人工智能预测冠状动脉搭桥术后新发房颤的性能

CABG是治疗严重冠状动脉疾病的主要手段，术后NOAF是其最常见的并发症（发病率20%-40%），导致住院时间延长、脑血管事件风险增加（10年HR=1.53）及长期死亡率增加。尽管已有管理指南，但近年NOAF发病率未显著下降。当前预测工具（如CHA2DS2-VASc、HATCH、POAF评分）存在局限性，其AUC仅为0.64-0.76，且依赖线性模型，无法捕捉NOAF的多因素复杂性。大部分研究多基于单中心小样本或术后变量，限制了术前决策的实用性。本研究旨在开发并验证一种基于AI的临床预测模型，利用术前可获取的临床参数（如脑钠肽、左心室功能指标）预测NOAF，并创建一个用户友好的网页临床工具。

研究纳入中国两家三级医院2015年3月至2024年7月接受CABG的2994例患者，其中2486例来自医院A（模型开发队列，按7:3分为训练集与测试集），508例来自医院B（外部验证队列）。

研究采用回顾性多中心设计，分两阶段：1）模型开发与验证；2）临床工具构建。

模型构建：通过LASSO回归和逻辑回归筛选出12个关键变量（年龄、脑钠肽、左室舒张末期内径、射血分数、BMI、β受体阻滞剂使用、手术时长、中性粒细胞百分比/白蛋白比值、心梗史、左房直径、高血压、吸烟），使用SMOTE处理类别不平衡。共构建了11个基础学习器（逻辑回归、K最近邻、朴素贝叶斯、决策树分类、随机森林、支持向量、极端梯度提升、轻量梯度提升机、自适应增强、CatBoost、多层感知机），通过堆叠集成（Stacking）以逻辑回归为元学习器，网格搜索优化超参数，5折交叉验证防止过拟合。评估指标包括准确率、精确率、召回率、F1分数、AUC、校准曲线及Hosmer-Lemeshow检验。外部验证对比CHA2DS2-VASc、HATCH、POAF评分的预测性能，并通过SHAP值解释特征重要性。

最初收集了4003名患者的数据；根据纳入和排除标准，共纳入2994例病例：2486例来自医院A，508例来自医院B（图1A）。模型开发队列的平均年龄为63.98±6.89岁，其中75.62%的患者为男性。NOAF的总体发病率为26.69%。术后第三天，窦性心律维持率为90.64%（95%CI：89.54%–91.63%）。Kaplan-Meier分析显示，NOAF的发生率最高发生在术后第1天至第5天之间（图3A）。

如图2所示，单变量分析确定了NOAF组和非NOAF组之间具有统计学显著差异的21个特征，包括年龄、教育水平和吸烟状况等（P<0.05）。对这些特征进行LASSO回归分析，在最佳惩罚下确定了12个具有非零系数的变量：年龄、左心室射血分数、左心房直径、左心室舒张末期直径、BMI、手术持续时间、脑钠肽、中性粒细胞百分比与白蛋白比率、高血压、β受体阻滞剂的使用、心肌梗死和吸烟状况。然后将这12个变量纳入二元逻辑回归，模型对数似然比得出的P<0.001，表明统计显著且模型有效。在逻辑回归分析中发现，所有12个变量都是重要的预测因子。

使用数据集E中的12个变量作为输入，以NOAF作为预测标签，开发了11个基础学习器（图2C和图1A）。使用Stacking策略集成这些基础学习器，并对模型进行了内部和外部验证。图3C和D分别描绘了内部和外部验证的ROC和决策曲线分析(DCA)结果。表1显示了每个模型的性能指标，其中Stacking模型在模型开发队列和验证队列中均获得了最高的AUC和F1分数。Hosmer-Lemeshow检验（P=0.217）同样证实了Stacking模型提供了最佳的整体预测性能，概率校准曲线如图3E所示。在基础学习器中，AdaBoost在派生队列中表现出最高的AUC，证明了其强大的性能。因此，基于AdaBoost模型绘制了SHAP值（图3B），揭示了预测NOAF的最重要的特征。此外，如图3D所示，在独立外部验证中，Stacking模型的AUC值高于现有POAF预测工具（[POAF评分：0.667，HATCH评分：0.708，CHA2DS2-VASc评分：0.713] vs. 0.931，所有P<0.05），显示出卓越的预测性能。

利用Stacking模型，我们开发了一个临床工具（图1B），该工具可以根据简单的数字输入自动计算NOAF风险，为临床医生提供实时预测见解。

本研究成功开发了一种基于堆叠集成学习的AI预测模型，能够通过12项术前特征准确预测CABG术后NOAF风险，其AUC（0.931）显著优于现有临床预测模型。通过SHAP值提供可解释性，并转化为用户友好的网页工具。