CABG是治療嚴(yán)重冠狀動脈疾病的主要手段，術(shù)后NOAF是其最常見的并發(fā)癥（發(fā)病率20%-40%），導(dǎo)致住院時(shí)間延長、腦血管事件風(fēng)險(xiǎn)增加（10年HR=1.53）及長期死亡率增加。盡管已有管理指南，但近年NOAF發(fā)病率未顯著下降。當(dāng)前預(yù)測工具（如CHA2DS2-VASc、HATCH、POAF評分）存在局限性，其AUC僅為0.64-0.76，且依賴線性模型，無法捕捉NOAF的多因素復(fù)雜性。大部分研究多基于單中心小樣本或術(shù)后變量，限制了術(shù)前決策的實(shí)用性。本研究旨在開發(fā)并驗(yàn)證一種基于AI的臨床預(yù)測模型，利用術(shù)前可獲取的臨床參數(shù)（如腦鈉肽、左心室功能指標(biāo)）預(yù)測NOAF，并創(chuàng)建一個(gè)用戶友好的網(wǎng)頁臨床工具。

研究納入中國兩家三級醫(yī)院2015年3月至2024年7月接受CABG的2994例患者，其中2486例來自醫(yī)院A（模型開發(fā)隊(duì)列，按7:3分為訓(xùn)練集與測試集），508例來自醫(yī)院B（外部驗(yàn)證隊(duì)列）。

研究采用回顧性多中心設(shè)計(jì)，分兩階段：1）模型開發(fā)與驗(yàn)證；2）臨床工具構(gòu)建。

模型構(gòu)建：通過LASSO回歸和邏輯回歸篩選出12個(gè)關(guān)鍵變量（年齡、腦鈉肽、左室舒張末期內(nèi)徑、射血分?jǐn)?shù)、BMI、β受體阻滯劑使用、手術(shù)時(shí)長、中性粒細(xì)胞百分比/白蛋白比值、心梗史、左房直徑、高血壓、吸煙），使用SMOTE處理類別不平衡。共構(gòu)建了11個(gè)基礎(chǔ)學(xué)習(xí)器（邏輯回歸、K最近鄰、樸素貝葉斯、決策樹分類、隨機(jī)森林、支持向量、極端梯度提升、輕量梯度提升機(jī)、自適應(yīng)增強(qiáng)、CatBoost、多層感知機(jī)），通過堆疊集成（Stacking）以邏輯回歸為元學(xué)習(xí)器，網(wǎng)格搜索優(yōu)化超參數(shù)，5折交叉驗(yàn)證防止過擬合。評估指標(biāo)包括準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)、AUC、校準(zhǔn)曲線及Hosmer-Lemeshow檢驗(yàn)。外部驗(yàn)證對比CHA2DS2-VASc、HATCH、POAF評分的預(yù)測性能，并通過SHAP值解釋特征重要性。

最初收集了4003名患者的數(shù)據(jù)；根據(jù)納入和排除標(biāo)準(zhǔn)，共納入2994例病例：2486例來自醫(yī)院A，508例來自醫(yī)院B（圖1A）。模型開發(fā)隊(duì)列的平均年齡為63.98±6.89歲，其中75.62%的患者為男性。NOAF的總體發(fā)病率為26.69%。術(shù)后第三天，竇性心律維持率為90.64%（95%CI：89.54%–91.63%）。Kaplan-Meier分析顯示，NOAF的發(fā)生率最高發(fā)生在術(shù)后第1天至第5天之間（圖3A）。

如圖2所示，單變量分析確定了NOAF組和非NOAF組之間具有統(tǒng)計(jì)學(xué)顯著差異的21個(gè)特征，包括年齡、教育水平和吸煙狀況等（P<0.05）。對這些特征進(jìn)行LASSO回歸分析，在最佳懲罰下確定了12個(gè)具有非零系數(shù)的變量：年齡、左心室射血分?jǐn)?shù)、左心房直徑、左心室舒張末期直徑、BMI、手術(shù)持續(xù)時(shí)間、腦鈉肽、中性粒細(xì)胞百分比與白蛋白比率、高血壓、β受體阻滯劑的使用、心肌梗死和吸煙狀況。然后將這12個(gè)變量納入二元邏輯回歸，模型對數(shù)似然比得出的P<0.001，表明統(tǒng)計(jì)顯著且模型有效。在邏輯回歸分析中發(fā)現(xiàn)，所有12個(gè)變量都是重要的預(yù)測因子。

使用數(shù)據(jù)集E中的12個(gè)變量作為輸入，以NOAF作為預(yù)測標(biāo)簽，開發(fā)了11個(gè)基礎(chǔ)學(xué)習(xí)器（圖2C和圖1A）。使用Stacking策略集成這些基礎(chǔ)學(xué)習(xí)器，并對模型進(jìn)行了內(nèi)部和外部驗(yàn)證。圖3C和D分別描繪了內(nèi)部和外部驗(yàn)證的ROC和決策曲線分析(DCA)結(jié)果。表1顯示了每個(gè)模型的性能指標(biāo)，其中Stacking模型在模型開發(fā)隊(duì)列和驗(yàn)證隊(duì)列中均獲得了最高的AUC和F1分?jǐn)?shù)。Hosmer-Lemeshow檢驗(yàn)（P=0.217）同樣證實(shí)了Stacking模型提供了最佳的整體預(yù)測性能，概率校準(zhǔn)曲線如圖3E所示。在基礎(chǔ)學(xué)習(xí)器中，AdaBoost在派生隊(duì)列中表現(xiàn)出最高的AUC，證明了其強(qiáng)大的性能。因此，基于AdaBoost模型繪制了SHAP值（圖3B），揭示了預(yù)測NOAF的最重要的特征。此外，如圖3D所示，在獨(dú)立外部驗(yàn)證中，Stacking模型的AUC值高于現(xiàn)有POAF預(yù)測工具（[POAF評分：0.667，HATCH評分：0.708，CHA2DS2-VASc評分：0.713] vs. 0.931，所有P<0.05），顯示出卓越的預(yù)測性能。

利用Stacking模型，我們開發(fā)了一個(gè)臨床工具（圖1B），該工具可以根據(jù)簡單的數(shù)字輸入自動計(jì)算NOAF風(fēng)險(xiǎn)，為臨床醫(yī)生提供實(shí)時(shí)預(yù)測見解。

本研究成功開發(fā)了一種基于堆疊集成學(xué)習(xí)的AI預(yù)測模型，能夠通過12項(xiàng)術(shù)前特征準(zhǔn)確預(yù)測CABG術(shù)后NOAF風(fēng)險(xiǎn)，其AUC（0.931）顯著優(yōu)于現(xiàn)有臨床預(yù)測模型。通過SHAP值提供可解釋性，并轉(zhuǎn)化為用戶友好的網(wǎng)頁工具。