机器学习经胸超声预测非瓣膜性心房颤动患者左心耳血栓状态

Machine learning-based transthoracic echocardiography for the prediction of left atrial appendage thrombus morphology in patients with nonvalvular atrial fibrillation

摘要

目的 构建基于多模态经胸超声（transthoracic echocardiography，TTE）预测非瓣膜性心房颤动（non-valvular atrial fibrillation，NVAF）患者左心耳血栓状态（left atrial appendage thrombosis morphology，LAATM）的机器学习模型。 方法 纳入2021年1月―2025年9月郑州大学附属洛阳中心医院收治的NVAF患者1 000例，根据经食道超声（transesophageal echocardiography，TEE）分为LAATM组和非LAATM组。收集患者的临床资料、实验室检查及TTE等43个指标的数据。采用单因素分析筛选出相关危险因素，构建8个机器学习模型，通过受试者工作特征（receiver operating characteristic，ROC）曲线、校准曲线和决策曲线评价模型性能并选出最优模型，采用Delong筛选重要相关特征，最终构建一个包含重要特征的简化模型（machine learning-based thrombus risk model，ML-TRM）。 结果 LAATM组和非LAATM组年龄、N末端B型利钠肽前体（N-terminal pro-B-type natriuretic peptide，NT-proBNP）及房间隔增厚率（interatrial septal thickness density fraction，IASTDF）等37个指标差异有统计学意义（P<0.05）。轻量梯度提升机（light gradient boosting machine，LGBM）在8种机器学习模型中表现最优，AUC为0.977。通过特征重要性排序和筛选，最终构建了一个包含10个关键变量的ML-TRM模型（AUC为0.958），该模型显著优于CHA₂DS₂-VASc评分（AUC为0.541）。在测试集中，ML-TRM模型将82.0%的患者判定为低风险人群，其阴性预测值高达93.3%。 结论 基于经胸超声检查指标构建的预测NVAF患者发生LAATM的模型，在临床中可显著减少不必要的TEE检查。

Abstract

Objective To establish a machine learning model based on multimodal transthoracic echocardiography （TTE） to predict left atrial appendage thrombus morphology （LAATM） in patients with nonvalvular atrial fibrillation （NVAF）. Methods A total of 1 000 NVAF patients admitted to Luoyang Central Hospital Affiliated to Zhengzhou University from January 2021 to September 2025 were included， and assigned to LAATM group and non-LAATM group based on transesophageal echocardiography （TEE）. We collected data on 43 variables， including clinical characteristics， laboratory tests and TTE. Univariate analysis was employed to screen relevant risk factors， and eight machine learning models were established. We evaluated model performance and selected the optimal model using receiver operating characteristic （ROC） curves， calibration curves， and decision curves. Delong method was used to screen the important relevant features， and a simplified model， machine learning-based thrombus risk model （ML-TRM） incorporating these features was ultimately constructed. Results There were significant differences in 37 variables such as age， N-terminal pro-B-type natriuretic peptide （NT-proBNP） and Interatrial Septal Thickness Density Fraction （IASTDF） between LAATM group and non-LAATM group （P<0.05）. Among the eight machine learning models， the Light Gradient Boosting Machine （LGBM） achieved the optimal performance， yielding an area under the curve （AUC） of 0.977. Through feature importance ranking and selection， the ML-TRM model （AUC of 0.958） containing 10 key variables was ultimately established， which significantly outperformed the CHA₂DS₂-VASc score （AUC of 0.541）. In the test set， the ML-TRM model classified 82.0% of patients as low-risk， with a negative predictive value as high as 93.3%. Conclusion The model established based on TTE indicators for predicting LAATM in patients with NVAF can significantly reduce unnecessary TEE examinations in clinical practice.

Graphical abstract

关键词

心房颤动 / 左心耳血栓 / 多模态超声 doi：10.3969/j.issn.1007-3205.2026.06.013

Key words

atrial fibrillation / left atrial appendage thrombus / multimodal echocardiography

非瓣膜性心房颤动（non-valvular atrial fibrillation，NVAF）是临床高发心律失常，包括左心耳血栓、左心耳自发显影和左心耳泥沙样改变的左心耳血栓状态（left atrial appendage thrombosis morphology，LAATM）作为其严重并发症，可使缺血性脑卒中风险升高5倍以上，显著增加患者致残率与病死率^［1-3］。经食管超声（transesophageal echocardiography，TEE）是LAATM诊断的“金标准”，但因侵入性特征存在食管损伤、麻醉风险，且患者耐受性差等使其临床应用受限^［4-5］。因此，构建无创、精准的LAATM风险预测模型，筛选低风险患者以减少不必要的TEE检查，成为心血管领域的研究热点。既往国内外研究纳入超声的因素较少，本研究纳入较全面的包含右心功能的经胸超声心动图（transthoracic echocardiography，TTE）特征，通过机器学习，建立预测LAATM模型。

1 资料与方法

1.1 一般资料

回顾性纳入2021年1月―2025年9月郑州大学附属洛阳中心医院收治的NVAF患者1 000例。所有患者均有完善的TTE及TEE检查结果。纳入标准：①入院诊断NVAF，参考《心房颤动：目前的认识和治疗的建议（2021）》^［6］；②明确记录LAATM，参考《左心耳干预预防心房颤动患者血栓栓塞事件：目前的认识和建议（2023）》^［7］；③年龄＞18岁；④资料可分析（完整性>90%）。所有患者统计既往抗凝治疗史，抗凝史按指南要求的3周以上的抗凝，不含非正规抗凝（＜3周）及未使用抗凝药。排除标准：①心脏瓣膜疾病，包含风湿性心脏病、瓣膜狭窄及曾接受瓣膜手术的患者；②先天性心脏病；③病程中存在感染的患者；④合并血液系统疾病。搜集患者既往病史：射频消融手术史、抗凝药用药史、电复律史、心房颤动病程、心房颤动类型、心房颤动持续时间、血管疾病史、高血压病史、心力衰竭病史、糖尿病病史、脑卒中史、吸烟史、饮酒史。

本研究为单中心、回顾性病例对照研究，已通过郑州大学附属洛阳市中心医院医学伦理委员会的审核批准（批准文号：2026-LWLL-03-19-01）。

1.2 仪器与方法

1.2.1 仪器

采用彩色多普勒超声仪Philips EPIQ7C，配备S5-1、X5-1经胸探头，频率为1~5 MHz。X8-2探头，频率为2~8 MHz。

1.2.2 TTE检查

受检者左侧卧位，连接心电图，等待心率平稳后，用S5-1探头采集动态经胸超声心动图并储存心动周期≥5个，在aCMQ模式下手动描记四腔、两腔LA心内膜边界，自动分析左心房应变。三维超声采用X5-1探头，用心尖四腔心及聚焦右室的心尖四腔心切面的“Full Volume”成像，储存动态图像5个心动周期。在3DQ Advance模式下自动测量右室相关数据。纳入20个超声指标：左心房前后径（left atrial diameter，LAD）、左心室舒张末期内径（left ventricular end-diastolic diameter，LVEDD）、室间隔厚度（interventricular septal thickness，IVST）、左心房ED储库纵向应变（left atrial reservoir longitudinal strain，LASr）、左心房ED导管纵向应变（left atrial conduit longitudinal strain，LAScd）、左心房ED收缩纵向应变（left atrial contractile longitudinal strain，LASct）、左心室射血分数（left ventricular ejection fraction，LVEF）、二尖瓣舒张早期血流E峰速度（E）、二尖瓣环间隔e′速度（e′）、计算E/e′比值、房间隔增厚率（interatrial septal thickness density fraction，IASTDF）、二尖瓣反流（mitral regurgitation，MR）、三尖瓣反流（tricuspid regurgitation，TR）、肺动脉压力（pulmonary artery pressure，PAP）、三尖瓣环侧壁e'速度（lateral tricuspid annular early diastolic velocity，LAT e′）、三尖瓣环收缩期位移（tricuspid annular plane systolic excursion，TAPSE）、右心室间隔纵向应变（right ventricular septal longitudinal strain，RVSLS）、右心室游离壁纵向应变（right ventricular free wall longitudinal strain，RVFWLS）、三维―右心搏量（three-dimensional right ventricular stroke，3D-RVSV）、三维―右心室射血分数（three-dimensional right ventricular ejection fraction，3D-RVEF）。所有参数均重复测量3次取平均值，以上操作均由2名高年资超声医师完成。IASTDF测量采用剑下四腔心切面，用解剖M型超声测量房间隔下段。

1.2.3 TEE检查

患者在局部麻醉下，由2名有经验的超声科医师完成。该研究评估了左心耳血栓（left atrial appendage thrombus，LAAT）和左心耳自发显影（left atrial appendage spontaneous echo contrast，LAASEC）。LAASEC定义为左心耳内血流出现湍流样或旋涡状运动的烟雾样影，在心动周期中无明显固定形态且可相互离散。

1.2.4 实验室检查

血尿酸（uric acid，UA）、肌酐（creatinine，Cr）、N末端B型利钠肽前体（N-terminal pro-B-type natriuretic peptide，NT-proBNP）（ng/L）、D-二聚体（D-dimer，D-D）、凝血酶原时间（prothrombin time，PT）、纤维蛋白原（fibrinogen，FIB）。

1.2.5 CHA2DS2-VASc评分

总分范围0~9分，包括高血压病史（1分）、心力衰竭病史（1分）、既往脑卒中史（2分）、血管疾病史（1分）、年龄65～74岁（1分）、年龄75岁以上（2分）、女性（1分）。

1.3 统计学方法

应用SPSS 27.0和R4.3.0统计软件分析数据。正态分布的计量资料以\overline{x}±s表示，比较采用t检验；非正态分布的计量资料以M（QR）表示，比较采用秩和检验；计数资料以例数（%）表示，比较采用χ²检验。构建了8种主流的机器学习模型。在完成单因素分析后，构建了分层递进的多阶段特征筛选框架。利用Spearman秩相关系数构建特征相关矩阵，并通过Ward法进行层次聚类。采用DeLong检验对比相邻模型的AUC差异，筛选出差异有统计学显著增益且稳定贡献的预测标志物用于后续的建模。将预测概率以0.5为阈值转化为二分类标签，基于真实标签和预测标签构建2×2混淆矩阵，并计算出真阴性。P＜0.05为差异有统计学意义。

2 结　　果

2.1 数据基线特征与分组

本研究共纳入1 000例NVAF患者，采用8∶2随机分配原则，分为训练集（n=800）与测试集（n=200），训练集与测试集在各项特征方面比较，差异均无统计学意义（均P>0.05），见表1。

2.2 LAATM组与非LAATM组单因素分析

在1 000例总样本中，LAATM组（n=203）与非 LAATM 组（n=797）在单因素分析中，共37项特征差异有统计学意义（P均＜0.05），见表2。

2.3 8种机器学习模型性能比较

基于43个特征构建8种机器学习模型［轻量梯度提升机（light gradient boosting machine，LGBM）、极端梯度提升（extreme gradient boosting，XGB）、梯度提升（gradient boosting，GB）、随机森林（random forest，RF）、自适应提升算法（adaptive boosting，AB）、逻辑回归（Logistic regression，LR）、多层感知机（multi-layer perceptron，MLP）和支持向量机（support vector machine，SVM）］用于LAATM的预测。图1A和B展示了每种机器学习模型在训练集和测试集数据上的AUROC和AUPRC。与传统CHA2DS2-VASc评分相比，这8种机器学习模型在AUROC和AUPRC方面均表现出更优的预测性能。其中，LGBM模型表现最佳（AUC=0.977）。该模型在精确率和召回率间取得了良好平衡（图1D）。

2.4 LAATM最终简化模型的确定与验证

本研究构建的机器学习模型中LGBM表现最优。通过Delong检验，在特征重要性图中（图2A），筛选出前10个重要特征，分别是：IASTDF、TAPSE、Cr、D-D、LAD、RVSLS、LATe'、LASr、E/e'、LVEF。其中IASTDF具有最长的蓝色条形，表明它是最关键的变量。由这10个关键变量构建的模型，AUC曲线的平坦化表明，1个仅包含顶部10个特征的简化模型，其效能几乎等同于包含所有变量的更复杂模型。与传统CHA2DS2-VASc评分相比（AUC=0.541），简化的LGBM模型（AUC=0.958）对左心耳血栓状态的预测性能更高。基于上述10个关键变量构建的简化LGBM模型被命名为Machine Learning-based Thrombus Risk Model（ML-TRM）。

2.5 ML-TRM模型的分类性能与临床排除能力

在测试集（n=200）中，ML-TRM模型的AUC为0.958（95%CI：0.929~0.983），AUPRC为0.859，基于预设阈值（0.5）进行二分类判定。模型识别真阳性30例、假阳性6例、假阴性11例及真阴性153例。敏感度和特异度分别为73.2%和96.2%，阳性预测值为83.3%，阴性预测值为93.3%，总体准确率为91.5%。在该阈值策略下，164例（82.0%）被判定为阴性，即理论上可避免进一步进行TEE检查。其中153例为真实阴性。结果提示，ML-TRM模型在保持较高特异度的同时具有良好的阴性预测能力，具备减少不必要TEE检查的潜在应用价值。

2.6 ML-TRM模型的可解释性

为进一步阐明ML-TRM模型的可解释性，本研究采用夏普利加性解释（shapley additive explanations，SHAP）对模型进行了全局与局部层面的解释。SHAP方法通过计算各特征对预测结果的边际贡献，能够直观展示模型决策的逻辑与不同变量的相对重要性。从特征重要性排序图可见，10个关键特征对LAATM预测结果的贡献度排序为：IASTDF＞TAPSE＞Cr＞D-dimer＞LAD＞RVSLS＞LAT e'＞LASr＞E/e'＞LVEF（图3）。

3 讨　　论

LAATM是NVAF最严重的并发症之一，临床数据显示，其可使患者发生缺血性脑卒中的风险升高5倍以上，进而显著提高致残率与病死率，并大幅增加医疗资源的消耗^［8-10］。因此，构建一套无创、精准且易于临床推广的LAATM风险预测模型，以精准筛选低风险患者、减少不必要的TEE检查，已成为当前心血管领域亟待解决的重要临床课题。现有LAATM预测模型多聚焦于实验室检查、病史资料及CHA2DS2-VASc评分等因素，对超声心动图特征的整合相对不足。且已纳入的超声指标多局限于左心系统（如LAD、LVEF等）^［11-13］，关于右心超声指标的应用尚未见报道。事实上，右心功能改变在心房颤动的进展中发挥着重要的作用^［14-16］。本研究将右心功能指标纳入分析体系，核心依据在于心房颤动并非单纯的左心房病变，其病理过程常累及右心房、右心室、肺循环及神经体液系统。具体机制如下。①右心结构与功能受累：心房颤动发作时，右心房同样处于颤动状态，丧失有效收缩功能，泵血作用消失。长期的右房电重构与结构重构，导致心房扩大并进一步加重功能紊乱^［17］。同时，快速且绝对不齐的心室率，显著缩短了右心室的舒张期，造成充盈不足。②肺循环压力影响：心房颤动引发的左心功能异常，可导致肺静脉回流受阻，进而引起肺动脉高压，这无疑增加了右心的后负荷^［18］。③神经体液激活作用：心房颤动可激活交感神经系统与炎症反应，引发血管收缩、水钠潴留及中心血容量增加，从而提升右心前负荷，最终导致右心功能发生改变^［19-20］。本研究筛选出来的10个重要特征中，TAPSE、RVSLS、LAT e'均为评估右心系统功能的核心指标，这一结果有力证实了，在LAATM的形成过程中，右心功能异常同样发挥着至关重要的预测价值。

本研究创造性地纳入了IASTDF，进一步提高LAATM风险预测的全面性与准确性。IASTDF是房间隔结构与弹性功能的超声指标，指房间隔在心动周期中的增厚程度，AF患者中该指标有指导意义，其降低提示房间隔纤维化、弹性减退^［21-22］。左心房肌纤维化是心房颤动的重要病理生理学改变^［23-24］。本研究中10个重要特征，IASTDF发挥了最重要的作用，也说明IASTDF在预测心房纤维化，继而预测LAATM中发挥着重要的作用。

本研究在数据统计方面也做了最优化的处理。统计方法的创新在于比较8种机器学习模型，选出最优的LGBM模型（AUC=0.977）。这与LGBM对高维数据的处理优势、对特征交互的捕捉能力密切相关。在完成单因素分析后，本研究构建了分层递进式的多阶段特征筛选框架，以在控制冗余与避免过拟合的前提下获得最具判别力的特征组合。因为最优的模型并不是纳入的特征越多越好，而是在达到同样的预测效能的前提下，尽可能少的纳入特征，更利于模型的推广。本研究基于Spearman秩相关系数构建特征相关矩阵，并采用Ward法进行层次聚类。对于每一个相关性簇，仅保留该簇中单变量交叉验证AUC最高的特征作为代表变量，从而在保证信息保留的同时降低多重共线性风险。在去除冗余后的候选特征集中，计算每个特征的AUC，并结合SHAP平均绝对值与Total Gain进行加权整合，形成综合重要性指标。本研究采用DeLong检验，针对迭代过程中相邻模型的AUC差异开展统计学对比，迭代流程设定为：当新增特征加入模型后，无法使其判别能力出现显著提升，即检验结果P＞0.05时，即刻停止后续迭代筛选。最终借助Delong检验完成特征筛选，确定10项核心特征，以此为基础构建最终的ML-TRM模型。ML-TRM模型整体预测效能，与纳入全部变量的复杂模型基本相当，且因特征数量精简、运算简便，更适合在临床一线推广应用。CHA2DS2-VASc评分是目前临床公认的经典心房颤动相关风险评估工具，该评分已整合年龄、既往卒中病史、糖尿病等多项核心危险因素^［25-26］。而在本研究中，自主构建的ML-TRM模型AUC值达到0.958，预测效能显著优于传统CHA2DS2-VASc评分（AUC=0.541），二者差距较为明显。此外，本研究构建的ML-TRM模型阴性预测值高达93.3%，表明经模型判定为LAATM低风险的患者，无需再接受TEE检查，便可基本完全排除LAATM发生可能，有效减少不必要的TEE侵入性检查，也为临床针对心房颤动患者制定个体化诊疗干预方案，提供了客观且可靠的参考依据。为破解机器学习模型普遍存在的“黑箱”难题，本研究额外引入SHAP值分析，通过可视化方式直观呈现各项特征对模型预测结果的贡献程度，结果显示，IASTDF、TAPSE及Cr为贡献度最高的变量。SHAP分析法彻底打破传统机器学习模型结果难以解读的壁垒，让模型预测逻辑和结果更易被临床医师理解、认可。

本研究中既往抗凝药用药史在单因素分析中，LAATM组与非LAATM组差异无统计学意义。分析原因为本研究纳入的患者，多为心房颤动发现早期，TEE检查前均未服用或未规范服用抗凝药，造成选择偏移，从而影响统计结果。也说明该模型更适用于早期发现心房颤动的患者，尤其是未服用或未规范服用抗凝药的人群。

本研究的局限性在于仅为单中心研究，患者基线特征可能存在选择偏倚，结果外推性受限。且未纳入抗凝药物治疗细节（如用药时长、剂量）及炎症因子（如C反应蛋白、白细胞介素6）等潜在影响因素，可能遗漏部分预测信息。接下来还有待于大样本、多中心、纳入更详细临床治疗干预指标的进一步研究，提高模型的性能。

参考文献

[1] 国家心血管病中心，中国心血管健康与疾病报告编写组，胡盛寿.中国心血管健康与疾病报告2024概要［J］.中国循环杂志，2025，40（6）：521-559.

[2] Martin SS， Aday AW， Allen NB，et al. 2025 heart disease and stroke statistics： A report of us and global data from the american heart association［J］. Circulation，2025，151（8）：e41-e660.

[3] Sibley S， Bedford J， Wetterslev M，et al. Atrial fibrillation in critical illness： State of the art［J］. Intensive Care Med，2025，51（5）：904-916.

[4] Hu X， Jiang W， Wang X，et al. Intracardiac vs transesophageal echocardiography in atrial fibrillation ablation： A randomized clinical trial［J］. JAMA Cardiol，2025，10（12）：1249-1256.

[5] Du X， Chu H， Yang B，et al. Strategy optimization for a combined procedure in patients with atrial fibrillation： The COMBINATION randomized clinical trial［J］. JAMA Netw Open，2024，7（11）：e2445084.

[6] 中华医学会心电生理和起搏分会，中国医师协会心律学专业委员会，中国房颤中心联盟心房颤动防治专家工作委员会.心房颤动：目前的认识和治疗建议（2021）［J］. 中华心律失常学杂志，2022，26（1）：15-88.

[7] 中华医学会心电生理和起搏分会，中国医师协会心律学专业委员会，左心耳封堵工作委员会.左心耳干预预防心房颤动患者血栓栓塞事件：目前的认识和建议（2023）［J］. 中华心律失常学杂志，2023，27（6）：463-489.

[8] Lane DA， Andrade JG， Arbelo E，et al. Atrial fibrillation［J］. Lancet，2026，407（10532）：1000-1013.

[9] Wang H， Xi S， Chen J，et al. Severe left atrial spontaneous echo contrast in nonvalvular atrial fibrillation： Clinical characteristics and impact on ischemic risk postablation ［J］. Thromb Haemost，2023，123（5）：522-534.

[10] Wang G， Li G， Hu F，et al. Predicting a decrease in left atrial appendage flow velocity using left atrial diameter and CHA2DS2-VASc score in patients with non-valvular atrial fibrillation［J］. BMC Cardiovasc Disord，2023，23（1）：180.

[11] Xie Z， Chen T， Lu X，et al. Proteomic biomarkers for noninvasive left atrial appendage thrombus prediction in patients with atrial fibrillation［J］. Rev Esp Cardiol （Engl Ed），2025，78（1）：47-55.

[12] 黄亚飞，马国景，胡杰，等.非瓣膜性心房颤动患者心外膜脂肪组织及左心房相关结构参数与左心耳血栓形成的相关性研究［J］.中国循环杂志，2025，40（8）：787-794.

[13] 张旭倩，仝巧立，王静，等.四维自动左心房定量技术评估阵发性心房颤动患者左心房基质的应用价值［J］.河北医科大学学报，2025，46（3）：254-260.

[14] Nakashima K， Yamaguchi T， Takahashi Y，et al. Sex differences in atrial fibrillation-related atrial remodelling assessed by electroanatomic mapping and biopsy［J］. Eur Heart J，2026，47（2）：217-231.

[15] 王柳青，宋宏宁，曹省，等.不同类型心房颤动患者心房容积及应变参数对病程进展的预测价值［J］.中华超声影像学杂志，2024，33（1）：49-56.

[16] Tomaselli M， Badano LP， Cannone V，et al. Incremental value of right atrial strain analysis to predict atrial fibrillation recurrence after electrical cardioversion［J］. J Am Soc Echocardiogr，2023，36（9）：945-955.

[17] Gunturiz-Beltrán C， Nuñez-Garcia M， Althoff TF，et al. Progressive and simultaneous right and left atrial remodeling uncovered by a comprehensive magnetic resonance assessment in atrial fibrillation［J］. J Am Heart Assoc，2022，11（20）：e026028.

[18] Hjalmarsson C， Lindgren M， Bergh N，et al. Atrial fibrillation，venous thromboembolism，and risk of pulmonary hypertension： A swedish nationwide register study［J］. J Am Heart Assoc，2025，14（9）：e037418.

[19] 陈昱竹，乔宇，刘娅红，等.心房颤动心肌纤维化的分子机制研究进展［J］.中国循环杂志，2024，39（12）：1229-1233.

[20] Solomon SD， Ostrominski JW， Wang X，et al. Effect of semaglutide on cardiac structure and function in patients with obesity-related heart failure［J］. J Am Coll Cardiol，2024，84（17）：1587-1602.

[21] 郝恩魁，葛志明，王振光，等.经食管超声技术检测房间隔厚度及其与左心房血流动力学的关系［J］.中华超声影像学杂志，2003，12（11）：651-653.

[22] 洪俊蓉，黄岩，吴天晨，等.房间隔增厚率与心房颤动患者发生脑梗死概率呈现非线性的变化趋势：基于逆概率加权法［J］.分子影像学杂志，2024，47（8）：830-835.

[23] Feng Y， Chen Z， Gao Y，et al. CKAP4 promotes atrial fibrosis and enhances atrial fibrillation vulnerability via WNT/β-catenin activation［J］. Circ Arrhythm Electrophysiol，2025，18（11）：e014217.

[24] Miyauchi S， Tokuyama T， Takahashi S，et al. Relationship between fibrosis，endocardial endothelial damage，and thrombosis of left atrial appendage in atrial fibrillation［J］. JACC Clin Electrophysiol，2023，9（7 Pt 2）：1158-1168.

[25] Siddiqi TJ， Usman MS， Shahid I，et al. Utility of the CHA2DS2-VASc score for predicting ischaemic stroke in patients with or without atrial fibrillation： A systematic review and Meta-analysis［J］. Eur J Prev Cardiol，2022，29（4）：625-631.

[26] Barnes GD， Lip GYH. Applying clinical risk scores in real-world practice： The CHA2DS2-VASc score in atrial fibrillation［J］. J Am Coll Cardiol，2024，84（21）：2154-2156.

基金资助

洛阳市重点项目(2101032A)