文献类型：期刊文章

作　　者：石桓旭[1] 何培宇[1] 童琪[2] 王政捷[2] 李涛[2] 钱永军[2] 赵启军[3] 潘帆[1]

SHI Huanxu;HE Peiyu;TONG Qi;WANG Zhengjie;LI Tao;QIAN Yongjun;ZHAO Qijun;PAN Fan(School of Electronic Information,Sichuan University,Chengdu,610065,P.R.China;Department of Cardiovascular Surgery,West China Hospital,Sichuan University,Chengdu,610041,P.R.China;School of Computer Science(School of Software),Sichuan University,Chengdu,610065,P.R.China)

机构地区：[1]四川大学电子信息学院,成都610065 [2]四川大学华西医院心脏大血管外科,成都610041 [3]四川大学计算机学院(软件学院),成都610065

出　　处：《中国胸心血管外科临床杂志》

基　　金：四川省干部保健科研课题(川干研2019-101);四川省科技计划项目(2020YJ0282);四川大学华西医院学科卓越发展1·3·5工程临床研究孵化项目(2019HXFH029);四川省科技计划重点研发项目(2021YFS0121);四川省卫生健康委员会医学科技项目(21PJ035)。

年　　份：2022

卷　　号：29

期　　号：7

起止页码：840-847

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、ZGKJHX、核心刊

摘　　要：目的 通过机器学习技术对心房颤动(房颤)射频消融术后房颤复发进行预测,并试图寻找影响术后房颤复发的风险因素。方法 纳入2017年1月—2021年1月因瓣膜病房颤在四川大学华西医院及其分院(上锦分院)进行射频消融手术的300例患者,其中男129例、女171例,平均年龄52.56岁。建立5个机器学习模型对房颤复发进行预测,将其中3个表现最好的模型组合成一个投票分类器,再次进行预测。最后使用SHApley Additive exPlanations方法进行风险因素分析。结果 投票分类器得到的预测准确率为75.0%,召回率为61.0%,受试者工作特征曲线下面积为0.79。此外,还发现左心房内径、射血分数、右心房内径等因素对术后房颤复发存在影响。结论 基于机器学习的瓣膜病房颤射频消融术后复发预测可为房颤临床诊治提供一定参考,减少因无效消融给患者带来的风险;根据研究中发现的风险因素,可为患者提供精准的治疗。

关 键 词：心房颤动 机器学习  复发预测 风险因素  

分 类 号：R541.75] TP181]