3])，期间28名患者(18.9%)发展为心房心律失常。最终整合心电图衍生特征的集成机器学习模型表现出强大的预测性能(综合Brier分数0.044，平均AUC 0.823)。亚组和敏感性分析证实了该模型在各种患者特征中的稳健性。
结论
我们开发了一种基于机器学习的风险预测模型，采用迁移学习方法预测经导管ASD封堵术后的心房心律失常。在临床应用前，需要进一步研究和外部验证以完善所提出的风险分层。
关键词
房间隔缺损
心房心律失常
机器学习
人工智能
预测模型
先天性心脏病
【全文结束】
