基于机器学习的慢性瓣膜病合并心房颤动患者行Cox迷宫Ⅳ手术后心房颤动复发风险预测模型

作者：蒋泽楠; 宋珑; 梁春水; 张昊; 刘立明^*

来源：中南大学学报(医学版), 2023, 48(07): 995-1007.

• Cox迷宫Ⅳ手术
• 心房颤动
• 机器学习
• 风险因素
• 预测模型

目的:心房颤动(以下简称“房颤”)是一种常见的心律失常，Cox迷宫Ⅳ手术是外科治疗房颤的常用手术方法，目前Cox迷宫Ⅳ手术后患者房颤复发的风险因素尚不明确。近年来，机器学习算法在提高诊断准确率、预测患者预后和个性化治疗策略方面显示出巨大潜力。本研究旨在评估Cox迷宫Ⅳ手术治疗慢性瓣膜病合并心房颤动患者的疗效，使用机器学习算法识别心房颤动复发的潜在风险因素，构建Cox迷宫Ⅳ手术后房颤复发预测模型。方法:回顾性纳入2012年1月至2019年12月中南大学湘雅二医院和陆军军医大学附属新桥医院符合条件的慢性瓣膜病合并房颤且行瓣膜手术合并Cox迷宫Ⅳ手术患者555例，年龄为(57.95±7.96)岁，根据患者术后房颤复发情况分为房颤复发组(n=117)和房颤未复发组(n=438)。采用Kaplan-Meier法分析窦性心律维持率，构建9个机器学习模型，包括随机森林、梯度提升决策树(gradient boosting decision tree,GBDT)、极限梯度提升(extreme gradient boosting,XGBoost)、引导聚集算法、logistic回归、类别提升(categorical boosting,CatBoost)、支持向量机、自适应增强和多层感知机。使用五折交叉验证和模型评估指标评估模型性能，评估指标包括准确度、精确度、召回率、F1分数和曲线下面积(area under the curve,AUC)，筛选出2个表现最佳的模型进行进一步分析[包括特征重要性和沙普利加和解释(Shapley additive explanations,SHAP)]来识别房颤复发风险因素，以此构建房颤复发风险预测模型。结果:患者术后5年窦性心律维持率为82.13%(95%CI 78.51%～85.93%)。9个机器学习模型中，XGBoost和CatBoost模型表现最好，AUC分别为0.768(95%CI 0.742～0.786)和0.762(95%CI 0.723～0.801)，且在9个模型中有较高的准确率、精确率、召回率和F1值。特征重要性和SHAP分析显示房颤病史时长、术前左室射血分数、术后心律、术前左心房内径、术前中性粒细胞与淋巴细胞比值、术前心率和术前白细胞计数等是房颤复发的重要因素。结论:Cox迷宫Ⅳ手术治疗房颤具有良好的窦性心律维持率，本研究通过机器学习算法成功识别多种Cox迷宫Ⅳ手术后房颤复发风险因素，成功构建2个房颤复发风险预测模型，可能有助于临床决策和优化房颤的个体化手术管理。

• 单位
  中南大学湘雅二医院; 中国人民解放军陆军军医大学; 新桥医院