心血管疾病仍是全球主要死亡与致残原因之一。心脏康复（cardiac rehabilitation, CR）作为循证干预，已被证实能够降低心血管患者的死亡与并发症风险、提升功能容量并改善生活质量。但在临床与管理实践中，心脏康复的“真实获益”往往卡在一系列现实问题上：谁会按时来、谁会中途掉队、谁能从门诊CR顺利“毕业”、谁在家居CR坚持不下去——这些都直接影响资源配置效率与患者结局。

2025年，《Journal of Cardiopulmonary Rehabilitation and Prevention》刊发系统综述，集中审视“机器学习（machine learning, ML）预测模型”在心脏康复人群中的研究现状：模型都在预测哪些结局？效果如何？离临床落地还差哪些关键步骤？

研究者检索了 Scopus、PubMed、Web of Science 和 Google Scholar等数据库，检索截止至2024年1月28日，纳入使用机器学习模型预测心脏康复相关结局的研究，并提取模型特征、结局、建模与验证方式以及性能指标等信息。

同时，研究使用IJMEDI与PROBAST工具，对纳入研究的方法学质量与偏倚风险进行评估。最终纳入7项研究、22个机器学习模型。多数研究样本量较小（41–227例），仅1项研究达到2280例。

纳入研究的预测目标较为分散，但高度贴近心脏康复的临床与管理痛点，可大致归为三类：

参与与依从性：如是否有意愿启动CR、是否会坚持、互联网/家居CR的长期依从性等；

功能与身心改善：如6分钟步行距离（6MWD）、血脂等生理指标变化，以及抑郁等心理指标变化；

康复后的去向/转归：如回归工作能力、从CR II期进展到III期的概率等。

建模特征覆盖范围较广，既包括传统临床变量，也纳入心理行为与检查信息：

人体测量与基础信息：如BMI、腰围、人口学特征等；

病史与心血管风险信息：既往史、危险因素、用药等；

心理与行为因素：焦虑、抑郁、动机、自我效能、障碍因素等（多项研究纳入）；

实验室与体能测试：血检指标、体能水平、运动能力等；

部分研究引入检查信息：如心电图（EKG）与经胸超声（TTE）等。

从区分度（discrimination）角度看，多数研究报告的最佳模型表现较好：AUC多在0.82–0.91之间，敏感度约 0.77–0.95，提示模型“能分得开”。

然而，作者在结论中强调：这些模型距离临床实践仍有明显差距，核心原因主要包括：

缺乏校准（calibration）：即模型给出的“绝对风险/概率”是否与真实发生率一致，仍缺少验证；

缺乏外部验证（external validation）：未在不同中心、不同人群中检验泛化能力；

偏倚风险较高：按PROBAST评估，约71%的研究总体偏倚风险较高，问题主要集中在“分析”域。

对临床读者而言，这意味着：AUC高并不等同于可以直接用于个体决策。真正进入临床决策支持，通常还需要清晰阈值下的临床效用评估、可靠的校准，以及跨中心外部验证。

综合综述讨论部分观点，这些方向更贴近真实需求，也更可能先落地：

提高参与率与依从性：早期识别“可能不来/可能掉队”的人群，把随访、宣教、心理支持等资源更精准地投放；

远程/家居CR的动态监测：可穿戴与远程平台产生连续数据，机器学习可能更擅长捕捉复杂非线性变化；

分层管理与个体化干预：综合体能、症状、心理行为与检查结果，为“下一阶段怎么练、怎么管”提供更精细的建议（前提是严格验证）。

作者认为目前研究主要短板集中在：样本量偏小、结局定义异质、方法学与报告不足、缺乏校准与外部验证。为推进落地，未来研究应：

1.建设更大样本、多中心、代表性更强的数据集；

2.对既有模型开展外部验证与校准；

3.在相近任务上进行机器学习与传统统计模型的头对头比较；

规范报告流程（从数据准备、变量处理、缺失值策略、验证方法到部署可行性）。

心脏康复领域的机器学习预测模型已显示出较好的区分能力（AUC可达0.82–0.91），但由于普遍缺少校准与外部验证、且整体偏倚风险较高，目前仍难直接进入临床实践。

参考文献：略

作者：张诗源 编译

来源：Journal of Cardiopulmonary Rehabilitation and Prevention

原文链接：机器学习能否让心脏康复更“精准”？.pdf