通过多模态数据整合与几何学习预测先天性心脏病患者的心肺运动测试结果

这项心脏研究为何重要

对于先天性心脏缺陷出生的人来说，成长并进入成年往往伴随不确定性：我的心脏能否应付日常生活、运动或大型手术？本研究探讨是否能将常规护理中已采集的信息——心电图和门诊记录——结合并用现代计算技术分析，以在不总是需要艰巨检查的情况下，预测患者在运动中心肺功能的表现。

从呼吸与心跳理解体能

医生常用一种专门的跑台或自行车检测，称为心肺运动试验，以评估一个人能利用多少氧气以及呼出二氧化碳的效率。这些测量为整体体能和未来健康风险提供了强有力的快照，尤其对患有先天性心脏病的成年人而言。然而，该测试耗时、需要专用设备，并非每位患者或每家医院都能提供。

汇聚分散的病人信息

研究人员收集了在苏格兰一家专科中心随访的436名先天性心脏病成年人的多种信息。他们将超过四千份标准12导联心电图数字化——这些是对心脏电活动的简短记录——并将书面的门诊信件和运动报告转换为结构化、可被计算机读取的形式。从这些文本中提取了关于每位患者诊断、心脏手术和用药的关键细节，同时去除了识别信息。对于258名接受运动测试的患者，研究聚焦于两项公认能预测存活率的核心指标：峰值摄氧量和为排出二氧化碳所需的换气量。

用几何学而非蛮力寻找模式

因为先天性心脏病较为罕见且高度异质，团队无法依赖用于训练许多现代人工智能系统的海量数据集。相反，他们将每份心电图表示为不同导联信号如何共同变化的摘要——心电活动的数学指纹。这些指纹采取协方差矩阵的形式，作者使用来自黎曼几何分支的工具对其进行分析。实际上，这使他们能够更敏感地测量心电信号之间的相似性，并通过平滑“混合”现有患者的模式来创建现实的合成样本，帮助计算模型从小且不平衡的样本中学习。

将文字与波形融合以提升预测

研究比较了几种基于这些数据预测运动表现的方法。仅使用基础心电图测量（例如常规打印输出中报告的标准间期和心率值）的模型表现不佳。当研究者改为输入更丰富的心电图指纹时，预测准确性明显提升。最显著的进步出现在将这些心电图指纹与从门诊信件中提取的信息结合时，这样模型既“知道”心电活动的行为，也了解患者的病情、手术和用药。在这种数据融合加上基于几何的增强下，计算机对峰值摄氧量的估计与实际测试结果呈中等相关，且在连续预测和将患者分入风险等级方面均优于更简单的方法。

对患者与医疗团队的意义

这项工作尚不能替代运动测试，且作者承认其分类准确性仍不足以直接用于临床决策。但结果表明，精心设计的模型——尊重数据结构并综合心电图与叙述性临床信息——能够有意义地预测先天性心脏病患者在体力活动中的应对能力。未来，随着更大且更具多样性的数据集，类似工具可帮助在症状明显之前识别体能下滑的患者，支持关于手术或生活方式改变的决策，并将高级风险评估扩展到缺乏完整运动测试设备的医院。

引用: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

关键词: 先天性心脏病, 心肺运动试验, 心电图, 机器学习, 风险预测