AI引导整合衰老相关功能评估以预测心力衰竭患者心脏康复无应答

《The Journal of nutrition, health and aging》：AI-guided integration of aging-related functional assessment to predict nonresponse to cardiac rehabilitation in heart failure

　　

背景：心脏康复（Cardiac Rehabilitation, CR）可改善心力衰竭（Heart Failure, HF）患者的功能容量及临床结局，但存在显著异质性，约30%至45%的患者峰值摄氧量（Peak Oxygen Uptake, VO2peak）提升不足10%，无法获得具有临床意义的获益，限制了标准化康复方案的效能。目的：开发可解释人工智能（Artificial Intelligence, AI）框架，识别HF患者CR无应答的预测因素，支持个体化康复策略，将年龄相关功能衰退作为异质性的关键决定因素。方法：研究人员汇总分析38项评估运动型CR的随机对照试验，共纳入5198例患者，以CR后VO2peak相对增幅<10%定义为无应答，采用极限梯度提升（eXtreme Gradient Boosting, XGBoost）结合沙普利加性解释（SHapley Additive exPlanations, SHAP）方法，表征无应答的年龄相关决定因素。结果：高龄、基线有氧能力较低、代谢合并症、骨骼肌功能受损及不良心理状态与无应答显著相关；整合衰老相关功能及心理社会参数的AI框架可识别无应答表型，主要预测因素包括基线有氧能力不足、代谢合并症、骨骼肌功能减退及不良心理社会因素，呈现年龄调节的康复适应脆弱性。结论：年龄与HF患者CR应答相关且具有结局异质性，AI驱动框架可识别年龄相关无应答表型，支持精准康复策略。

该研究针对心力衰竭（Heart Failure, HF）患者接受心脏康复（Cardiac Rehabilitation, CR）后存在的显著疗效异质性开展。HF全球疾病负担沉重，患病率随年龄增长而上升，生物衰老通过线粒体功能障碍、慢性炎症等机制推动心衰进展。CR是改善患者功能容量与生存质量的核心手段，但在临床实践中约30%至45%的患者被归类为无应答者，即峰值摄氧量（VO₂peak）提升幅度低于10%，且高龄患者的获益衰减更为明显。传统单一指标难以全面捕捉康复适应的多维特征，且缺乏精准的分层工具。为解决这一问题，研究人员提出并验证了一套可解释人工智能（Artificial Intelligence, AI）框架，旨在识别无应答的关键预测因素，解析年龄相关的功能衰退在其中的作用，从而为精准康复提供依据。该研究发表于《The Journal of nutrition, health and aging》。

研究人员采用系统评价与荟萃分析的方法，严格遵循PRISMA指南，检索MEDLINE、EMBASE及CENTRAL数据库中2021年至2025年发表的随机对照试验（Randomized Controlled Trial, RCT），最终纳入38项研究共5198例HF患者。核心技术方法包括：第一，采用二元定义法，以VO₂peak相对增幅是否超过10%界定应答状态；第二，构建基于极限梯度提升（eXtreme Gradient Boosting, XGBoost）的监督学习模型，处理非线性特征交互；第三，引入沙普利加性解释（SHapley Additive exPlanations, SHAP）方法实现模型的可解释性，量化各预测因子的贡献度；第四，设计三步结构化建模流程，整合临床、功能、心理社会等多维特征，并通过超参数优化与交叉验证确保模型稳健性。

研究结果

荟萃分析结果：38项RCT的平均年龄为63至72岁，女性占比30%至40%。运动型CR可使VO₂peak平均提升2.4至3.9 mL·kg^?1·min^?1，但高龄队列的改善幅度显著降低，呈年龄相关梯度。高强度间歇训练（High-Intensity Interval Training, HIIT）总体获益优于中等强度持续训练，但在高龄人群中差异不显著。代谢合并症（糖尿病、肥胖）及较短的康复周期也与低应答率相关。

三步结构化模型：研究人员提出包含特征整合、模型优化与可解释分析的框架。第一步整合九大临床特征，涵盖心功能、运动能力、身体活动动机、焦虑抑郁状态、身体活动与久坐行为、肌力、生活质量、体成分及功能容量；第二步通过分层五折交叉验证与贝叶斯优化进行模型调优；第三步利用SHAP值解析预测机制，实现个体层面的归因解释。

预测因子谱：基线有氧能力低下、代谢合并症负担、骨骼肌功能减退及不良心理社会因素是预测无应答的核心变量。其中心理社会维度（动机、情绪状态）的贡献与传统生理指标相当，凸显了生物-心理-社会综合评估的重要性。

表型聚类分析：基于SHAP值的无监督聚类可识别出不同的无应答表型，包括心源性限制型、外周功能限制型及心理社会约束型。这种分型能够指导差异化干预，例如针对心源性限制型优先优化药物治疗，针对心理社会型强化行为干预与支持治疗。

讨论与结论

讨论部分指出，该研究首次将可解释AI系统性地应用于HF患者CR无应答的表型识别。VO₂peak的异质性反映了中心血流动力学、外周氧摄取及肌肉氧化能力的综合限制，而年龄通过多种机制加剧了这种限制。SHAP解释不仅验证了已知的生理预测因子，还揭示了动机与心理状态的关键作用，解释了既往研究中单纯强化运动强度未能完全消除无应答现象的原因。通过聚类分析定义的表型为精准康复提供了直接靶点，有助于从标准化方案向个体化策略转变。研究人员同时指出研究的局限性，包括回顾性设计的偏倚风险、VO₂peak阈值定义的争议以及SHAP仅能反映相关性而非因果性，未来需在独立前瞻性队列中进行验证。

结论部分表明，该研究所开发的AI框架能够有效整合衰老相关的多维功能评估，识别HF患者CR无应答的关键预测因素。该框架解决了康复反应异质性大的临床难题，明确了年龄作为核心调节变量的作用机制，为实施精准心脏康复提供了兼具高性能与可解释性的决策支持工具，具有重要的临床应用前景。