《Journal of Sport and Health Science》：A machine learning approach predicts improvement of physical exercise capacity based on pulse wave analysis in coronary artery disease patients
编辑推荐：
背景：稳定型冠状动脉疾病（CAD）患者存在不良事件和全因死亡的残余风险。通过心脏康复（CR）期间的体育锻炼训练（ET）增强运动能力是I类A级指南推荐。然而，CR中存在大量ET无反应者（NR）。目的：旨在开发一种机器学习（ML）预测模型，利用基线心肺运动测试（C
背景：稳定型冠状动脉疾病（CAD）患者存在不良事件和全因死亡的残余风险。通过心脏康复（CR）期间的体育锻炼训练（ET）增强运动能力是I类A级指南推荐。然而，CR中存在大量ET无反应者（NR）。目的：旨在开发一种机器学习（ML）预测模型，利用基线心肺运动测试（CPET）和脉搏波分析（PWA）数据早期识别NR。方法：研究对象包括393例心肌梗死和/或经皮冠状动脉介入治疗（PCI）和/或冠状动脉旁路移植术（CABG）后的CAD患者，接受了3-4周的CR；CPET在CR开始和结束时进行。反应者（R）定义为峰值摄氧量（V?O?peak）增加大于典型误差（TE）的患者，其余为NR。仅使用基线数据建模，ML模型包括10种不同监督算法。数据集分为训练集和测试集，采用10折交叉验证。使用递归特征消除（RFE）进行特征选择以降低维度并提高泛化性。在德国和西班牙的2个不同中心对CAD患者数据集（n = 120）进行了独立外部验证。使用模型不可知论SHapley Additive exPlanation（SHAP）方法解释预测结果。结果：数据清洗后，纳入353例患者（20.4%女性），平均年龄55.8 ± 7.1岁，225例（63.7%）被归类为NR。ET参与率相似（R: 93.6% ± 7.5%; NR: 92.6% ± 9.3%; p = 0.76）。对于预测模型，随机森林（Random Forest）分类器提供了最佳的平均平衡准确率77.0%。最具影响力的特征包括呼吸储备/频率、结合脉搏波速度（PWV）的摄氧量、心输出量（CO）和增强时间。值得注意的是，主要诊断和疾病严重程度对模型的影响有限。随机森林模型的外部验证显示准确率为82.8%，在长期结局预测中具有高特异性和中等灵敏度。结论：开发的基于ML的模型能够早期识别ET NR，从而实现个体化的以患者为中心的ET调整以改善CR。
该研究针对冠状动脉疾病（CAD）患者在心脏康复（CR）中对体育锻炼训练（ET）反应的异质性难题展开。现有研究表明，尽管ET能显著降低CAD患者的死亡率，但约有五分之一的患者属于无反应者（NR），且传统线性模型难以捕捉复杂的生理交互作用。为此，研究人员开发了基于机器学习（ML）的预测模型，利用基线心肺运动测试（CPET）和脉搏波分析（PWA）数据，旨在实现早期精准识别。研究最终构建了具有高准确率的预测工具，为个体化康复方案的制定提供了科学依据，相关成果发表在《Journal of Sport and Health Science》上。
在关键技术方法方面，研究人员采用了前瞻性队列研究设计，纳入了德国K?nigsfeld诊所的393例CAD患者数据，并在德国与西班牙的120例患者数据中进行了外部验证。核心技术流程包括：首先，基于典型误差（TE）法定义反应者（R）与无反应者（NR）；其次，应用递归特征消除（RFE）进行降维处理，筛选出15个关键特征；随后，利用Python的scikit-learn库比较了10种监督学习算法（如随机森林、LightGBM等），并采用10次重复的10折分层交叉验证评估模型性能；最后，利用SHapley Additive exPlanation（SHAP）方法对模型预测结果进行生理学解释。
研究结果部分详细阐述了以下发现：
一般观察
数据分析显示，在纳入的353例患者中，63.7%被归类为NR。尽管两组在基线人口统计学特征、临床诊断（如心肌梗死病史、左心室射血分数）及PWA参数上无显著差异，但NR组在完成康复期间的总代谢当量小时（MET-hours）显著低于R组，提示其存在运动耐受力下降而非单纯的依从性问题。
ML模型性能
在对比10种算法的表现后，随机森林（Random Forest）模型在预测V?O?peak改善方面表现最优，平均准确率达77.0%，受试者工作特征曲线下面积（AUC）为0.84。当采用更严格的反应阈值（2倍TE）时，模型性能进一步提升。此外，针对亚极量水平（VT1）的预测分析显示，LightGBM分类器表现最佳，平均准确率为81%。
特征重要性
通过SHAP值分析发现，最具预测价值的特征并非临床诊断和用药史，而是源于心肺运动测试（CPET）和脉搏波分析（PWA）的生理指标。其中，峰值摄氧量时的通气量（V?E@V?O?peak）、呼吸储备（BR@V?O?peak）、脉搏波速度（PWV）、心输出量（CO）以及增强时间是影响模型预测的关键变量。这表明血管力学特性（如动脉僵硬度）和通气效率在预测ET反应中扮演着核心角色。
外部验证
在独立的外部数据集验证中，随机森林模型保持了82.8%的整体准确率。虽然模型在识别真正的NR方面表现出高特异性，但在识别真正的R方面灵敏度表现中等，这提示在临床长期管理中，该模型更适合用于筛选可能需要干预调整的潜在NR人群。
讨论部分总结指出，该研究首次成功地将PWA衍生的血管力学参数与CPET数据结合，利用ML的非线性建模能力突破了传统线性回归的解释力限制（既往模型仅能解释约40%的变异）。特征重要性分析揭示了低通气效率和动脉僵硬度（高PWV）是导致ET无反应的重要生理机制，这为未来的精准干预（如针对呼吸肌或血管功能的预处理）提供了靶点。尽管模型存在对长期Phase III CR灵敏度有限的不足，但其临床价值在于能够在CR初期（Phase II）识别出那些看似正常但可能无法从标准方案中获益的患者。结论重申，该ML模型利用常规可用数据实现了对ET反应的早期预测，有助于临床医生实施基于FITT原则的个体化调整，从而优化心脏康复效果并更有效地分配医疗资源。
