可解释机器学习用于房颤消融术中急性心脏压塞风险预测

为何这种心脏手术需要更智能的安全防护

房颤是一种常见的心律失常，常通过导管消融术治疗，该术可显著改善患者生活质量。但在少数情况下，这种治疗可能触发一种危险并发症——心脏压塞，即心脏周围迅速积液，可危及生命。由于这一事件既罕见又突发，医生难以准确识别哪些患者风险更高。本研究描述了研究人员如何利用可解释的机器学习构建风险预测工具，在手术前提醒临床医生，帮助其调整治疗以提高患者安全性。

修复心律时的罕见但严重的危险

房颤的导管消融术需要将细导线通过血管送入心脏，并施加能量以重置异常的电路。这一技术在全球被广泛推荐和应用，但操作时无法直接观察心脏壁。在极少数病例中，导管可能穿透心肌，导致血液流入包裹心脏的囊袋。这种对心脏的突然压迫——心脏压塞——若不得到立即处理，可能导致休克甚至死亡。尽管发生率低于1%，但随着全球消融术数量增加，面临此风险的患者也在增多，发生压塞的患者通常需要紧急引流或手术、住院时间延长，并伴随更高的死亡风险。

将医院数据转化为预测性安全工具

为应对这一问题，研究团队利用来自中国南京一家大型医院的10年真实世界数据。研究了2015年至2024年间接受房颤消融的13,215名患者，重点关注其中发生压塞的91例，并与1,390名未发生压塞的相似患者进行比较。对每位患者收集了37项信息，涵盖年龄、既往疾病、抗凝药物、血液化验、心脏影像测量以及手术操作细节，包括操作医师的经验等。研究通过统计方法将变量筛选为17项最具信息性的特征，从而减少模型过度拟合历史数据而在新患者上表现不佳的风险。

比较不同学习模型的表现

研究人员随后训练了八种不同的机器学习模型，例如随机森林、支持向量机以及一种被广泛使用的强大方法——XGBoost。他们采用严格的交叉验证策略，反复将数据拆分为训练集和测试集，以检验各模型区分发生与未发生压塞患者的能力。若干模型表现良好，但XGBoost在准确性、概率估计的可靠性以及临床实用性之间取得了最佳平衡。在内部测试中，该模型以0.908的曲线下面积（AUC）区分高风险与低风险患者，这一水平在医学预测工具中被视为优秀。

揭开预测“黑箱”

因为医生在信任模型之前需要理解模型做出某一判断的原因，团队应用了一种称为SHAP的技术，将每次预测分解为各个因素的贡献。这揭示了塑造模型决策的五个主要预测因子：操作医师的从业年限、血液标志物D-二聚体（D-dimer）、术中所用肝素（抗凝药）总量、房颤的类型（持续性与阵发性）以及左上心房室的大小。较少经验的操作医师、更高的D-二聚体水平、某些房颤模式、较小的左心房以及特定的肝素用量模式都会使模型倾向于预测更高风险，而相反的特征则具有保护作用。重要的是，这些大多数因素可在术前评估，使护理团队有时间调整计划。

这对患者和医生意味着什么

简而言之，这项工作表明，计算机可以从数千例既往消融病例中学习，标记出哪些未来患者更可能发生心脏周围的危险积液。该模型并不取代医学判断，但能够通过把血液检测、操作经验等多种细微线索合并为单一、易用的风险估计来支持临床决策。高风险患者可能安排更有经验的操作医师进行手术、加强监测或采用更个体化的抗凝管理策略。尽管该工具在被广泛采用之前仍需在其他医院和更多患者中进行验证，但它为通过透明、数据驱动的预测使常见心脏手术更安全提供了有前景的一步。

引用: 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

关键词: 房颤消融, 心脏压塞, 机器学习, 风险预测, 患者安全