Объяснимая машинная модель для прогнозирования риска острой сердечной тампонады во время абляции при мерцательной аритмии

Почему этой сердечной процедуре нужен более продуманный запас безопасности

Мерцательная аритмия — распространённая проблема ритма сердца — часто лечится процедурой катетерной абляции, которая может значительно улучшить качество жизни пациентов. Тем не менее в редких случаях это вмешательство может вызвать опасное осложнение — сердечную тампонаду, при которой вокруг сердца быстро накапливается жидкость и состояние может стать угрожающим жизни. Поскольку это событие и редкое, и внезапное, врачам трудно заранее определить, какие пациенты находятся в группе повышенного риска. В этом исследовании описано, как учёные применили объяснимое машинное обучение для создания инструмента прогнозирования риска, который мог бы предупредить клиницистов до процедуры и помочь адаптировать уход для повышения безопасности пациентов.

Редкая, но серьёзная угроза при коррекции нарушений ритма сердца

Катетерная абляция при мерцательной аритмии предполагает введение тонких проводов через сосуды в сердце и подачу энергии для восстановления нарушенных электрических цепей. Эта методика широко рекомендуется и применяется во всём мире, но выполняется без прямого визуального контроля стенки сердца. В небольшой доле случаев катетер может повредить сердечную мышцу, и кровь начнёт вытекать в окружающую сумку. Это внезапное давление на сердце — сердечная тампонада — может привести к коллапсу и даже смерти, если не начать лечение немедленно. Хотя такое осложнение встречается менее чем в 1% процедур, растущее число абляций в мире увеличивает абсолютное число пациентов, подвергаемых этому риску; у тех, у кого развивается тампонада, часто требуется срочная дренажная процедура, операция, более длительная госпитализация и повышается риск смерти.

Преобразование клинических данных в предиктивный инструмент безопасности

Для решения этой задачи команда исследователей использовала 10 лет реальных данных из крупной больницы в Нанкине, Китай. Они проанализировали 13 215 пациентов, перенёсших абляцию при мерцательной аритмии в период с 2015 по 2024 год, и сосредоточились на 91 пациенте с тампонадой, сравнив их с 1 390 сопоставимыми пациентами без этого осложнения. Для каждого пациента собирали 37 показателей: возраст, сопутствующие болезни, приём антикоагулянтов, лабораторные тесты, измерения с сердечных снимков и детали проведения процедуры, включая опыт оператора. Статистические методы помогли сократить этот список до 17 наиболее информативных признаков, что снижает риск создания моделей, которые слишком точно подстраиваются под исторические данные и плохо работают на новых пациентах.

Сравнение разных алгоритмов машинного обучения

Далее исследователи обучили восемь различных моделей машинного обучения, включая случайные леса, методы опорных векторов и мощную технику XGBoost. Они применили строгую стратегию кросс‑валидации, многократно деля данные на обучающую и тестовую выборки, чтобы проверить, насколько каждая модель способна отличить пациентов, у которых развилась тампонада, от тех, у кого этого не произошло. Несколько моделей показали высокую эффективность, но XGBoost обеспечил наилучший баланс между точностью, надёжностью оценки вероятностей и потенциальной клинической полезностью. Внутреннее тестирование показало, что он правильно разделял пациентов на группы высокого и низкого риска с площадью под кривой 0,908 — уровень, считающийся отличным для предиктивных инструментов в медицине.

Открывая «чёрный ящик» прогнозов

Поскольку врачам важно понимать причины конкретного прогноза, команда применила метод SHAP, который разлагает каждое предсказание на вклад отдельных факторов. Это выявило пять ключевых предикторов, формировавших решения модели: стаж оператора, маркер в крови D‑димер, общая доза гепарина (антикоагулянта), тип мерцательной аритмии (персистирующая или пароксизмальная) и размер левого предсердия. Меньший опыт оператора, повышенные уровни D‑димера, определённые варианты мерцательной аритмии, меньший размер левого предсердия и специфические схемы дозирования гепарина способствовали увеличению оценки риска, тогда как обратные характеристики оказывали защитный эффект. Важно, что большинство этих факторов можно оценить до процедуры, что даёт команде время скорректировать план лечения.

Что это может значить для пациентов и врачей

Проще говоря, работа показывает, что компьютеры могут учиться на тысячах прошлых случаев абляции, чтобы выделять пациентов с повышенным риском развития опасного скопления жидкости вокруг сердца. Модель не заменяет медицинское суждение, но может ему помогать, объединяя многие тонкие признаки — от лабораторных тестов до опыта оператора — в единую, удобную для использования оценку риска. Пациентов с высоким риском можно направлять к более опытным операторам, ставить под более тщательное наблюдение или подбирать более персонализированные стратегии антикоагуляции. Хотя инструмент требует дополнительной валидации в других больницах и на больших выборках, он представляет собой перспективный шаг к повышению безопасности распространённой сердечной процедуры с помощью прозрачного, основанного на данных прогнозирования.

Цитирование: Zhou, L., Zhao, Y., Song, W. et al. Explainable machine learning for risk prediction of acute cardiac tamponade during atrial fibrillation ablation. Sci Rep 16, 9476 (2026). https://doi.org/10.1038/s41598-026-40302-2

Ключевые слова: абляция при мерцательной аритмии, сердечная тампонада, машинное обучение, прогнозирование риска, безопасность пациента