预测直立倾斜试验（head-up tilt test, HUTT）期间的血管迷走性晕厥：三种机器学习方法

《Frontiers in Neuroinformatics》：Predicting vasovagal syncope during head-up tilt test: three machine learning approaches

　　

引言：由于自主神经与心血管反应之间复杂的相互作用，直立倾斜试验（head-up tilt test, HUTT）期间的晕厥预测仍然具有挑战性。本研究探讨了三种计算方法，利用105例有晕厥史、按改良意大利方案接受HUTT患者的连续心电图（electrocardiogram, ECG）和血压记录来预测HUTT结果。逐拍心率和血压信号的分析采用：（1）将梯度提升（gradient boosting）模型应用于心率变异性（heart rate variability, HRV）的频域特征；（2）采用k最近邻（k-nearest neighbors, kNN）回归对变换后的生理信号进行分析建模的方法；（3）增量神经网络模型。结果显示，其中kNN回归方法对晕厥概率的短期预测最为稳定，在晕厥发作前至多300 s的预测中平均绝对误差低于0.13；梯度提升模型取得有前景的分类性能，ROC AUC值最高达0.70，而增量网络结果中等。这些发现表明，对早期生理变化的数据驱动分析能够实现HUTT期间血管迷走性晕厥的短期预测，有助于开发临床风险评估与个体化晕厥管理的预测工具。

该研究发表于《Frontiers in Neuroinformatics》，针对直立倾斜试验（head-up tilt test, HUTT）中血管迷走性晕厥（vasovagal syncope, VVS）预测困难的问题开展研究。目前HUTT是诊断VVS的主要工具，但其耗时较长，且存在一定并发症风险，传统基于聚合心率变异性（HRV）和压反射敏感性（baroreflex sensitivity, BRS）的静态特征难以实现早期可靠预测，临床亟需基于连续生理信号的数据驱动预测方法。研究人员以105例有复发性晕厥史、按改良意大利方案接受HUTT的患者为队列，采集连续心电图（ECG）和逐拍血压信号，提出并比较三种机器学习方法：基于快速傅里叶变换（FFT）频域特征的分类模型（逻辑回归、随机森林、梯度提升）、基于生理标准变换晕厥概率曲线的k最近邻（kNN）回归分析建模、基于短时窗原始信号的增量长短期记忆（LSTM）神经网络分类，旨在实现HUTT结果预测与晕厥发生前的短期概率预报，为临床风险预警提供支持。

关键技术方法方面，研究人员采用105例符合ESC指南的复发性晕厥患者队列（HUTT阳性52例、阴性53例，基线特征无显著差异），排除非窦性心律及频发异位搏动者，按改良意大利四阶段方案（稳定阶段、被动倾斜阶段、激发阶段、终末阶段，被动阶段倾斜65°共30 min，继以舌下200 μg GTN激发15 min）实施HUTT；信号经经验丰富的心脏科医师核查编辑，异位RR区间以前后窦性区间插值替代，ECG取两表现最优导联，血压为连续记录；三种核心技术分别为：①FFT频域变换——对各患者稳定阶段前5 min和被动阶段前10 min的ECG与血压做标准化后提取FFT系数，保留各信号幅值最大的50个频域系数，并计算两阶段系数差，构成300维特征向量，用留一交叉验证评估逻辑回归、随机森林、梯度提升（XGBoost）的二分类性能（ROC AUC、准确率）；②分析建模晕厥概率——按ESC的VVS判别标准构造4个相对生理偏离特征p₁～p₄（收缩压较基线降≥60%或绝对值≤80 mmHg、心率较基线降≥30%或绝对值≤40 bpm的相对值），取最大值作为时刻t的晕厥概率p(t)，采用121 s滑动窗（前120 s输入、第121 s目标），以kNN回归（k=100，欧氏距离）做递归多步预测至未来600 s，留一交叉验证计算不同预见期的平均绝对误差（MAE）与相对均方根误差（RRMSE）；③增量神经网络——用BioSPPy库Hamilton算法从200 Hz原始ECG检R峰得逐拍心率，依HUTT阳性标准启发式标记全局结局，取前5 min数据分200样本（1 s）窗、50%重叠，构成[患者数, 窗数, 200, 3]张量（通道为血压、ECG导联1、ECG导联2），以单层LSTM（100隐单元）+dropout(p=0.5)+全连接(ReLU 100单元)+softmax二分类，Adam优化、分类交叉熵损失、早停（验证准确率），独立划分训练/验证/测试集（各含10阳性+10阴性），窗级均值聚合得患者级结果，重复10次取平均。

研究结果部分，3 Results下各小节结论如下：3.1 Transformation and processing using FFT（基于FFT的变换与处理）：研究通过留一交叉验证评估三种模型在四种特征配置下的二分类性能，结果表明逻辑回归与梯度提升可达到ROC AUC约0.70，其中逻辑回归在“稳定阶段+被动阶段”联合特征下达0.72［0.62,0.83］、加系数差时为0.70［0.59,0.81］，梯度提升在单独稳定阶段或单独被动阶段前10 min均达0.70［0.60,0.81］；随机森林显著差于前两者（所有校正p<0.005），逻辑回归优于梯度提升但不显著（p>0.05）；准确率趋势与ROC AUC一致；说明频域特征尤其稳定阶段FFT系数已蕴含判别信息，联合两阶段略有提升，系数差增益有限可能存在冗余。3.2 Analytical modeling of syncope probability（晕厥概率的分析建模）：研究采用kNN回归滑动窗模型做多步预报，结果显示t+1 s的MAE为0.06，t+30 s为0.09，t+60 s为0.11，t+120 s、t+180 s、t+300 s稳定在约0.13，t+600 s升至0.15，总平均MAE 0.13（归一化概率尺度）；分类准确率随时间（预见期）逐渐高于多数类基线，RRMSE在约400 s后超过1；表明短期（≤300 s）晕厥概率预报误差低、临床可用，长期预报不确定性增大。3.3 Modeling using an incremental neural network（增量神经网络建模）：研究基于前5 min原始信号1 s窗的LSTM模型，验证集窗级平均池化准确率约67%，独立测试集患者级均值聚合为62%（10次平均）；说明仅用HUTT早期原始多通道生理信号的增量神经网络可取得中等性能，但跨患者泛化受限，早期信号判别力不足及全局标签启发式噪声是主要约束。

讨论部分总结：研究人员在Discussion中指出，三种方法中kNN回归对晕厥概率短期预报最稳定（MAE<0.13达前300 s），梯度提升频域模型ROC AUC可达0.70，增量神经网络结果中等。FFT方法里逻辑回归与梯度提升表现相近（~0.70 AUC），随机森林显著更差；稳定阶段FFT单独已具预测力，联合被动阶段略优，系数差增益不大可能因冗余；频域法优于研究人员先前聚合HRV/BRS线性模型，因为全频谱保留了更多信息；该思路与Lee等基于HRV特征的XGBoost（AUC 0.801，提前约3 min）及Ferdowsi等结合KNN插补与SVM（AUC 0.954）各有侧重，本文FFT直接以频域系数为输入保留信号动态。分析建模方面，二分类准确率随时间提高但概率预报RRMSE增大，有效预见期约300–400 s；连续风险建模类似Meyer等基于心率（HR）和脉搏到达时间（PAT）的报警（平均提前99±108 s），也呼应Mereu等RR间隔与收缩压时间导数提前约44 s（敏感度、特异度>86%），以及Ho等早期血压变化模型（准确率79.8%）；本文以ESC标准构造p(t)、滑动窗kNN递归多步预报属动态风险监测，不同于静态分类。增量神经网络部分，早期原始信号LSTM取得中等性能，跨患者泛化下降源于早期信号判别有限、全局标签噪声及短时窗冗余；Myrovali等基于静息HRV与收缩压的MLP达89.7%准确率，但用手工特征而非原始时序建模。最后研究人员指出局限：指标异构不利跨法直接比较，FFT可能有冗余/弱解释性，kNN依赖患者间相似未必适异质人群，神经网络受全局标签噪声与早期信号限制；需统一评估框架、改进标注策略与大样本验证。结论可归纳为：数据驱动的生理信号分析（频域分类、kNN概率预报、原始信号神经网络）能实现HUTT期间VVS的结局预测与短期晕厥概率预报，kNN回归短期MAE<0.13（≤300 s），梯度提升频域ROC AUC达0.70，为临床风险预警与个体化管理提供基础。