解放军医学院学报

作者：时颖, 张秀, 夏万能, 张越, 张庆, 张政波

关键词：心力衰竭, 心率变异性, NT-proBNP, 可穿戴设备, 机器学习

背景心率变异性(heart rate variability，HRV)作为评估自主神经系统活性的重要指标，已被广泛用作心力衰竭患者预后的评估工具。NT-proBNP作为一种标志物，在心衰的诊断、风险分层及预后评估中发挥着至关重要的作用，但其检测依赖侵入性操作且难以动态监测。目的探讨可穿戴设备监测的HRV参数与NT-proBNP水平的相关性，并验证其作为无创风险分层工具的可行性。方法本研究利用可穿戴设备收集了2021年1月—2022年12月四川大学华西医院心内科的急性心衰患者入院、出院时的24 h心电数据，经过预处理后提取了HRV参数，以NT-proBNP≥3 500 pmol/L为高风险截断值，采用Spearman相关分析探究HRV与NT-proBNP的关联性，评估逻辑回归、K最近邻(K-nearest neighbors，KNN)、支持向量机(support vector machine，SVM)、随机森林和XGBoost五种机器学习模型预测不良预后(NT-proBNP≥3 500 pmol/L)的效能，并通过SHAP值量化特征贡献度。结果共纳入51例心衰患者，收集心电数据87份。HRV参数中，SDNN、SD2、VLF等10项指标与NT-proBNP呈显著负相关(r：-0.390~-0.371，P＜0.001)。NT-proBNP水平≥3 500 pmol/L的患者HRV参数SDNNM(IQR)：51.10(38.50~67.20) ms vs 77.95 (54.45~95.50) ms，P＜0.001、SD2M(IQR)：68.30(52.90~93.90) ms vs 108.00 (76.20~132.47) ms，P=0.003、VLFM(IQR)：18.82(5.84~59.61) mHz vs 59.36 (33.70~116.90) mHz，P=0.002、ULFM(IQR)：6.30(1.99~18.02) mHz vs 18.60 (10.05~34.09) mHz，P=0.001均显著低于NT-proBNP＜3 500 pmol/L组，差异有统计学意义。机器学习模型中，Logistic回归分类性能最优(AUC=0.830，95% CI：0.760~0.890)，SHAP分析显示SD2和LF/HF贡献度较高。结论可穿戴HRV参数与NT-proBNP水平显著相关，且能够通过机器学习模型有效区分NT-proBNP高低水平组，为心衰患者的无创动态监测及急性失代偿风险预测提供了新的参考。

来源：2025年第3期

《解放军医学院学报》期刊编辑部

查看解放军医学院学报杂志2025年第3期