基于机器学习的非瓣膜性房颤左心耳血栓预测模型
An Explainable Machine Learning Model Integrating Clinical Parameters for Identifying Left Atrial Appendage Thrombus in Non-valvular Atrial Fibrillation.
PubMed 文献 · Ultrasound Med Biol · 2026-10-09
本回顾性研究纳入325例非瓣膜性房颤患者，整合经食道超声心动图指标与临床参数，采用6种机器学习算法构建左心耳血栓预测模型。逻辑回归模型表现最佳，训练集AUC 0.958，测试集AUC 0.913。SHAP解释框架显示左心耳血流速度、房颤类型、左房内径、CHA₂DS₂-VASc评分、左室射血分数及纤维蛋白原是最重要的预测因子。
要点
- 左心耳血流速度降低（OR 0.805，p<0.001）和持续性房颤（OR 4.344，p=0.005）是左心耳血栓的独立预测因子
- 逻辑回归模型预测左心耳血栓的训练集AUC为0.958，测试集AUC为0.913
- 左心耳血流速度、房颤类型、左房内径、CHA₂DS₂-VASc评分、左室射血分数和纤维蛋白原对血栓风险预测贡献最大
核心结论
- 整合临床和超声心动图参数的机器学习模型可高效预测非瓣膜性房颤患者左心耳血栓风险，为个体化抗凝管理提供实用工具
- 逻辑回归结合SHAP解释框架在6种机器学习算法中表现最佳，兼具预测准确性和临床可解释性
研究设计与样本
- 采用LASSO回归五折交叉验证筛选候选特征，多变量逻辑回归量化独立关联，训练6种机器学习算法并用SHAP框架解释模型
诊断标准与关键数值
- 逻辑回归模型预测左心耳血栓的训练集AUC为0.958，测试集AUC为0.913
- 多变量逻辑回归显示左心耳血流速度降低的OR为0.805（p<0.001），持续性房颤的OR为4.344（p=0.005）
临床应用与阅片要点
- 常规经食道超声心动图检查时需重点测量左心耳血流速度，结合房颤类型、左房内径等参数评估血栓风险
- 可整合超声参数、CHA₂DS₂-VASc评分（充血性心衰、高血压、年龄≥75岁、糖尿病、卒中/短暂性脑缺血、血管疾病、年龄65-74岁、女性）、左室射血分数及纤维蛋白原进行综合预测
- 该模型使用临床易获取的变量，可辅助房颤患者个体化抗凝决策
局限性
- 单中心回顾性研究设计可能存在选择偏倚
- 原文未明确说明模型的外部验证情况
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Zhou, Zeng, Chen, et al. An Explainable Machine Learning Model Integrating Clinical Parameters for Identifying Left Atrial Appendage Thrombus in Non-valvular Atrial Fibrillation. Ultrasound Med Biol. 2026. PMID: 42855401. doi:10.1016/j.ultrasmedbio.2026.09.012
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。