摘要：房颤与心血管住院（CVH）的风险增加有关，这可能是由日常负担的变化引起。近日，Circ Arrhythm Electrophysiol杂志发表的一项研究，通过可插入式心脏监测器（ICMs）测量房颤负荷动态趋势的机器学习，可能有助于预测近期CVH。
房颤与心血管住院（CVH）的风险增加有关，这可能是由日常负担的变化引起。近日，Circ Arrhythm Electrophysiol杂志发表的一项研究，通过可插入式心脏监测器（ICMs）测量房颤负荷动态趋势的机器学习，可能有助于预测近期CVH。
研究背景
从历史上看，房颤一直按类型（阵发性、持续性或永久性）进行分类，越来越多的证据表明，持续性或永久性房颤患者与阵发性房颤患者相比，卒中风险更高。既往研究表明，与房颤持续时间较短相比，持续性或永久性房颤患者卒中风险升高可能归因于房颤持续时间较长。使用连续监测装置进行的长期心脏监测表明，房颤负荷与卒中和CVH呈正相关。虽然房颤发病率与CVH之间的时间关系尚不清楚，但房颤的临床进展从持续时间较短到持续时间较长与卒中和死亡风险增加有关。最近，房颤负担进展显示发生在心脏植入电子装置患者死亡前的短时间窗内。利用长期心脏监测解决方案，例如ICMs，用动态测量房颤负担来替代房颤的分类定义，可能为房颤患者相关结果的个性化风险分层提供额外的预后价值。
在本研究中，通过比较移动平均线的变化及其与近期CVH风险的关系，评估了ICM检测诊断参数的动态趋势。研究方法包括基线改变法，该方法基于每个患者诊断趋势的变化来个性化CVH的相对风险（RR）。这样就可通过持续监测，在每天的随访中及时更新风险计算。利用机器学习确定哪些特定的诊断趋势最适合预测CVH的近期风险。本分析的目的是(1)描述近期CVH高风险的房颤负担趋势，(2)比较其与近期CVH的相关性，与房颤负担阈值（持续时间≥1小时）和数量（≥5%）相似。
研究方法
使用Optum确定的临床信息学数据集数据库（2007~2019），与Medtronic CareLink ICM数据库相联系，研究者确定了ICM检测到房颤超过1天的患者。将ICM检测到的诊断参数转换成不同时期的简单移动平均线进行每日随访。诊断趋势定义为每个诊断参数的2个不同时期的简单移动平均线的比较。CVH被定义为任何医院、急诊科或门诊外科中心遇到与心血管诊断相关的组或诊断代码。机器学习用于确定哪些诊断趋势能在CVH前5天预测患者风险。
研究结果
共有2616例ICMs患者符合纳入标准（71±11岁；55%为男性）。其中，1998年（76%）计划或计划外CVH超过605 363天。机器学习显示了不同的组：(A)窦性心律（参考），(B)低于平均负担，(C)高于平均负担，(D)高于平均负担，患者活动减少。与参考组相比，所有组的相对风险均增加[B, 4.49，95%CI：3.74~5.40；C, 8.41，95%CI：7.00~10.11；D, 11.15，95%CI：9.10~13.65]，包括CVH检出率较预先设定的持续时间（≥1小时）和数量（≥5%）的负担阈值增加21%。受试者工作特征曲线下的面积从使用小时负担量时的0.55增加到使用负担趋势和患者活动减少时的0.66（P
图1. 房颤负担趋势映射到单个患者的举例
图2. 房颤负担标准的CVH事件维恩图
讨论与结论
在本研究中，通过将设备检测的诊断措施与官方数据相联系，评估了与ICM患者近期CVH相关的趋势。在不同的时间窗内，每日AT/AF负担、患者活动量、心室率和心率变异性的数量和变化被用来预测CVH的近期风险。研究方法包括基线改变方法，针对每个患者ICM特异性诊断的变化，个性化CVH的RR。这种区别很重要，因为在人口水平上，我们可观察到总体房颤负担的加重与CVH风险升高有关。然而，这忽略了房颤负担的动态变化以及个体水平上的其他诊断参数。研究证明，这种动态风险分层方法使我们能长期监测患者，并在较短的时间内提供实时风险评估。
尽管我们前期定义了一组用于跟踪ICM诊断参数变化的窗口，但我们允许机器学习识别与CVH风险相关的动态变化或趋势。这项研究结果显示，在所有诊断参数中，房颤负担趋势最常用于风险检测，而21天移动平均线是风险分层的最佳时间窗口，无论ICM植入的指征是什么（房颤管理、疑似房颤或隐源性卒中）。使用21天移动平均线，患者内部对比表明，房颤负担高于平均水平的个体，降低活动水平分层，CVH近期风险以及预先规定的房颤负担持续时间（≥1小时）和数量（≥5%）阈值降低。
这项工作有3个主要发现。首先，机器学习能描述与CVH风险相关的房颤负担的动态变化。其次，提示风险所需的房颤负担变化量可能取决于患者的房颤负担基线史。最后，房颤负担的动态变化为房颤负担持续时间和数量的传统风险分层阈值增加了预测能力。研究结果对未来试图定义和使用房颤负担风险阈值来管理房颤相关结果的研究具有重要意义。
总之，房颤趋势与近期CVH密切相关，特别是高于平均水平的负担和低患者活动。该方法可为指导治疗和减少CVH提供可操作的信息。
参考文献：James Peacock , Evan J. Stanelle , Lawrence C. Johnson,etal. Using Atrial Fibrillation Burden Trends and Machine Learning to Predict Near-Term Risk of Cardiovascular Hospitalization.Circ Arrhythm Electrophysiol. 2024;17:e012991. DOI: 10.1161/CIRCEP.124.012991
来源：国际循环一点号
