心脏再同步化：用数字孪生来选择在冠状静脉窦中把导线放在何处——74例的试点，前瞻性上尚无任何验证

一个来自乌拉尔各大学（俄罗斯）的团队提出了一款用于心脏再同步化治疗的决策支持工具：从一个由影像重建的心脏数字孪生出发，借助电生理仿真与一个可解释分类器，它为冠状静脉窦内每一个可能的左心室导线放置位置，赋予一个对治疗有反应的预测概率。在74例候选者上，该模型胜过一个参考的临床计算器（准确率0.78对0.58；内部验证AUC 0.78）。但验证是回顾性且内部的，队列很小，两个异质数据集被合并，而核心结果——对五名无反应者而言，"换一个导线位置本会产生反应"——仍是一个作者们自己都拒绝作为临床事实来呈现的计算机预测。

关于背景

心脏再同步化治疗（CRT）用于治疗伴左束支传导阻滞的心力衰竭：植入一个起搏器，让两个心室同时激动，以纠正其失同步的收缩。该领域已知的问题是，这一治疗在约30%的患者中失败，往往是因为起搏左心室的那根导线被放在了不好的位置。这根导线经由冠状静脉窦——心脏表面的静脉网络——通行，而外科医生只有有限的可及分支可供选择。

如何在手术前选择最佳分支？迄今提出的策略瞄准左心室最晚激动的区域，回避纤维化（导电不良的瘢痕组织）区域，或最大化植入时测得的某一电延迟。作者指出，没有一种策略在同一个优化中把患者本人的静脉解剖、其纤维化分布图，以及在某个精确点起搏所模拟出的电学效应结合起来。而且没有任何官方指南强制规定位点优化的方法。正是这一空白，本文力图填补。

关于方法

核心是一个数字孪生（digital twin）：患者心脏的一份计算机副本，由其CT（心室与冠状静脉的解剖）以及一次钆延迟增强磁共振（LGE-MRI，用以显示纤维化）构建而成。心室、肺、躯干与冠状静脉窦被手动分割；纤维化被绘制成图，再整合进一个体积网格。在该模型上，电波的传播由一个Eikonal模型——一个计算激动波前在每一点到达时间的方程——来仿真，纤维化区域内传导减慢（系数0.3）。模型通过把仿真出的QRS时限拟合到患者真实的心电图来校准。

在这个孪生上，沿可及静脉的多个候选位点仿真双心室起搏，并提取电生理指标。这些仿真指标与临床变量（射血分数、心室容积、QRS时限）以及几何测量（导线到纤维化的距离、到晚激动区的距离）融合，构成一个"混合"特征集。一个机器学习分类器接收该向量，产出一个0到1之间的评分：该精确位点对CRT有反应的预测概率。部分特征在每个位置上重新计算，从而实现逐位点预测。

队列汇集了来自Almazov国家医学研究中心（圣彼得堡）的74名候选者：55名来自早先工作（无详细静脉解剖）的患者，以及19名带有CT静脉造影和精细纤维化图的新患者。反应由超声心动图定义为一年时射血分数改善超过10%。整组共30名反应者（40.5%）和44名无反应者（59.5%）。流程比较了五种算法；最优者是采用高斯核的支持向量机（SVM），保留11个变量。评估采用留一交叉验证（LOO-CV：用73例训练，在第74例上测试，如此逐一重复），所有预处理步骤都封装在每一折内以避免数据泄漏。一项SHAP分析（为每个变量赋予其对评分的贡献）为每次预测提供解释。

关于结果

在内部验证中，分类器达到AUC 0.78、准确率0.78、敏感性0.80、特异性0.77。AUC（ROC曲线下面积）衡量把一名反应者排在一名无反应者之前的能力：0.78意味着，随机各取一名反应者和一名无反应者，模型把更高的分数赋予正确那一位的情况约为100次中的78次。在同一队列上与参考的临床计算器（Feeny等）相比，模型明显更好：准确率0.78对0.58，F1得分0.75对0.43。一项自助法分析（200次重采样）给出平均AUC 0.85（95%置信区间：0.70–0.95）。据SHAP，最有影响的变量是基线射血分数（越高，改善评分越低）、心衰分级、体质指数，随后是导线到纤维化和到晚激动区的距离。

被着重展示的结果关乎那19名重建了静脉解剖的患者，其中13名实际为无反应者。对其中8名，模型在冠状静脉窦内找不到任何能给出正评分的可及位点：无论放在哪里，常规CRT都注定失败，这将支持采用另一种起搏策略。对其余5名，模型指定了一个它预测会有反应的替代位点。临床转化：目前并没有，作者也如此说。这5名"被重新分类为虚拟阳性"者从未在建议的位点被植入；这是一个计算机预测，而非在患者身上测得的结果。既无在真实人群中假阳性与假阴性的计数，也尚无前瞻性验证来支撑这一承诺。

做得好的地方

一个真实的临床问题，一种终于把预测与解剖联系起来的思路。预测CRT反应是个老话题，但本文做了新的事情：它把预测锚定到外科医生实际可及的静脉中的一个精确位置，而非心室的一个抽象表面。在手术前沿冠状静脉窦绘制反应概率图，回应了从业者真正会问的问题。

一种严肃、且对自身数字诚实的机器学习方法学。数据泄漏被主动规避（预处理在每一折之内进行），超参数优化采用嵌套式，作者还报告置换检验对AUC显著、但对F1得分不显著（p = 0.26）——也就是说在这一样本量下决策阈值是脆弱的，这是一种少见而可贵的坦承。基于SHAP的可解释性并非装饰：它逐个患者地给出评分的解剖学理由。

对适用范围的明确克制。文本本身把这些重新分类称为"计算机（in silico）、未经临床验证"的预测，指出两名被错误分类的反应者并未被任何替代位点纠正，并总结说在任何部署之前都需要前瞻性验证与监管评估。这种克制与健康AI公告惯常的语气形成对比。

做得不够的地方

纯粹的内部验证，基于一个单中心的小队列。一切都依赖来自单一俄罗斯医院的74名患者，采用LOO-CV：没有外部验证，没有前瞻性队列。这是一个未被解决的人群偏倚——我们不知道该模型在另一个中心、另一台扫描仪、另一个人群上是否成立。自助法AUC 0.85比LOO的AUC 0.78更好看，因为它重采样的是同一批数据，而其非常宽的置信区间（0.70–0.95）暴露了样本之小。

核心结果未经检验——它是循环的。分类器在实际植入位点观察到的结局上训练，随后被用于给无人放置导线的假设位点评分。断言另一位置"本会产生反应"，恰恰预设了本应证明之事：移动导线会改变结局。若没有一项真正在建议位点植入的试验，其临床贡献仍是一个猜想——作者承认这一点，但这正是掏空标题承诺的那道界限。

两个异质数据集被合并、单一比较者、一条沉重且不开放的流程。那55名旧患者与19名新患者在容积、QRS与纤维化上差异显著：一种分布偏移，仅靠Quantile Transformer只能缓解而非真正纠正（"不构成正式的域适应"）。唯一的比较者是一个输入变量更少的临床计算器，这让取胜在意料之中。最后，分割是手动的，所需影像（CT静脉造影＋延迟增强磁共振）并非常规，而尽管构件是开源软件（FEniCS、scikit-learn），流程并未公开，数据也仅"应要求"提供。另需注意：第一作者是XSpline S.p.A.的前雇员，此处使用的正是该公司的数字孪生引擎，而这项工作由Russian Science Foundation资助。

它改变了什么

对研究界而言，其贡献清晰：一种把反应预测约束到真实静脉几何的做法，以及一个数字孪生耦合可解释分类器用于术前规划的可行性证明。可信的下一步已经预先划定：外部多中心验证，然后是一项真正在模型指定位点植入并测量反应的试验。没有这一步，这幅图仍只是一张漂亮的图像，缺乏有用性的证据。

对临床医生而言，今天没有什么可供部署：一款研究工具，经内部验证，未获批准，需要处于常规流程之外的影像与仿真。最直接有用的想法或许不是选择一个位点，而是提前识别那些没有任何导线位置能带来获益的患者——那些本应径直转向传导系统起搏的人。对患者与公众而言，其中的分寸与任何规划类AI相同：一个可信的承诺、一套用心的方法，但谈的是一个基于74人的试点，而非一款在手术室里得到验证的工具，而最引人注目的数字（"换个位置本会奏效"）描述的是一次仿真，而非一台成功的手术。

延伸阅读

预印本可在medRxiv（10.64898/2026.07.01.26356827）上获取。关于心脏病学中其他预后模型及其校准，参见我们对缺血性卒中风险预测及其多中心校准的解读；关于一个仅在内部验证的模型的局限，参见对随机森林对比深度学习在急性胰腺炎上的解读；关于由SHAP可解释的评分究竟价值几何，参见对肿瘤学中经SHAP解释的SVM的解读。

编辑透明度：法文版由Tatakoto编辑部在阅读预印本的基础上撰写并署名。英文、西班牙文和中文译本借助AI辅助生成并经审校。