近年来，心血管疾病（CVD）仍稳居全球死亡率首位，仅2020年就导致超过1900万人死亡。心脏康复（Cardiac Rehabilitation, CR）作为一种循证干预手段，已被广泛证明可以有效降低心血管事件再发率和死亡率，改善患者生理和心理功能，提高生活质量。然而，CR的实际临床执行中，依从性不足、个体差异大、评估指标有限等问题始终存在，严重影响了其最大化疗效的实现。
2025年初，《Journal of Cardiopulmonary Rehabilitation and Prevention》发表了一项由美国阿勒格尼健康网络（Allegheny Health Network）与卡内基梅隆大学联合完成的系统综述——《Machine Learning-Based Prediction Models for Healthcare Outcomes in Patients Participating in Cardiac Rehabilitation》。这项综述首次对应用于心脏康复领域的机器学习（ML）预测模型进行了系统的评价和方法学质量审查，填补了该领域研究体系性的空白。
一、研究背景：为什么需要机器学习？
传统的统计方法如逻辑回归、Cox回归等，在CR研究中已被广泛使用，但其本质强调变量的线性独立性与模型的可解释性，导致预测准确性有限。例如，一项使用峰值摄氧量预测一年内主要心血管不良事件的回归模型，其AUC（曲线下面积）仅为0.66，预测性能中等。而机器学习则具备以下优势：
•非线性建模能力强：可捕捉多变量之间复杂交互关系；
•适配多模态数据：如影像、心电图、文本、可穿戴设备数据等；
•具备“自我学习”能力：模型可通过不断训练优化性能；
•可应用于实时数据流：支持远程CR与动态预测。
尤其在当下可穿戴设备快速发展背景下，ML可高效处理连续监测的生理数据，实现远程康复的个性化反馈与预测。
二、综述方法与纳入研究概况
本项系统综述共纳入了7项研究，涉及22个ML模型，样本量从41例至2280例不等，覆盖意大利、澳大利亚、比利时、马来西亚、智利等国，均为单中心或双中心研究，研究设计以回顾性为主，少量为横断面或混合设计。
所研究的CR阶段主要集中于第二阶段（门诊康复），部分研究延伸至第三阶段（居家康复）。研究对象多为有心肌梗死、冠脉搭桥术或PCI术后史的患者，平均年龄集中在63-68岁之间，女性比例普遍偏低，仅19%-27%。
三、模型构建与临床应用方向
这22个模型在目标设定与方法路径上呈现多样化特点：
1. 预测患者行为倾向
是否会开始参与CR；
是否能完成整个康复周期；
是否能顺利由第二阶段过渡至第三阶段；
康复后能否重返工作岗位。
2. 预测康复干预成效
生理指标：如6分钟步行距离、血脂、最大摄氧量变化；
心理指标：如抑郁评分、焦虑指数的改善程度。
3. 预测远期依从性
研究发现，居家CR计划前6周的依从性可精准预测后续参与风险；
有研究构建模型识别“早期低依从风险人群”，用于指导资源重点投入。
4. 支持个体化方案制定
某些模型可基于患者体格参数、心理状态、社会背景预测最适合的运动强度与行为干预策略。
四、技术与算法特点
研究中采用的变量包括：
•基础信息：BMI、腰围、年龄、性别；
•医疗信息：基础疾病史、心电图、超声心动图、实验室数据；
•心理社会因素：焦虑抑郁量表、自我效能、健康感知；
•体能评估：如6MWT、峰值摄氧量等。
模型构建所使用的算法涵盖：
•传统机器学习：决策树、支持向量机（SVM）、随机森林、LASSO回归；
•集成学习方法：AdaBoost、XGBoost、CatBoost；
•特征降维方法：PCA（主成分分析）、递归特征消除等。
大部分研究使用交叉验证进行内部验证，但全部缺乏外部验证与模型校准，即未在不同人群或实际临床结果中测试其普适性与风险估计准确性。
五、模型表现评价
最佳模型在任务内的AUC介于0.82至0.91，敏感性最高达到0.95，说明其在“区分有/无结果事件”方面具备良好能力。然而：
•无一研究评估模型校准能力（calibration），即模型预测的风险值是否与真实发生概率匹配；
•预测指标多样且标准不一，难以进行Meta分析与直接比较；
•某些研究仅报告准确率（accuracy），但在样本中阳性率不均时，这一指标可能误导。
六、方法学质量与偏倚评估
本研究引入两套评价工具：
•IJMEDI质量评分：平均得分30.8/50，绝大多数为中等质量，仅1项为高质量；
•PROBAST偏倚风险评估：71%的研究整体存在较高偏倚风险，尤其集中在“分析方法”和“模型部署”两个维度。
七、未来研究建议与展望
1. 扩大样本量并建立多中心数据库：当前缺乏类似Framingham、QRISK2那样的“心脏康复专属预测数据库”；
2. 推进模型校准与外部验证：提升模型在临床实践中的可复制性；
3. 推动个体化康复模式优化：如根据模型推荐“混合型康复策略”（中心+居家+远程）；
4. 加强CR研究的多模态数据集建设：推动影像、文本、动态生理信号整合应用；
5. 开展与传统回归模型的“同台竞技”比较研究：验证ML的真实临床增益。
总结
心脏康复作为慢病管理的重要支柱，其个体化路径优化正面临转型期。尽管当前机器学习模型在预测准确性上展现出不俗潜力，但仍需在数据质量、方法学规范、跨人群验证等方面持续进步。未来，随着可穿戴设备普及、远程康复模式发展，机器学习有望成为CR中的“智能大脑”，实现更加精准、动态、以患者为中心的康复服务。
参考文献：略
作者：张诗源编译
来源：《心肺康复与预防杂志》
声明：
1.本网站所有内容，凡是注明 “来源：心脏康复网”的文字、图片和音视频资料，授权转载时须请注明“来源：心脏康复网”。
2.本网所有转载文章系出于学术分享的目的，版权归原作者所有。如有侵权，请及时联系我们更改或删除。
