200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
撰稿专家：北京清华长庚医院 心血管中心 罗江滢 张萍
8月29日—9月1日，2025年欧洲心脏病学会年会（ESC 2025）暨世界心脏病学大会（WCC 2025）在西班牙马德里举行。当地时间8月30日，清华大学附属北京清华长庚医院张萍教授团队的罗江滢医生以《院内获得性长QT综合征患者的临床特征及机器学习预测模型的建立》（Clinical characteristics and machine learning-based prediction of acquired Long QT Syndrome among hospitalized patients）为题做现场汇报。
罗江滢医师在ESC 2025现场汇报
QT间期延长是临床常见但容易被忽略的问题，多种因素可能导致QT间期延长。QT间期显著延长与尖端扭转性室性心动过速、室颤等恶性心律失常及全因死亡风险增加相关。
本研究旨在分析我院院内获得性长QT综合征患者的临床特征，并通过机器学习方法构建QT延长的预测模型。
通过GE医疗MUSE心电信息管理系统检索2017年1月至2021年10月于北京清华长庚医院住院的获得性长QT综合征（aLQTS）、严重获得性长QT综合征（saLQTS）及对照组患者。
纳入标准
① 年龄≥18岁；② 窦性心律；③ aLQTS组男性QTc间期≥470 ms，aLQTS组女性QTc间期≥480 ms；saLQTS组QTc间期≥500 ms；对照组360 ms ≤QTc间期≤ 440 ms。
→注： QTc间期（ QTc=QT/√RR，Bazett公式）
排除标准
① 先天性长QT综合征患者；② 先天性长QT综合征、不明原因晕厥、心脏骤停或猝死生还家族史；③ QRS时限≥120 ms（如完全性左/右束支传导阻滞、室内差异性传导、心室起搏等）；④ 心房颤动/心房扑动/室上性心动过速；⑤ 其他影响QT间期测量的情况，如心电图数据质量欠佳。
基于76项特征数据，包括人口学信息、合并症、实验室检验结果、心电图特征（除外QT间期）、超声心动图数据及延长QT间期的药物，采用XGBoost算法构建aLQTS和saLQTS的预测模型。
数据集按7:3的比例划分为训练集和验证集。在训练集上通过5折交叉验证和贝叶斯优化选择最优超参数。特征重要性由权重法确定，即各特征在所有生成的决策树中被用作分割点的总次数。
本研究共检索出96531名患者。其中，aLQTS发病率为3.2%（n=3089），中位QTc间期为487 ms；saLQTS发病率为0.7%（n=731），中位QTc间期为514 ms。
值得注意的是，仅29.7%的aLQTS患者就诊于心脏科室，这可能解释了为何在临床实践中许多aLQTS患者被忽略。
在aLQTS组中，患者年龄更大，女性比例更高，合并症更多（包括急性心肌梗死、高血压、糖尿病、心肌病、感染、慢性肾病和恶性肿瘤等），使用延长QT间期药物的比例也更高（尤其是根据CredibleMeds网站分类的A类和C类药物）。
其临床特征详见表1。
表1 院内获得性长QT综合征患者的临床特征
院内aLQTS患者不良事件（包括心脏骤停、室性心动过速、心室颤动和死亡）发生率为2.8%（86/3089），全因死亡率为1.6%（50/3089）。
在验证集中，XGBoost模型预测aLQTS的AUC为0.94，预测saLQTS的AUC为0.92（图1）。
图1 aLQTS和saLQTS患者预测模型的ROC曲线
预测aLQTS敏感性和特异性分别为0.73和0.95，saLQTS分别为0.73和0.90。当敏感性设定为0.80时，预测aLQTS的特异性为0.92，saLQTS为0.89。根据特征重要性，前20位预测特征见图2。
图2 XGBoost模型的特征重要性（权重法）
用于预测aLQTS和saLQTS的XGBoost模型表现出优异的性能，有助于医务人员识别易发生QT间期延长的高危患者，从而主动管理可逆性危险因素。
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017