Development and Validation of a Machine Learning-Based Prediction Model for Atrial Fibrillation in Hospitalized Patients with Coronary Heart Disease and Diabetes Mellitus: A Retrospective Study

在人体中，心脏是一个不知疲倦的泵，但就像任何复杂的机器一样，它也容易受到磨损，尤其是在其他系统承受压力时。两种最常见的加剧这种压力的疾病是冠心病（即向心肌供血的动脉变窄）和糖尿病（一种破坏身体处理糖分方式的代谢紊乱）。当这两种情况同时发生时，它们会产生一种危险的协同作用，显著增加第三种往往是无声威胁的风险：心房颤动。这是一种混乱的节律，心脏的上腔室在颤动而非稳健地跳动，这种状态可能导致中风或心力衰竭。对于医生来说，长久以来的挑战在于，如何识别哪些同时患有心脏病和糖尿病的患者最有可能在发病前出现这种不规则的节律，从而实现早期干预而非紧急反应。

重庆急救医疗中心的一个研究小组通过回顾两千多名患者的医疗记录，试图解开这个谜团。他们收集了2017年至2025年间入院且已患有冠心病和糖尿病的患者数据。研究人员将这些患者分为两组：一组是在住院期间出现了心房颤动的患者，另一组则没有。通过对比这两组，他们寻找能够作为预警信号的血液检查、心脏测量值和病史中的细微差异。他们并没有依赖单一的测试，而是使用了一种被称为“机器学习”的高级计算机方法。这种方法允许计算机筛选海量信息，以寻找人类肉眼可能会错过的复杂模式，就像经验丰富的机械师能听到引擎中特定的咔哒声，从而在汽车故障前很久就预示出问题一样。

该研究分析了广泛的数据点，从心腔的大小到血液中特定蛋白质和矿物质的水平。在测试了几种不同的计算机算法后，研究人员发现一种名为“随机森林模型”的方法在预测是否会发生不规则节律方面表现优异得多。该模型达到了极高的准确度，在绝大多数情况下都能正确识别风险。计算机学到，最重要的预警信号不仅仅是心脏病或糖尿病本身的存在，而是特定因素的组合。这些因素包括患者的年龄、心脏上腔室的物理尺寸，以及与炎症、营养和电解质平衡相关的血液指标的混合体。

具体而言，该模型确定了八个关键指标，当这些指标被放在一起观察时，便勾勒出一幅清晰的风险图景。高龄以及心脏左右上腔室尺寸的增大是强有力的预测因子，反映了这些情况对器官结构的物理压力。前白蛋白（一种指示营养状况的蛋白质）的血水平也至关重要；较低的水平意味着身体正处于压力之下。同样，白细胞与白蛋白的比值（衡量炎症程度相对于身体储备的比例）也被证明是一个强有力的信号。其他因素还包括血液中钙和钠的水平（它们对心脏的电信号至关重要），以及一种名为HBDH的特定酶（它可以指示心肌压力）。

为了确保这个计算机模型不仅仅是一个做出猜测的“黑箱”，研究人员使用了一种技术来解释它究竟是如何得出结论的。他们发现，该模型会对每位患者的这八个因素进行不同的权重分配，从而创建一个个性化的风险剖面。对于一个人来说，心腔的大小可能是主要的风险驱动因素；而对于另一个人，风险可能源于低营养和高炎症的结合。这种将预测分解为可理解部分的能力，意味着医生可以观察特定患者，并清楚地看到哪些因素正在将他们推向危险。研究表明，通过使用这一工具，临床医生可以更有效地筛查高风险患者，对其进行更严密的监测，并有可能更早地开始治疗以预防心房颤动的发生。

研究人员谨慎地指出，他们的发现来自单一医院，该模型需要在其他地区的患者身上进行测试，以确认其可靠性。然而，研究结果为看待这一常见且危险的医学问题提供了一种极具前景的新途径。通过将常规血液检查和标准心脏扫描与先进的计算机分析相结合，这项研究证明，在患者患有心脏病和糖尿病的情况下，完全可以在心房颤动变得危及生命之前发现其预警信号。这种方法使医学从“一刀切”的方式转向一种更精准、更个性化的策略，以保持心脏的规律跳动。