基于文档1《Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning》的标题和摘要内容，为您提供以下分析结果： 中文标题： 通过多模态数据整合与几何学习预测先天性心脏病心肺运动试验结局

《Scientific Reports》：Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning

本研究旨在解决先天性心脏病（CHD）患者功能评估与预后预测的难题。研究人员首次结合心电图（ECG）与临床文书信息，利用机器学习方法预测心肺运动试验（CPET）指标（如峰值VO2和VE/VCO2比值）。结果表明，在黎曼空间中整合增强的ECG与临床数据协方差矩阵，其预测性能显著优于传统方法，为CHD患者的风险评估提供了创新工具。

　　

心肺运动试验（Cardiopulmonary Exercise Testing, CPET）是评估心脏与肺部联合功能的一把“金尺”。它通过测量人在运动状态下的耗氧量（VO₂）、二氧化碳排出量（VCO₂）和通气量（VE）等关键生理指标，能够全面、客观地反映个体的运动耐力和心肺储备功能。在多种心血管疾病中，CPET得出的峰值VO₂和VE/VCO₂比值已被证实是强有力的死亡风险预测因子。对于先天性心脏病（Congenital Heart Disease, CHD）这一特殊群体而言，准确评估其长期预后和功能状态至关重要，而CPET指标正是有价值的替代终点。

然而，传统的CPET测试本身需要专门的设备和受试者的配合，并非随时随地可进行。能否利用患者更常规、更易获得的临床数据，来预测这些关键的CPET指标，从而实现对CHD患者风险的便捷、动态评估呢？这正是当前临床实践与研究中一个亟待探索的问题。过往的研究多聚焦于单一类型数据，未能充分挖掘不同来源医疗信息之间的协同价值。为此，一项发表在《Scientific Reports》上的研究迈出了创新的一步，它首次成功地将来自心脏的电信号——心电图（Electrocardiogram, ECG），与记录患者病史和状况的文本——临床文书，通过先进的机器学习技术进行融合，旨在精准预测CHD患者的CPET结局。

为了开展这项研究，研究人员运用了几个关键技术方法。首先，他们使用自然语言处理（NLP）技术从非结构化的临床文书中提取并结构化患者信息。其次，对12导联心电图进行数字化处理，获得可量化的波形数据。研究的核心创新在于，他们利用了从心电图和临床文本数据中衍生出的协方差矩阵所具有的黎曼几何属性，并在此基础上应用协方差增强技术，构建了回归与分类预测模型。研究队列由CHD患者构成。

研究结果

核心方法构建

研究人员建立了一套完整的多模态数据处理与分析流程。该流程始于从临床信件中提取非结构化信息并将其转化为结构化数据库，同时数字化心电图以获得量化波形。通过利用心电图和临床文本数据协方差矩阵的黎曼几何特性，他们开发了预测模型，并进行了广泛的消融实验以验证各模块贡献。

模型性能比较

通过系统的性能对比，研究证明了将心电图信号与临床文档整合的策略，尤其是在黎曼空间中进行协方差增强后，其预测CPET指标（如峰值VO₂）的表现 consistently且显著地优于传统机器学习方法或仅使用单一数据源（仅ECG或仅文本）的模型。这凸显了多模态数据融合的有效性。

消融实验分析

深入的消融研究进一步阐明了模型优越性的来源。实验表明，无论是黎曼几何框架的应用，还是协方差增强技术，都对提升模型预测能力起到了关键作用。移除这些核心组件会导致模型性能下降，从而证实了本研究提出的几何学习与数据增强方法的必要性。

研究的结论与讨论部分强调，这项工作首次实现了通过整合心电图与临床文本来预测先天性心脏病患者心肺运动试验结果的先进机器学习方案。该方法通过挖掘多模态数据在黎曼几何空间中的深层关联，显著提升了预测的准确性与稳健性。其重要意义在于，为CHD患者的无创、动态风险分层与预后评估开辟了一条新的技术途径。利用常规临床检查（心电图）和记录（文书），该方法有望实现对患者功能状态的便捷、低成本监测，辅助临床决策，具有重要的转化医学潜力。这项研究展示了几何学习与多模态数据融合在医疗健康领域的强大应用前景。