持续性心房颤动的影响因素识别及判别模型构建研究

摘要

背景心房颤动（简称房颤）会严重影响患者的生活质量，导致高致残率和死亡率，并增加医疗费用。当前的房颤分型方法主要依赖于临床症状与检查结果，但难以量化其背后潜在的病理生理负荷，易导致治疗策略与患者的实际风险不匹配。目的 探讨持续性房颤的影响因素，并基于此构建判别模型。方法 纳入2012年4月—2023年9月在新疆医科大学第一附属医院就诊的阵发性与持续性房颤患者为观察对象。收集患者的一般资料、生化指标、肾功能指标、心脏功能相关指标等进行分析。首先采用单因素Logistic回归分析筛选与房颤类型相关的变量，使用最小绝对收缩与选择算子（LASSO）回归方法进一步筛选特征变量，以降低模型复杂性并避免过拟合。随后构建多因素Logistic回归模型以识别与持续性房颤独立相关的影响因素。采用Bootstrap重抽样方法，将显著变量纳入随机森林（RF）、决策树（DT）、朴素贝叶斯（NB）、支持向量机（SVM）、K近邻（KNN）及极限梯度提升算法（XGB）共6种机器学习判别模型，并通过受试者工作特征（ROC）曲线评估模型的判别能力。最后基于SHAP方法评估各变量对判别模型的贡献。结果 共收集到6 938例患者信息，其中包括5 085例阵发性房颤患者和1 853例持续性房颤患者。单因素Logistic回归分析共筛选出19个有统计学意义的自变量。经LASSO回归筛选，最终确定13个关键变量纳入多因素Logistic回归分析，结果显示，性别（OR=1.248,95%CI=1.086～1.435）、个人手术史（OR=0.809,95%CI=0.706～0.926）、BMI(OR=1.028,95%CI=1.012～1.045)、平均血小板体积（MPV）(OR=1.121,95%CI=1.059～1.186)、血清镁（Mg＿plus2）(OR=0.098,95%CI=0.046～0.208)、心输出量（CO）(OR=1.115,95%CI=1.009～1.233)、左心室后壁厚度（LVPW）(OR=0.777,95%CI=0.665～0.909)、左心房内径（LAD）(OR=1.144,95%CI=1.123～1.166)、左心室射血分数（LVEF）(OR=0.955,95%CI=0.938～0.972)、右心房内径（RAD）(OR=1.031,95%CI=1.005～1.057)、甘油三酯（TG）(OR=0.821,95%CI=0.751～0.898)、尿酸（UA）(OR=1.003,95%CI=1.002～1.003)、左心室舒张末期内径（LVEDD）(OR=0.903,95%CI=0.879～0.927)均为持续性房颤的独立影响因素（P<0.05）。ROC曲线分析结果显示，XGB模型表现最佳（ROC曲线下面积为0.823），其次为SVM模型（0.820）和RF模型（0.814）。评估各变量对XGB模型判别结果的相对贡献，结果显示，LAD与RAD的SHAP值最高，提示心房结构参数在判别模型中具有显著的影响。结论 BMI升高、男性、MPV增高、UA升高、TG降低、Mg＿plus2水平降低、LVEF降低、LVEDD减小、无个人手术史以及RAD和LAD增大，均与持续性房颤的发生密切相关。这些临床指标均可以通过常规检查手段获得，其中大多数为无创检查，能够作为判别持续性房颤患者的重要参考因素，辅助临床早期风险分层与干预策略的制定。

关键词

心房颤动 / 阵发性房颤 / 持续性房颤 / LASSO回归 / Logistic回归