下载文档原格式
ESC重磅解读丨刘少稳教授：2019ESC室上性心动过速指南解读编者按：8月31日~9月4日，2019欧洲心脏病学学会年会（ESC）与2019世界心脏病学大会（WCC）在“浪漫之都”法国-巴黎盛大召开。
本次会议亮点五大指南已发布于European Heart Journal，本刊特邀上海交通大学附属第一人民医院、上海市第一人民医院刘少稳教授解读《2019 ESC室上性心动过速管理指南》亮点。
今年欧洲心脏病学学会年会发布了《2019 ESC室上性心动过速管理指南》1。
与2003年指南2相比，新指南重点突出导管消融治疗室上性心动过速（室上速，supraventricular tachycardia）的有效性和安全性已得到确立，近期其他几个指南的更新也是如此3，4。
2019 ESC室上性心动过速管理指南1结合过去十六年来的众多临床和基础研究、以及诊疗方法方面的进展，对各种类型室上速的诊断，尤其是治疗方案的选择给出最新推荐，具有很强的临床指导价值。
与2003年指南2相比，今年指南主要有以下更新1：01窄QRS波心动过速的急诊处理，迷走神经刺激无效时首选静推腺苷（Ib推荐），腺苷无效时可静脉使用维拉帕米、地尔硫卓或β-受体阻滞剂（图1）。
维拉帕米和地尔硫卓在窄QRS波心动过速急诊处理中的推荐级别由2003年的I类降为IIa类，而β-受体阻滞剂则由IIb类升为IIa类推荐，新指南中未提及胺碘酮和地高辛在窄QRS波心动过速急诊处理中的应用。
图1. 诊断不明确的窄QRS波心动过速急诊处理流程图02在宽QRS波心动过速的急诊处理时，普鲁卡因胺（由I类降为IIa 类）和胺碘酮（由I类降为IIB类）的推荐级别均下降，而腺苷的推荐级别则由2003年的IIb升为IIa（图2）。
2019年指南中未提及索他洛尔和利多卡因用于宽QRS波心动过速的急诊处理。
图2. 诊断不明确的宽QRS波心动过速急诊处理流程图03不适当窦性心动过速（Inappropriate sinus tachycardia）的治疗，强调对可逆原因进行评估和处理。
会 议 手 册“长征之路”第二届中国肺循环学术年会第一届中法肺循环高峰论坛中国肺栓塞医师俱乐部成立大会2010年3月25日-28日长征之路会议组织成员主办单位 中华医学会心血管病分会承办单位 同济大学医学院法国巴黎十一大学组委会名单大会主席: 胡大一教授 中华医学会心血管病学分会主任委员 胡盛寿教授 中华医学会胸心外科学会主任委员 徐国彤教授 同济大学医学院院长 Gerald Simonneau教授 法国政府医学政策顾问 Marc Humbert教授 法国巴黎十一大学医学院副院长 Lewis Rubin教授 美国加州圣地亚哥医学中心教授学术委员会主席：霍勇教授、葛均波教授、沈卫锋教授学术委员会联合主席：杨跃进教授、吕树铮教授、马长生教授学术委员会：方唯一教授、魏盟教授、何奔教授、方全教授、杨新春教授组织委员会主席：高文教授、王乐民教授组织委员会联合主席： 黄岚教授，荆志成教授、李新立教授、郑杨教授、 潘曙明教授、吴炳祥教授、余再新教授、潘磊教授、 王勇教授中国肺栓塞医师俱乐部主 席: 胡大一教授副主席：王乐民教授、黄岚教授、荆志成教授、潘曙明教授会议主要内容及日程安排2010年3月26日上午 8:10 - 11:35时间 内容 讲者8:10-8:40 欢迎词及介绍裴钢教授 同济大学校长，中科院院士Gerald Simonneau教授 法国巴黎十一大学教授胡大一教授 中华医学会心血管病学分会主席主席：陈灏珠院士 胡大一教授 徐国彤教授 高文教授8:40-9:10 特别荣誉演讲：肺高压的负担——从一个少见疾病发展为一个公共卫生问题 Marc Humbert教授 巴黎十一大学9:10-9:30 肺高压的临床分类更新 Gerald Simonneau教授 法国Clamart9:30-9:50 肺动脉高压的注册登记,流行病学及生存数据 荆志成教授 上海市肺科医院9:50-10:00 自由问答主席：霍勇教授 杨跃进教授 吕树铮教授 方全教授10:05-10:25 肺动脉高压的病理生物学Anh Tuan Dinh-Xuan 巴黎笛卡尔大学教授，欧洲呼吸病杂志主编10:25-10:45 肺动脉高压的病理学分类 Peter Dorfmuller博士 法国Marie Lannelongue医院10:45-11:05 超声心动图评价肺高压及右心衰竭 张运院士 山东齐鲁医院11:05-11:25 先天性心脏病：来自肺高压的挑战 胡盛寿教授 北京阜外医院院长11:25-11:35 自由问答12:00-1:15 勃林格殷格翰卫星会中国肺栓塞医师俱乐部成立大会主席: 胡大一教授 王乐民教授讲者: 荆志成教授 黄岚教授下午 1:30 - 6:00时间 内容 讲者主席: 葛均波教授 沈卫峰教授 邓伟吾教授 陈义汉教授1:30-1:50 肺血管病的影像学 戴汝平教授 北京阜外医院1:50-2:10 肺动脉高压的遗传学 Florent Soubrier教授 法国巴黎2:10-2:30 右心导管及血流动力学评价 蒋鑫博士 上海市肺科医院2:30-2:50 肺高压的生物标记物 Adam Torbicki教授 波兰华沙2:50-3:00 自由问答时间 内容 讲者主席: 吴天一院士 张运院士 朱鲜阳教授 马依彤教授3:05-3:25 肺功能与心肺功能运动试验（CPET） Eli Gabbay教授 澳大利亚3:25-3:55 法舒地尔在肺动脉高压患者急性血流动力学中的作用张锐博士 上海市肺科医院3:55-4:15 结缔组织病相关肺动脉高压 曾小峰教授 北京协和医院4:15-4:35 肺高压的药物治疗 Lewis Rubin教授 美国加州大学圣迭哥医学中心4:35-4:45 自由问答主席: 李新立教授 魏盟教授 方唯一教授4:50-5:10 左心疾病相关肺静脉高压 余再新教授 湖南湘雅医院5:10-5:30 门静脉高压相关性肺高压 Olivier Sitbon教授 法国5:30-5:50 肺静脉闭塞病 Marc Humber教授 法国5:50-6:00 自由问答6:30-8:30 卫星会：爱可泰隆之夜——新的治疗时代,更好的预后主席：荆志成教授 Marc Humbert教授讲者: Lewis Rubin教授 Olivier Sitbon教授2010年3月27日上午 8:10 - 11:35时间 内容 讲者主席: 刘中民教授 陆慰萱教授 徐凯峰教授 潘磊教授8:30-8:50 慢性肺疾病相关肺高压 Eli Gabbay教授 澳大利亚8:50-9:10 高原性肺高压 吴天一院士 青海高原医学研究所9:10-9:30 内皮素受体拮抗剂：历史及研究进展 Chang-Bin Qiu博士 Actelion研究中心9:30-9:50 肺高压患者肺移植治疗 Philip Dartevelle教授 法国Marie Lannelongue医院9:50-10:00 自由问答时间 内容 讲者主席：李为民教授 钱菊英教授 何奔教授 徐亚伟教授10:05-10:25 依洛前列素治疗儿童肺高压 Maurice Beghetti教授 瑞士日内瓦10:25-10:45 伐地那非治疗肺高压 徐希奇博士 上海市肺科医院10:45-11:05 Riociguat: 治疗肺高压的新药 Adam Torbicki教授 波兰华沙11:05-11:35 未来肺高压的新治疗方法 Marc Humbert教授 法国Clamart 11:35-11:45 自由问答12:30-1:15 爱德华卫星会：右心导管技术——心脏病学领域一个古老但是很重要的技术方法主席：陈灏珠院士 荆志成教授 李建平教授 钱菊英教授讲者：陈灏珠院士：右心导管术：心脏病学侵入性检查的起点吕树铮教授: 著名介入心脏病学专家谈右心导管检查蒋鑫博士: 右心导管检查的操作路径和血流动力学概念下午 1:30 - 5:00时间 内容 讲者静脉血栓栓塞症,急性肺栓塞主席：于波教授 陆国平教授 李觉教授1:30-1:55 VTE的流行病学及危险因素 Gerald Simonneau教授 法国Clamart1:55-2:20 肺栓塞中的D-D二聚体及生化标记物Olivier Sanchez 巴黎笛卡尔大学乔治蓬皮杜医院肺栓塞中心2:20-2:45 肺动脉造影 吴炳祥教授 哈尔滨医科大学附属第一医院2:45-2:55 自由问答主席: 王乐民教授 吴炳祥教授 余再新教授 朱明军教授3:00-3:25 肺栓塞的诊断流程 Adam Torbicki教授 波兰华沙3:25-3:50 VTE的抗凝治疗：传统治疗及新型药物治疗Olivier Sanchez 笛卡尔大学乔治蓬皮杜医院肺栓塞中心3:50-4:15 肺栓塞的溶栓治疗 潘曙明教授 上海新华医院4:15-4:40 VTE的预防 Eli Gabbay教授 澳大利亚4:40-5:00 自由问答6:00-8:00 拜耳卫星会主席：讲者：2010年3月28日上午 8:10 - 11:35时间 内容 讲者主席：周新教授 张玉顺教授 潘曙明教授8:30-8:50 CTEPH的危险因素及病理学 Marc Humbert教授 法国Clamart 8:50-9:10 CTEPH的诊断及治疗策略 Gerald Simonneau教授 法国Clamart 9:10-9:30 CTEPH的药物治疗 Lewis Rubin教授 美国加州大学圣迭哥医学中心9:30-9:40 自由问答主席：郑杨教授 姚桦教授 杜志民教授9:50-10:20 TBD TBD 10:20-10:40 急慢性肺栓塞的介入治疗 荆志成教授 上海市肺科医院10:40-11:00 肺栓塞及CTEPH的外科治疗 Philip Dartevelle教授 法国Marie Lannelongue医院11:00-11:10 自由问答主席: 陈延军教授 张承宗教授 沈节艳教授11:10-11:20 病例报道1：PVOD一例 左祥荣博士 江苏省人民医院 11:20-11:30 病例报道2：中枢性低通气综合症相关肺高压 王勇教授 北京世纪坛医院11:30-11:40 病例报道3：法舒地尔在肺高压治疗中的经验杨振文教授 天津医科大学总医院11:40-11:50 病例报道4：急性肺栓塞的导管溶栓经验 伍海安教授 黑龙江省人民医院 会议结束致词徐国彤教授 高文教授 荆志成教授 Marc Humbert教授会议注册及报到指南一， 会务费标准参会标准 会务费 会务费包含服务内容 可选增值服务 可选服务收费高级住宿会员 1500 3晚四星级标准间双人住宿 四星级标准间 600会议期间全部工作餐 单人住宿会议论文集等学术资料全程同声翻译服务（中英文双语）标准住宿会员 1200 3晚三星级标准间双人住宿 三星级标准间 400会议期间全部工作餐 单人住宿会议论文集等学术资料全程同声翻译服务（中英文双语）本市会员 600 会议期间全部工作餐会议论文集等学术资料全程同声翻译服务（中英文双语）二，注册方式1，网络注册：2，邮件注册: 将注册表填写完成后，发送到:longmarch2010@3，传真注册： 填写好附件一的报名表，传真至010-********4，电话注册： 拨打010-********转21，有专人接待电话注册注册信息提交后，我们将在24小时之内审核您的注册信息，确认有空余席位后，将由专人与您联系确认席位，并向您发送注册号。
JACC：肌钙蛋白升高临床实践意义专家共识发布11月12日《美国心脏病学会杂志》（J Am Coll Cardiol）在线发表了“解读肌钙蛋白升高临床实践意义的专家共识”（以下简称“共识”），以指导临床医师何时进行肌钙蛋白检测以及如何解读其结果。
该共识是由美国心脏病学会基金会（ACCF）与其他学会共同发布的。
临床医师首先应了解何时（及为什么）要进行（或不进行）肌钙蛋白检测。
许多情况下会出现肌钙蛋白升高（图），共识为临床医师提供了解读肌钙蛋白检测结果的框架，对临床常见肌钙蛋白应用问题予以解答（表）。
对诊断心肌梗死（心梗）所要求的心肌肌钙蛋白水平，共识参考了新近发布的第3版《心肌梗死全球统一定义》。
共识强调需了解的最重要一点是，肌钙蛋白升高提示可能发生心肌坏死而其自身对病因无提示作用。
医师应尽量明确肌钙蛋白升高的原因，其在许多情况下可提示预后，有时亦可指导治疗。
随着检测手段日趋敏感，了解患者临床情况对决定是否行肌钙蛋白检测变得更加重要，综合考虑实验室检查结果与临床表现对诊断来讲很必要。
■专家观点结合临床解读肌钙蛋白检测结果，须辨清心肌损伤病因(上海交通大学附属胸科医院方唯一李若谷)该共识除对肌钙蛋白检查进行简要分析外，更重要的是，列举了临床中除心肌缺血外能引起肌钙蛋白升高的各类原因。
血清肌钙蛋白水平变化对于诊断心肌坏死和鉴别心肌缺血十分重要，其意义越来越受到各国专家的重视。
2012年8月公布的《心肌梗死全球统一定义》最重要的就是强调血清肌钙蛋白水平的作用，将其作为诊断和鉴别诊断心梗的首要标准。
目前，我国一些基层医院由于条件有限，缺乏有效的检测心肌损伤标志物的方法；同时，由于各临床中心采用的检测技术不同，其检测结果仍可能存在较大差异。
肌钙蛋白的敏感性、准确性及参考值都存在较大不同。
而指南所推荐的高敏肌钙蛋白检测较传统方法敏感度和特异度更高。
因此，我认为如果能在我国各中心普及指南推荐的高敏肌钙蛋白检测方法、统一检测标准，对于快速识别心肌损伤将有重要临床意义，利于ACS的早期诊断和早期治疗，降低病死率，改善远期预后。
心内科知识点笔记总结大全心内科知识点笔记总结大全一、心脏结构和功能1. 心脏的解剖结构：心包、心房、心室、心瓣膜、心动脉、心静脉等。
2. 心脏的工作原理：心房收缩和心室收缩的协调、心瓣膜功能的作用、动脉和静脉的血液输送等。
3. 心脏的电生理：心脏的细胞兴奋传导、心电图的形成、心电图的解读等。
二、心脏病的分类与流行病学1. 心脏病的分类：心脏瓣膜病、冠心病、高血压性心脏病、心肌病、先天性心脏病等。
2. 心脏病的流行病学：心脏病的患病率、死亡率的分布情况、相关因素的影响等。
三、症状与体征1. 心脏病的常见症状：心悸、胸痛、气短、乏力、水肿等。
2. 心脏病的常见体征：心音异常、颈静脉淤血、水肿等。
四、心电图的解读与评估1. 心电图的基本原理：心脏电生理的基础知识、心电图的形成、各波段的代表意义等。
2. 心电图的常见异常：心房颤动、室性心动过速、束支传导阻滞等。
3. 心电图的评估指标：心率、心律、P波、QRS波群等指标的测量和判断。
五、心脏超声与造影检查1. 心脏超声的应用：心脏结构和功能的评估、瓣膜功能的评估等。
2. 心脏造影的应用：血管通畅度的评估、冠状动脉病变的检测等。
六、心血管药物治疗1. 心脏病的药物治疗：抗心律失常药物、降压药物、扩血管药物等。
2. 血脂调节药物的应用：降低血脂、预防冠心病等。
七、心脏疾病的介入治疗1. 冠心病的介入治疗：冠状动脉支架置入、冠状动脉旁路移植术等。
2. 瓣膜病的介入治疗：瓣膜置换、二尖瓣成形术等。
八、心脏病的预防与康复1. 心脏病的预防：健康生活方式的促进、心脏病风险因素的控制等。
2. 心脏病的康复：心肌康复、手术康复等方式。
九、心脏病的并发症1. 心力衰竭的并发症：肺水肿、心源性休克等。
2. 心律失常的并发症：血栓栓塞、猝死等。
十、心脏病的急诊救治1. 心肌梗死的急诊救治：宣导措施、溶栓治疗、急诊介入等。
2. 心力衰竭的急诊处理：利尿剂的应用、心肌营养剂的应用等。
第１３卷㊀第１１期Ｖｏｌ．１３Ｎｏ．１１㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１１月㊀Ｎｏｖ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１１－０１７２－０８中图分类号：ＴＰ３９１文献标志码：Ａ融合随机森林与ＳＨＡＰ的心脏病预测及其特征分析研究程祉元，张博良，蔡雨晨，马雨生，邵泽国，刘巧红（上海健康医学院医疗器械学院，上海２０１３１８）摘㊀要：心脏病是一种常见的心血管疾病，对人类生命健康有极大的威胁，准确预测是否患有心脏病能够帮助心脏病的早发现㊁早治疗，提升心脏病患者的生活质量和寿命㊂本文以克利夫兰心脏病数据集为研究对象，首先对原始数据集进行数据变换㊁标准化处理等工作，将处理后的数据作为随机森林模型的输入进行训练，将预测结果与线性逻辑回归㊁Ｋ－最近邻㊁决策树等多种机器学习模型进行比较，结果表明本文模型在准确率㊁查准率㊁查全率㊁Ｆ１值㊁ＡＵＣ值等５种性能评价指标上均优于对比的模型㊂最后，引入了ＳＨＡＰ模型加强预测模型的可解释性，并进行特征分析识别出影响心脏病的主要因素，为临床决策提供可参考的依据㊂关键词：心脏病；随机森林；预测模型；ＳＨＡＰ；特征分析ＣｏｍｂｉｎａｔｉｏｎｏｆＲａｎｄｏｍＦｏｒｅｓｔａｎｄＳＨＡＰｆｏｒｈｅａｒｔｄｉｓｅａｓｅｐｒｅｄｉｃｔｉｏｎａｎｄｆｅａｔｕｒｅａｎａｌｙｓｉｓｒｅｓｅａｒｃｈＣＨＥＮＧＺｈｉｙｕａｎ，ＺＨＡＮＧＢｏｌｉａｎｇ，ＣＡＩＹｕｃｈｅｎ，ＭＡＹｕｓｈｅｎｇ，ＳＨＡＯＺｅｇｕｏ，ＬＩＵＱｉａｏｈｏｎｇ（ＳｃｈｏｏｌｏｆＭｅｄｉｃａｌＩｎｓｔｒｕｍｅｎｔａｔｉｏｎ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＭｅｄｉｃｉｎｅａｎｄＨｅａｌｔｈＳｃｉｅｎｃｅｓ，Ｓｈａｎｇｈａｉ２０１３１８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｈｅａｒｔｄｉｓｅａｓｅｉｓａｃｏｍｍｏｎｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ，ｗｈｉｃｈｆｕｒｔｈｅｒｐｏｓｅｓｔｈｒｅａｔｓｔｏｈｕｍａｎｈｅａｌｔｈ．Ａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｏｆｈｅａｒｔｄｉｓｅａｓｅｃａｎｆｏｓｔｅｒｔｈｅｅａｒｌｙｄｅｔｅｃｔｉｏｎａｎｄｔｒｅａｔｍｅｎｔｏｆｈｅａｒｔｄｉｓｅａｓｅ，ａｎｄｆｕｒｔｈｅｒｍｏｒｅｉｍｐｒｏｖｅｔｈｅｌｉｆｅｑｕａｌｉｔｙａｎｄｌｏｎｇｅｖｉｔｙｏｆｐａｔｉｅｎｔｓｗｉｔｈｈｅａｒｔｄｉｓｅａｓｅ．ＴｈｉｓｓｔｕｄｙｉｓｂａｓｅｄｏｎｔｈｅＣｌｅｖｅｌａｎｄｈｅａｒｔｄｉｓｅａｓｅｄａｔａｓｅｔ．Ｉｎｔｈｅｒｅｓｅａｒｃｈ，ｏｎｔｈｅｂａｓｉｓｏｆｄａｔａｔｒａｎｓｆｏｒｍａｔｉｏｎａｎｄｎｏｒｍａｌｉｚａｔｉｏｎｏｆｔｈｅｒａｗｄａｔａｓｅｔ，ｔｈｅｐｒｏｃｅｓｓｅｄｄａｔａａｒｅｔｒａｉｎｅｄａｓｔｈｅｉｎｐｕｔｏｆｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌ．ＴｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓａｒｅｃｏｍｐａｒｅｄｗｉｔｈＬＲ，ＫＮＮ，ｄｅｃｉｓｉｏｎｔｒｅｅａｎｄｏｔｈｅｒｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｏｄｅｌｉｓｓｕｐｅｒｉｏｒｔｏｔｈｅｃｏｍｐａｒｉｓｏｎｍｏｄｅｌｉｎｆｉｖｅｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓ，ｓｕｃｈａｓａｃｃｕｒａｃｙ，ｐｒｅｃｉｓｉｏｎ，ｒｅｃａｌｌ，Ｆ１－ｓｃｏｒｅａｎｄＡＵＣ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅＳＨＡＰｍｏｄｅｌｉｓｉｎｔｒｏｄｕｃｅｄｔｏｅｎｈａｎｃｅｔｈｅｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙｏｆｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ，ａｎｄｔｈｅｍａｉｎｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｈｅａｒｔｄｉｓｅａｓｅａｒｅｉｄｅｎｔｉｆｉｅｄｂｙｆｅａｔｕｒｅａｎａｌｙｓｉｓ，ｐｒｏｖｉｄｉｎｇａｒｅｆｅｒｅｎｃｅｂａｓｉｓｆｏｒｃｌｉｎｉｃａｌｄｅｃｉｓｉｏｎｍａｋｉｎｇ．Ｋｅｙｗｏｒｄｓ：ｈｅａｒｔｄｉｓｅａｓｅ；ＲａｎｄｏｍＦｏｒｅｓｔ；ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ；ＳＨＡＰ；ｆｅａｔｕｒｅａｎａｌｙｓｉｓ基金项目：国家自然科学基金（６１８０１２８８）；上海市科委科技创新行动计划项目（２２ＤＺ２３０５３００）；国家社会科学基金（２０ＢＴＱ０７３）㊂作者简介：程祉元（２００１－），女，本科生，主要研究方向：医学大数据分析；张博良（２００２－），男，本科生，主要研究方向：医学大数据分析；蔡雨晨（２００３－），男，本科生，主要研究方向：医学大数据分析；马雨生（２００１－），男，本科生，主要研究方向：医学大数据分析；邵泽国（１９７８－），男，博士，副教授，主要研究方向：人工智能与计算医疗㊂通讯作者：刘巧红（１９７９－），女，博士，副教授，硕士生导师，主要研究方向：医学图像处理㊂Ｅｍａｉｌ：ｈｑｌｌｑｈ＠１６３．ｃｏｍ收稿日期：２０２２－１１－０９０㊀引㊀言人的循环系统包括心脏㊁血管以及调节血液循环的神经体液组织，而循环系统疾病（心血管病）包括了上述所有组织器官的疾病，而心脏病在其中最为多见，也常见于内科疾病，会导致患者的劳动力严重丧失㊂随着生活水平的提高，人们对自己的生活质量，尤其是身体健康有着更高的要求㊂然而，根据‘中国心血管健康与疾病报告２０２０“，心血管疾病约有３．３亿人，包括１３００万脑卒中，１１３９万冠心病，５００万肺源性心脏病，４５３０万下肢动脉疾病以及２．４５亿高血压［１］㊂心血管病给社会带来的经济负担日益加重，已成为重大的公共卫生问题㊂研究可知，心脏病因其多样复杂的发病类型㊁极高的死亡率，成为了医学上多年来想要攻克的难题［２］㊂现阶段心脏疾病的诊断更多依赖于医生对各类检查生成的医学影像的阅片以及患者的生活环境㊁家族病史㊁生理指标等因素的综合诊断㊂最终的诊断结果易受到医生经验和诊断方式等主观因素影响，不同医生的诊断结果常常不一致，甚至出现误诊和漏诊等现象［３］㊂近年来，随着人工智能在医疗领域逐步深入的应用，人们发现利用机器学习算法针对医疗健康数据建立模型，辅助医生对于疾病的诊断，增强评估的客观性，可以大大提高诊断准确率㊂同时，还可降低医生由于自身临床经验不足及疲劳工作而导致的误判风险，提高诊断效率，以及解决现阶段普遍存在的医疗诊断滞后性的问题，做到早发现㊁早干预㊂例如，林志远［２］采用了决策树算法构建了心脏病预测模型，分析了ＩＤ３和ＣＡＲＴ的区别㊂李岭海［４］对比ＳＩＦＴ㊁ＳＵＲＦ㊁ＫＡＺＥ，发现深度学习可以提高分类超声心电图的准确率，对心脏病的分类效果更好㊂石胜源等学者［５］的实验结果表明，随机森林算法在心血管疾病预测中准确率为７３．５５％，具有较大的优势，并且性能优于其他算法，对心血管疾病的预测研究和早期病人的及时有效治疗具有重要意义㊂陈洞天等学者［６］利用Ｘｇｂｏｏｓｔ模型预测心脏病，准确率为７６．５％，且利用了指标分析法对预测模型的进行特征分析㊂Ｋｒｉｔｈｉｇａ等学者［７］利用贝叶斯分类器应用于冠心病的早期预测，取得了不错的效果㊂王健等学者［８］提出了一种基于特征组合和卷积神经网络的方法预测心脏病，准确率为８９．９％，但缺少该预测方法的可解释性，即不能说明该算法的内部预测过程及其是否与临床诊断方法吻合㊂本文基于集成学习随机森林算法，以克利夫兰心脏病数据集作为研究对象，在对其进行数据预处理㊁模型训练㊁超参数优化㊁模型性能分析㊁可解释性等工作的基础上，建立了性能优越的预测模型㊂本文的主要工作体现在以下２个方面：（１）提出使用随机森林模型预测心脏病，并通过网格搜索技术进行参数优化提高模型性能，采用准确率㊁查准率㊁查全率㊁Ｆ１值㊁ＡＵＣ值等５种指标评价预测效果，混淆矩阵㊁ＡＵＣ可视化分析预测效果，与线性逻辑回归㊁Ｋ－最近邻㊁决策树等模型对比，验证了本文模型性能的优越性㊂（２）在保证随机森林模型预测性能的基础上，引入ＳＨＡＰ可解释性模型来增强随机森林模型的可解释性，对影响心脏病的关键因素进行了特征分析，为心脏病的临床诊断和决策提供了可参考的依据㊂１㊀方法及原理１．１㊀随机森林算法随机森林算法的本质是利用集成理论将多个弱分类器（决策树）通过训练之后生成多棵独立分布的决策树并将决策树集成一体，形成强分类器（随机森林）㊂算法有效地解决了单棵决策树存在的不稳定性㊁无法保证全局最优及过度拟合等问题㊂这是Ｂｏｏｔｓｔｒａｐ与决策树算法的结合，方法是先从原始数据集Ｄ中采用Ｂｏｏｔｓｔｒａｐ重采样技术，采用放回式取样抽取一定数量的训练样本集，生成对应数量的决策树；决策树训练过程中，每个节点的特征都是从该决策树数据集特征中按照特定比例地无放回随机抽取新的特征子集［９］；最后，从新特征子集中选出能使信息增益率最大化的特征，并以其为分割点㊂信息增益公式如下：㊀Ｇａｉｎ（Ｄ，ａ）＝Ｅｎｔ（Ｄ）－ðｖｖ＝１｜Ｄｖ｜ＤＥｎｔ（Ｄｖ）（１）其中，Ｇａｉｎ（）表示信息增益；Ｅｎｔ（）表示信息熵；Ｄ表示原始数据集；ａ表示新特征子集中某个特征；ｖ表示使用特征ａ有ｖ个可能的分支节点㊂最终分类结果，由所有独立决策树的结果投票决定，公式如下：Ｈ（ｘ）＝ａｒｇｍａｘＹðｋｉ＝１Ｉ（ｈｉ（ｘ）＝Ｙ）（２）㊀㊀其中，Ｈ（ｘ）表示对样本ｘ的包外预测；ｋ表示弱分类器的迭代次数；ｈ（）表示基学习器；Ｙ表示某个样本特征的标签；Ｉ表示示性函数㊂这种方式保证了输入每棵决策树的训练集的随机性以及每个划分节点的随机性㊂优势在于其能够处理高维度数据集，实现比较简单，训练速度快，还可以将不平衡数据集的误差缩小，并对于存在大量缺失值的数据样本也能较好地处理㊂１．２㊀ＳＨＡＰ模型解释随机森林预测模型虽然可以得到较高的准确率，但其 黑盒 性质决定了对结果的解释力很弱，例如很难解释为什么算法可以准确预测患者是否罹患特定的疾病㊂ＳＨＡＰ（ＳＨａｐｌｅｙＡｄｄｉｔｉｖｅｅｘＰｌａｎａｔｉｏｎ）能够观察到某一个样本的预测中各个特征对预测结果产生的影响，对随机森林模型的单个预测做出解释㊂ＳＨＡＰ模型的原理是给每个单独的预测样本都生成一个预测值，而单个样本中对应其特征分配的数值表现为ＳＨＡＰｖａｌｕｅ㊂假设第ｉ个样本的第ｊ个特征为ｘｉｊ，模型对该样本的预测值为ｙｉ，模型的基线（默认所有样本目标变量的均值为基线）为ｙｂａｓｅ，那么ＳＨＡＰｖａｌｕｅ服从以下公式：ｙｉ＝ｙｂａｓｅ＋ｆ（ｘｉ１）＋ｆ（ｘｉ２）＋ ＋ｆ（ｘｉｍ）（３）３７１第１１期程祉元，等：融合随机森林与ＳＨＡＰ的心脏病预测及其特征分析研究其中，ｆ（ｘｉｊ）表示第ｉ个样本的第ｊ个特征对样本预测值ｙｉ的贡献度㊂当ｆ（ｘｉｊ）＞０，表示该特征使得预测值升高，有积极的影响；反之，则说明该特征使得预测值降低，有消极的影响［６］㊂ＳＨＡＰｖａｌｕｅ的优势在于ＳＨＡＰ能反映出每一个样本中各特征的影响力以及影响力的正负性，并且特征本身在模型内部还有交互作用㊂本文利用ＳＨＡＰ来解释随机森林算法内部是如何预测结果的㊂２㊀分类模型构建２．１㊀模型构建心脏病分类预测模型的设计思路主要包含数据探索，对数据集的统计分布进行可视化展示，观察数据的分布情况；特征工程，完成数据预处理，如数据变换㊁数据标准化等，保证数据的质量；模型构建，构建随机森林的心脏病预测模型；超参数优化，采用网格搜索技术对随机森林算法的超参数进行优化调参，提高模型的预测能力；模型训练，利用十折交叉验证将数据集随机地划分为训练集和测试集进行验证，提高模型的泛化能力；可解释性分析，采用ＳＨＡＰ对模型中的心脏病的影响因素进行解释分析，增强模型的可解释性㊂整个基于随机森林的心脏病风险预测及特征分析模型的构建流程如图１所示㊂泛化能力分析随机森林预测模型风险预测模型模型训练参数优化特征分析模型模型解释分析S H A P 模型数据标准化数据变换数据探索数据图１㊀心脏病风险预测及特征分析模型流程图Ｆｉｇ．１㊀Ｆｌｏｗｃｈａｒｔｏｆｈｅａｒｔｄｉｓｅａｓｅｒｉｓｋｐｒｅｄｉｃｔｉｏｎａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃａｎａｌｙｓｉｓｍｏｄｅｌ２．２㊀数据探索本研究采用ｋａｇｇｌｅ平台提供的数据集，其来源于ＵｎｉｖｅｒｓｉｔｙｏｆＣａｌｉｆｏｒｎｉａ，Ｉｒｖｉｎｅ（ＵＣＩ）机器学习数据库中的ｔｈｅＣｌｅｖｅｌａｎｄｄａｔａｂａｓｅ数据集，此数据库包含７６个属性，但所有已发布的实验都引用并使用其中１４个属性的子集，即克利夫兰心脏病数据集㊂该数据集中一共有３０３个样本，每个样本有１４个特征，其中１３个特征为自变量，描述样本的基本患病信息，最后１个特征 Ｔａｒｇｅｔ 为因变量，表示患者是否患有心脏病，所有的特征及其含义见表１㊂表１㊀克利夫兰心脏病数据集的基本特征Ｔａｂ．１㊀ＢａｓｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅＣｌｅｖｅｌａｎｄｈｅａｒｔｄｉｓｅａｓｅｄａｔａｓｅｔ编号特征属性特征属性含义特征类型１ａｇｅ年龄，１ １００数值型２ｓｅｘ性别，１＝ｍａｌｅ，０＝ｆｅｍａｌｅ分类型３ｃｐ胸痛类型，０＝典型心绞痛，１＝非典型心绞痛，２＝非心绞痛，３＝没有症状分类型４ｔｒｅｓｔｂｐｓ静息血压，９０ ２００数值型５ｃｈｏｌ血清胆固醇，１００ ６００数值型６ｒｅｓｔｅｃｇ静息心电图，０＝正常，１＝患有ＳＴ－Ｔ波异常，２＝根据Ｅｓｔｅｓ的标准显示可能或确定的左心室大分类型７ｆｂｓ空腹血糖，＞１２０ｍｇ／ｄｌ；１＝ｔｒｕｅ，０＝ｆａｌｓｅ分类型８ｔｈａｌａｃｈ达到的最大心率，９０ ２００数值型９ｅｘａｎｇ运动诱发的心绞痛，１＝ｙｅｓ，０＝ｎｏ分类型１０ｏｌｄｐｅａｋ相对于休息的运动引起的ＳＴ值，０ ５数值型１１ｓｌｏｐｅ运动高峰ＳＴ段的坡度，１＝ｕｐｓｌｏｐｉｎｇ㊁向上倾斜，２＝ｆｌａｔ㊁持平，３＝ｄｏｗｎｓｌｏｐｉｎｇ㊁向下倾斜分类型１２ｃａ大血管数量，０ ３数值型１３ｔｈａｌ地中海贫血，１＝正常，２＝固定缺陷，３＝可逆转缺陷分类型１４ｔａｒｇｅｔ生病有无，１＝ｙｅｓ，０＝ｎｏ分类型㊀㊀通过对数据质量的探索和数据特征的分析，观察数据样本和特征的数量㊁数据类型及数据概率分布等信息，用于指导预测模型建立㊂根据对心脏病原始数据的描述性统计分析发现，未患病人群中男性所占比例远超女性，而患病人群中男性占比仍多于女性㊂将年龄对患病情况的影响绘制出的柱状统计分布如图２所示㊂由图２可知，中年患病几率较大㊂４７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀29343537383940414243444546474849505152535455565758596061626364656667686970717476771t a r g e t01t a r g e ta g ea g em i d d l e a g ep u b e re l d e r80706050403020100c o u n t121086420c o u n t 图２㊀根据年龄分析患病情况Ｆｉｇ．２㊀Ａｎａｌｙｓｉｓｏｆｐｒｅｖａｌｅｎｃｅｂｙａｇｅ㊀㊀图３是心脏病数据集中１４个特征的单变量分布密度图，从图３中可以看出每个特征的数据类型及取值分布，其中ａｇｅ㊁ｔｒｅｓｔｂｐｓ㊁ｃｈｏｌ㊁ｔｈａｌａｃｈ和ｏｌｄｐｅａｋ五个特征为连续型特征，ｓｅｘ㊁ｃｐ㊁ｆｂｓ㊁ｒｅｓｔｅｃｇ㊁ｅｘａｎｇ㊁ｓｌｏｐｅ㊁ｃａ㊁ｔｈａｌ和ｔａｒｇｅｔ九个特征为非连续型特征，需要进行数据预处理操作㊂0.050.040.030.020.01020304050607080a g e D e n s i t y0.80.60.40.20-11234C D0.0080.0060.0040.0020100200300400500600c h o l D e n s i t yD e n s i t y-0.500.51.01.52.52.01.51.00.50s e x0.030.020.01080100120140160180200220t r e s t b p s-0.2500.250.500.751.001.25f b s 14121086420D e n s i t yD e n s i t yD e n s i t y1.751.501.251.000.750.500.250-0.500.51.01.52.02.5r e s t e c gD e n s i t y2.52.01.51.00.5-0.500.51.01.5e x a n g D e n s i t y1.501.251.000.750.500.25-0.500.51.01.52.02.5s l o p eD e n s i t y2.01.51.00.50D e n s i t y-1012345c a 1.00.80.60.40.20D e n s i t y0246o l d p e a k0.0200.0150.0100.0050D e n s i t y5075100125150175200225t h a l a c h 2.01.51.00.50D e n s i t y-0.50-0.2500.250.500.751.001.251.50t a r g e t 0123t h a l2.01.51.00.50D e n s i t y图３㊀单变量特征统计分布Ｆｉｇ．３㊀Ｓｔａｔｉｓｔｉｃａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｕｎｉｖａｒｉａｔｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓ２．３㊀特征工程２．３．１㊀特征相关性图４给出了能够反映特征之间关系的热力图，通过热力图来发掘特征之间的关系㊂热力图表示了５７１第１１期程祉元，等：融合随机森林与ＳＨＡＰ的心脏病预测及其特征分析研究２个数据之间的相关性，数值范围是－１到１之间，大于０表示２个数据之间是正相关的，小于０表示２个数据之间是负相关的，等于０就是不相关㊂由图４可知，ｃｐ㊁ｔｈａｌａｃｈ和ｓｌｏｐｅ这３个特征与ｔａｒｇｅｔ之间正相关且系数大，表明其与是否患病的关系较为密切㊂a g e s e x c p t r e s tb p sc h o l f b s r e s t e c g t h a l a c h e x a n g o ld pe a k s l o p e c a t h a l t a r g e ta g es e xc pt r e s t b p sc h o lf b sr e s t e c gt h a l a c he x a n go l d p e a ks l o p ec at h a lt a r g e t1.00.80.60.40.20-0.2-0.4图４㊀各项特征之间的相关性热力图Ｆｉｇ．４㊀Ｔｈｅｒｍｏｄｙｎａｍｉｃｄｉａｇｒａｍｏｆｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｆｅａｔｕｒｅｓ２．３．２㊀非连续型数值转换经过数据探索和特征相关性分析发现，ｃｐ㊁ｔｈａｌ和ｓｌｏｐｅ为不连续的多分类特征，该类型的数据不适合作为分类器输入，因此，首先将ｃｐ㊁ｔｈａｌ和ｓｌｏｐ三个特性转换成独热编码的形式参与模型训练㊂原始特征ｃｐ转换为４个代表不同取值的特征ｃｐ＿０㊁ｃｐ＿１㊁ｃｐ＿２和ｃｐ＿３，原始特征ｔｈａｌ转换为４个代表不同取值的特征ｔｈａｌ＿０㊁ｔｈａｌ＿１㊁ｔｈａｌ＿２和ｔｈａｌ＿３，原始特征ｓｌｏｐｅ转换为３个代表不同取值的特征ｓｌｏｐｅ＿０㊁ｓｌｏｐｅ＿１和ｓｌｏｐｅ＿２，并将原始特征删除㊂经过数据转换处理后的特征维度由原始数据的１４增加到了２２㊂２．３．３㊀数据归一化为了消除数据之间的量纲影响，减小数据集中数据的差异性，对数据进行了归一化处理，将数据统一归一化到［－１，１］之间㊂原始数据经过数据标准化处理后，处于同一数量级，能够有效地提升模型精度和收敛速度㊂２．４㊀参数优化随机森林模型涉及到多个参数选择，参数值的选择影响到模型的性能㊂具体的参数取值见表２㊂对于表２中的６个核心参数，本文采用了网格搜索技术进行调参㊂网格搜索在规定的参数取值范围内逐步调整参数，用调整后的参数对随机森林模型进行训练，使得模型性能最优的参数确定为最佳参数㊂表２㊀随机森林算法参数意义及取值Ｔａｂ．２㊀Ｍｅａｎｉｎｇａｎｄｖａｌｕｅｏｆｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍｐａｒａｍｅｔｅｒｓ编号参数参数意义参数取值范围参数取值１ｍａｘ＿ｆｅａｔｕｒｅｓ构建决策树最优模型的最大特征数１，３，５３２ｍａｘ＿ｌｅａｆ＿ｎｏｄｅｓ最大叶子节点数／１６３ｎ＿ｅｓｔｉｍａｔｏｒｓ对原始数据集进行有放回抽样生成的子数据集个数，即决策树的个数４００，４２０，４４０４２０４ｎ＿ｊｏｂｓ设定工作的ｃｏｒｅ数量－１表示ｃｐｕ里的所有ｃｏｒｅ进行工作／－１５ｏｏｂ＿ｓｃｏｒｅ是否采用袋外样本来评估模型的好坏／Ｔｒｕｅ６ｒａｎｄｏｍ＿ｓｔａｔｅ随机模式的设置，指定随机数生成器的种子／６６６３㊀实验分析３．１㊀模型性能度量为了客观评价该算法的有效性，采用了Ｆ１值㊁准确率㊁查准率㊁查全率和ＡＵＣ值这５种评价指标对模型性能进行度量㊂（１）准确率（Ａｃｃｕｒａｃｙ）㊂表示所有样本中被预测正确的样本的比率㊂可由如下公式计算求值：Ａｃｃｕｒａｃｙ＝ＴＰ＋ＴＮＴＰ＋ＴＮ＋ＦＰ＋ＦＮ（４）㊀㊀（２）查准率（Ｐｒｅｃｉｓｉｏｎ）㊂表示预测样本中预测为真阳性的概率㊂可由如下公式计算求值：Ｐｒｅｃｉｓｉｏｎ＝ＴＰＴＰ＋ＦＰ（５）㊀㊀（３）查全率（Ｒｅｃａｌｌ），真阳性率（ＴｒｕｅＰｏｓｉｔｉｖｅＲａｔｅ，ＴＰＲ），灵敏度（Ｓｅｎｓｉｔｉｖｉｔｙ）㊂表示阳性样本被预测为真阳性的概率㊂可由如下公式计算求值：Ｒｅｃａｌｌ＝ＴＰＴＰ＋ＦＮ（６）㊀㊀（４）Ｆ１值（Ｆ１－ｓｃｏｒｅ）㊂用来衡量二分类模型６７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀精确度的一种指标，可以看作是模型查准率和查全率的一种加权平均㊂该指标同时兼顾了分类模型的查准率和查全率，最大值是１，最小值是０㊂可由如下公式计算求值：Ｆ１－ｓｃｏｒｅ＝２ˑＴＰ２ˑＴＰ＋ＦＮ＋ＦＰ＝２ˑｐｒｅｃｉｓｉｏｎˑｒｅｃａｌｌｐｒｅｃｉｓｉｏｎ＋ｒｅｃａｌｌ（７）其中，真阳性（ＴｒｕｅＰｏｓｉｔｉｖｅ，ＴＰ）表示样本中正确识别的数量；假阳性（ＦａｌｓｅＰｏｓｉｔｉｖｅ，ＦＰ）表示样本中错误识别的数量；真阴性（ＴｒｕｅＮｅｇａｔｉｖｅ，ＴＮ）表示正确识别为错误的样本数；假阴性（ＦａｌｓｅＮｅｇａｔｉｖｅ，ＦＮ）表示错误识别为正确的样本数㊂除了上述指标之外，还使用了ＲＯＣ曲线和ＡＵＣ值㊂３．２㊀模型性能评估３．２．１㊀模型对比为验证本文的随机森林模型的有效性，与逻辑回归㊁Ｋ－最近邻㊁决策树等常用模型进行比较分析㊂为了提高模型之间对比的公平性及可靠性，实验中采用了十折交叉验证方法进行性能评估㊂各种模型在准确率㊁查准率㊁查全率㊁Ｆ１值和ＡＵＣ值这５项指标上的对比结果见表３，各种模型的ＲＯＣ曲线对比如图５所示㊂从表３和图５的实验结果可以看出，本文的集成学习模型随机森林的预测准确率为８６％，查准率为８５％，查全率为８３％，Ｆ１值为８４％，ＡＵＣ值为０．８９，均高于其它对比的方法㊂随机森林模型的ＲＯＣ曲线（红色）下方面积比逻辑回归模型㊁Ｋ－最近邻模型㊁决策树模型的面积大，由ＲＯＣ曲线的性质可知，曲线下方面积（ＡＵＣ）越大㊁准确率越高，体现了本文模型的优越性㊂表３㊀不同分类模型对阳性样本的预测能力Ｔａｂ．３㊀Ｔｈｅｐｒｅｄｉｃｔｉｖｅａｂｉｌｉｔｙｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｅｌｓｆｏｒｐｏｓｉｔｉｖｅｓａｍｐｌｅｓ模型准确率查准率查全率Ｆ１值ＡＵＣ值逻辑回归０．８００．８００．８００．８００．８９Ｋ－最近邻０．８２０．８３０．８３０．８３０．８６决策树０．７２０．７３０．７３０．７２０．７９随机森林０．８６０．８５０．８３０．８４０．８９㊀㊀各种模型的训练时间和测试时间的对比见表４㊂随机森林模型作为一种集成学习算法，模型复杂度本身高于其它几种对比的方法，同时采用网格搜索技术的参数优化较为耗时，因此在训练时间上相对较长㊂图６还给出了本文模型的混淆矩阵，可以看出预测结果中，测试集中非心脏病被预测为非心脏病有２７例，心脏病被预测为心脏病有３６例，非心脏病被预测为心脏病有８例，心脏病被预测为非心脏病有５例㊂显而易见的是，随机森林模型的真阳性和真阴性数量高，而假阳性和假阴性的值较低，因此，本文提出的模型有较好的分类性能㊂K N NL o g_R e gd t_C l fR F_C l f00.20.40.60.81.0F P r a t e1.00.80.60.40.2TPrate图５㊀四种模型的ＲＯＣ曲线Ｆｉｇ．５㊀ＲＯＣｃｕｒｖｅｓｆｏｒｔｈｅｆｏｕｒｍｏｄｅｌｓ表４㊀各模型时间性能比较Ｔａｂ．４㊀Ｃｏｍｐａｒｉｓｏｎｏｆｔｉｍｅｐｅｒｆｏｒｍａｎｃｅｏｆｅａｃｈｍｏｄｅｌ模型Ｔｒａｉｎ平均用时／ｓＴｅｓｔ平均用时／ｓ逻辑回归３．２６０．００Ｋ－最近邻２．９１０．０２决策树２．６９０．００随机森林９．８９０．０３36302418126预测值0/1C o n f u s i o n m a t r i x-R a n d o m F o r e s t1实际值/101图６㊀随机森林的混淆矩阵Ｆｉｇ．６㊀Ｃｏｎｆｕｓｉｏｎｍａｔｒｉｘｏｆｒａｎｄｏｍｆｏｒｅｓｔｓ３．２．２㊀相关研究对比为了进一步验证本文模型的优越性，与文献［８］㊁文献［１０］㊁文献［１１］和文献［１２］等相关工作进行了对比实验㊂所有文献都针对克利夫兰心脏病数据集进行研究，文献［８］首先采用特征组合增强样本的属性关联，再利用卷积神经网络模型进行训练，在准确率上获得了高达９０％的预测精度㊂文献［１０］与本文模型相似，但其样本量在克利夫兰心脏病数据集的基础上增加到５７３个，且在网络搜索优化参数上仅优化了ｎ＿ｅｓｔｉｍａｔｏｒｓ㊁ｍａｘ＿ｄｅｐｔｈ㊁ｍａｘ－７７１第１１期程祉元，等：融合随机森林与ＳＨＡＰ的心脏病预测及其特征分析研究Ｌｅａｆ＿ｎｏｄｅｓ三个参数㊂文献［１１］使用未优化的随机森林模型训练获得了８５％的准确度㊂文献［１２］基于聚类和ＸＧＢｏｏｓｔ算法进行预测分析，准确率达到８３％㊂不同方法的准确率比较见表５㊂从表５可以看出，本文模型的预测结果优于文献［１０］㊁［１１］和［１２］，但略低于文献［８］㊂然而本文与其它文献的最大区别之处在于，本文在模型训练后，引入了ＳＨＡＰ可解释性模型，对模型进行可解释增强，识别出临床实际中影响心脏病的主要因素，为临床上的诊断和决策提供了有利的参考㊂表５㊀不同方法的准确率比较Ｔａｂ．５㊀Ｃｏｍｐａｒｉｓｏｎｏｆａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓ文献方法准确率［８］特征组合＋卷积神经网络０．９０［１０］随机森林＋网格搜索０．８３［１１］随机森林０．８５［１２］聚类＋ＸＧｂｏｏｓｔ０．８３本文随机森林＋网格搜索＋ＳＨＡＰ０．８６３．３㊀基于ＳＨＡＰ的模型可解释性分析图７是随机森林模型的特征重要性排序图㊂图７中，纵坐标是从上到下按照特征重要性排序的各个特征，横坐标是平均ＳＨＡＰ值㊂图７中显示特征重要性排序前六的特征分别是ｔｈａｌ＿２（固定缺陷型地中海贫血症）㊁ｃｐ＿０（典型心绞痛）㊁ｃａ（大血管数量）㊁ｔｈａｌ＿３（可逆转缺陷型地中海贫血症）㊁ｏｌｄｐｅａｋ（运动高峰的心电图ＳＴ段）㊁ｔｈａｌａｃｈ（最大心率），可见这６个因素是影响是否患有心脏病的最关键因素㊂00.010.020.030.040.050.060.07m e a n (｜S H A P v a l u e ｜)(a v e r a g e i m p a c t o n m o d e l o u t p u t m a g n i t u d e )t h a l _2c p _0c a t h a l _3o l d p e a k t h a l a c h e x a n g s l o p e _2c p _2s l o p e _1图７㊀基于ＳＨＡＰｖａｌｕｅ的特征重要性排序Ｆｉｇ．７㊀ＳｏｒｔｓｂｙｆｅａｔｕｒｅｓｉｍｐｏｒｔａｎｃｅｂａｓｅｄｏｎＳＨＡＰｖａｌｕｅ㊀㊀图８显示了ＳＨＡＰ摘要图，该图对影响心脏病患病的因素重要性进行了排序㊂图８中的一个点表示一个样本，样本点的颜色从蓝色到红色表示样本特征值从小到大，纵坐标的各特征标签不仅显示了特征重要性排序，还显示了各个特征值与ＳＨＡＰ值的关系与分布㊂图８中绘制了重要性排序前１０的特征对预测结果的影响，其中ｔｈａｌ＿２（固定缺陷型地中海贫血症）㊁ｔｈａｌａｃｈ（最大心率）对预测结果有正向贡献，ｃｐ＿０（典型心绞痛）㊁ｃａ（大血管数量）㊁ｔｈａｌ＿３（可逆转缺陷型地中海贫血症）㊁ｏｌｄｐｅａｋ（运动高峰的心电图ＳＴ段）对模型预测为心脏病的输出结果有负向贡献㊂t h a l _2c p _0c at h a l _3o l d p e a k t h a l a c h e x a n g s l o p e _2c p _2s l o p e _1-0.10-0.050.050.10S H A P v a l u e (i m p a c t o n m o d e l o u t p u t )H i g hL o wF e a t u r e v a l u e 图８㊀ＳＨＡＰ特征分析Ｆｉｇ．８㊀ＳＨＡＰｆｅａｔｕｒｅａｎａｌｙｓｉｓ４㊀讨论与分析临床上，诊断心脏病的常规检查主要有常规心电图（ＥＣＧ）与动态心电图（ＤＣＧ），心电图异常可提示心肌梗死㊁心肌缺血㊁心肌炎㊁心室肥厚等病症㊂相关研究对于各类心脏疾病的诊断有如下常见的标准：（１）心电图ＳＴ段趋势的改变可以作为重要参考依据，指标过高可能是冠心病，指标过低则有可能是心肌缺血等病症，还用以诊断确定心室是否肥大［１３－１５］㊂（２）心肌缺血在ＥＣＧ的诊断标准为在同一导联上，Ｔ波小于Ｒ波的十分之一，同时，ＳＴ段水平下移０．０５ｍＶ及以上；在ＤＣＧ的诊断标准为与等电位线比较，ＳＴ段下斜或压低０．１ｍＶ及以上并持续下移大于１ｍｉｎ［１６］㊂（３）冠心病㊁肥厚型心肌病常伴有心绞痛等症状，分为典型心绞痛和非典型心绞痛，主要的病因为心肌缺血㊂（４）荧光显色主要血管数目越少（数目与血糖㊁胆固醇相关）证明血液流动越通畅，血管腔狭窄会使患冠心病的风险大大增加［１７－１８］㊂临床常选择冠脉造影这种有创性检查，作为判断动脉狭窄程度的 金标准 ㊂８７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀（５）地中海贫血症是先天性贫血症影响红细胞的寿命，易导致红细胞数量不足，使得体内铁超载，从而加重心脏负担，长期的慢性贫血会诱发心绞痛，会造成心力衰竭［１９－２０］㊂本文通过对原始数据集的预处理，构造了一个包括２２个影响心脏病患病可能的特征，并将这些特征作为随机森林模型的输入，结合网格搜索技术的调优和十折交叉验证的模型训练，取得了高达８６％的准确率㊂进一步利用ＳＨＡＰ模型对所有特征进行了事后解释分析，通过特征分析发现ｔｈａｌ（地中海贫血类型）㊁ｃａ（主要血管数目）㊁ｃｐ（心绞痛）㊁ｏｌｄｐｅａｋ（心电图ＳＴ段趋势的改变）㊁ｔｈａｌａｃｈ（最大心率）㊁ｅｘａｎｇ（心绞痛型胸痛）等指标都是影响心脏病患病的重要因素㊂对于地中海贫血，综合观察ｔｈａｌ＿２㊁ｔｈａｌ＿３，可以看出固定缺陷型地中海贫血与心脏病风险显著正相关，即会明显增加风险；而可逆转缺陷型对风险的增加不明显㊂对于心绞痛，综合观察ｃｐ＿０㊁ｃｐ＿２以及ｅｘａｎｇ，可以看出心绞痛㊁无论典型心绞痛还是非典型心绞痛，亦或是运动诱发的心绞痛对风险的增加不明显；而非心绞痛型的胸痛与心脏病风险呈正相关，会明显增加风险；究竟哪些非心绞痛型的胸痛明显增加心脏病风险还需进一步探讨㊂从ｃａ指标可以观察到，大血管数量越少，心脏病风险系数越高；同样，ｏｌｄｐｅａｋ值（即相对于休息的运动引起的ＳＴ值）越低，心脏病风险系数越高㊂从ｔｈａｌａｃｈ指标可以很明显地看到最大心率值越大，心脏病风险系数越高㊂综合观察ｓｌｏｐｅ＿１㊁ｓｌｏｐｅ＿２，可见运动高峰ＳＴ段的坡度持平与心脏病风险成正相关，ＳＴ段的坡度向上倾斜与心脏病风险成负相关，这与心电图运动试验阳性诊断标准条件之一 运动中或运动后ＳＴ段程水平或下斜型压低ȡ０．１０ｍＶ 相吻合㊂５ 结束语本文基于集成学习的随机森林算法构建了心脏病预测模型，同时引入了ＳＨＡＰ对预测模型做进一步增强解释㊂首先针对Ｋａｇｇｌｅ平台提供的心脏病数据集进行数据变换㊁标准化等预处理后，采用网格搜索技术对模型的参数进行优化，并对处理后的数据集进行十折交叉验证训练模型；然后，采用查准率㊁查全率㊁Ｆ１值㊁混淆矩阵㊁ＡＵＣ值等指标对模型进行评估，与逻辑回归㊁Ｋ－最近邻㊁决策树等机器学习模型的结果进行对比，验证了随机森林具有较强的泛化能力㊁更好的分类效果；最后，还引入ＳＨＡＰ模型对随机森林模型做进一步解释，识别出影响心脏病患病的主要因素，并解释这些特征与临床诊断的关系㊂模型增加了可解释说明，从而提高了模型的分类识别效率，为临床决策服务，具有重要的实用价值㊂参考文献［１］国家心血管病中心．‘中国心血管健康与疾病报告２０２０“概述［Ｊ］．中国心血管病研究，２０２１，１９（７）：５８２－５９０．［２］林志远．基于决策树算法的心脏病预测研究［Ｊ］．电子制作，２０１９，３７０（６）：２５－２７．［３］赵梦蝶，孙九爱．机器学习在心血管疾病诊断中的研究进展［Ｊ］．北京生物医学工程，２０２０，３９（２）：２０８－２１４．［４］李岭海．基于深度学习的心脏病检测的研究［Ｊ］．现代计算机（专业版），２０１７（９）：９１－９３，１１０．［５］石胜源，朱磊，叶琳，等．基于随机森林算法的心血管疾病预测研究［Ｊ］．智能计算机与应用，２０２１，１１（４）：１７６－１７８，１８１．［６］陈洞天，单杰，周文丹．基于Ｘｇｂｏｏｓｔ的心血管疾病预测模型和指标分析研究［Ｊ］．现代医院，２０２１，２１（６）：９５８－９６１．［７］ＫＲＩＴＨＩＧＡＢ，ＳＡＢＡＲＩＰ，ＪＡＹＡＳＲＩＩ，ｅｔａｌ．ＥａｒｌｙｄｅｔｅｃｔｉｏｎｏｆＣｏｒｏｎａｒｙＨｅａｒｔＤｉｓｅａｓｅｂｙｕｓｉｎｇＮａｉｖｅＢａｙｅｓＡｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃｓＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ，２０２１，１７１７（１）：０１２０４０．［８］王健，李孝虔．一种基于特征组合和卷积神经网络的心脏病预测新方法［Ｊ］．黑龙江大学自然科学学报，２０１９，３６（１）：１１５－１２０．［９］ＡＳＡＤＩＳ，ＲＯＳＨＡＮＳＥ，ＫＡＴＴＡＮＭＷ．Ｒａｎｄｏｍｆｏｒｅｓｔｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ－ｂａｓｅｄｆｏｒｈｅａｒｔｄｉｓｅａｓｅｓｄｉａｇｎｏｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＩｎｆｏｒｍａｔｉｃｓ，２０２１，１１５：１０３６９０．［１０］赵金超，李仪，王冬，等．基于优化的随机森林心脏病预测算法［Ｊ］．青岛科技大学学报（自然科学版），２０２１，４２（２）：１１２－１１８．［１１］孙铁铮，于泽灏．基于机器学习的心脏病例分类预测研究［Ｊ］．电脑知识与技术，２０２１，１７（２６）：９６－９７＋１０４．［１２］刘宇，乔木．基于聚类和ＸＧｂｏｏｓｔ算法的心脏病预测［Ｊ］．计算机系统应用，２０１９，２８（１）：２２８－２３２．［１３］ＶＯＧＥＬＢ，ＣＬＡＥＳＳＥＮＢＥ，ＡＲＮＯＬＤＳＶ，ｅｔａｌ．ＳＴ－ｓｅｇｍｅｎｔｅｌｅｖａｔｉｏｎｍｙｏｃａｒｄｉａｌｉｎｆａｒｃｔｉｏｎ［Ｊ］．ＮａｔｕｒｅＲｅｖｉｅｗｓＤｉｓｅａｓｅＰｒｉｍｅｒｓ，２０１９，５（１）：３９．［１４］刘燕．心电图检查结合临床特征在冠心病心绞痛诊断中的应用价值分析［Ｊ］．中国实用医药，２０２１，１６（２）：１６－１８．［１５］臧传欣．动态心电图对冠心病诊断价值的研究进展［Ｊ］．中国医疗器械信息，２０２１，２７（１４）：２７－２８，１２２．［１６］肖蕾，孙晓臣，罗溶．动态心电图在冠心病心肌缺血与心律失常诊断中的价值分析［Ｊ］．解放军医药杂志，２０２２，３４（０１）：６１－６４．［１７］北京高血压防治协会，北京糖尿病防治协会，北京慢性病防治与健康教育研究会，等．基层心血管病综合管理实践指南２０２０［Ｊ］．中国医学前沿杂志（电子版），２０２０，１２（０８）：１－７３．［１８］张博，潘晓芳，隋春兴，等．运动负荷超声心动图诊断冠状动脉严重病变假阴性结果的影响因素分析［Ｊ］．中国循环杂志，２０２１，３６（０８）：７５６－７６１．［１９］ＳＡＬＡＭＡＫ，ＡＢＤＥＬＳＡＬＡＭＡ，ＥＬＤＩＮＨＳ，ｅｔａｌ．ＩｒｏｎｏｖｅｒｌｏａｄｐａｒａｍｅｔｅｒｓａｎｄｅａｒｌｙｄｅｔｅｃｔｉｏｎｏｆｃａｒｄｉａｃｄｉｓｅａｓｅａｍｏｎｇＥｇｙｐｔｉａｎｃｈｉｌｄｒｅｎａｎｄｙｏｕｎｇａｄｕｌｔｓｗｉｔｈβ－ｔｈａｌａｓｓａｅｍｉａｍａｊｏｒａｎｄｓｉｃｋｌｅｃｅｌｌｄｉｓｅａｓｅ：ａｃｒｏｓｓ－ｓｅｃｔｉｏｎａｌｓｔｕｄｙ［Ｊ］．Ｆ１０００Ｒｅｓｅａｒｃｈ，２０２０，９：１１０８．［２０］ＰＥＰＥＡ，ＰＩＳＴＯＩＡＬ，ＧＩＵＮＴＡＮ，ｅｔａｌ．Ｔｈｅｓｔｒｏｎｇｌｉｎｋｂｅｔｗｅｅｎｐａｎｃｒｅａｓａｎｄｈｅａｒｔｉｎｔｈａｌａｓｓｅｍｉａｍａｊｏｒ［Ｊ］．ＥｕｒｏｐｅａｎＨｅａｒｔＪｏｕｒｎａｌ，２０１８，３９（ｓｕｐｐｌ＿１）：Ｐ３７０６．９７１第１１期程祉元，等：融合随机森林与ＳＨＡＰ的心脏病预测及其特征分析研究。
稳定性冠心病心脏康复药物处方管理专家共识解读据中国心血管病报告，随着社会经济的发展，国民生活方式发生了巨大的变化，加上人口老年化及城镇化加速，目前心血管病发病呈持续上升趋势，而且心血管疾病占居民疾病死亡构成的40％以上，为我国居民的首要死因，冠心病为我国目前心血管疾病的首要病因。
冠心病为进展性疾病，具有慢性迁延、复发等特点，虽然目前冠心病介入技术非常成熟，急性期患者病死率得到有效控制，但是出院后临床随访终点不尽如意，6月内死亡、卒中、再住院率高达25％，4年累积病死率达22.6％，其中一半病因为再发心肌梗死。
眼下，我们必须思考如何解决我们所面临的困境，心脏康复可以认为是一个有效的解决手段。
WHO对心脏康复的定义：确保心脏病患者获得最佳的体力、精神、社会功能的所有方法的总和,以便患者通过自己的努力在社会上尽可能恢复正常的功能,过一种主动的生活。
心脏康复的内容包括药物治疗、医学评估、运动训练、心理和营养咨询、教育及危险因素控制等方面的综合医疗。
为了便于我国心脏康复的宣传及实施落地，我国心脏康复的领军人物-胡大一教授提出心脏康复的五大处方（药物处方、运动处方、心理处方、营养处方、戒烟处方）。
药物处方目标是实现有效的药物治疗，有效的药物治疗是冠心病实施心脏康复的基础，包括规范有效的药物选择、优化的药物剂量、评价药物的效果、主动管理药物的相互作用及不良反应、提高患者用药的依从性、临床药师的参与等。
通过药物处方的管理，不仅实现有效的药物治疗，而且体现医疗服务的内涵。
因此中国康复医学会心血管病专业委员会组织有关心血管病预防与康复专家撰写了《稳定性冠心病心脏康复药物处方管理专家共识》，《稳定性冠心病心脏康复药物处方管理专家共识》主要介绍冠心病药物处方管理所应注意的问题，而不是具体介绍冠心病药物的具体用法。
《稳定性冠心病心脏康复药物处方管理专家共识》，以下简称《共识》，主要讲述了稳定性冠心病心脏康复药物处方管理应注意的七大问题:1、遵循指南规范选择冠心病药物冠心病的治疗药物包括两大类：改善预后的药物与改善症状的药物，改善预后的药物有：抗血小板药物（阿司匹林、氯吡格雷）、他汀类调脂药、ACEI或ARB、β受体阻滞剂。
何方田老师起搏心电图讲座之六解读双腔起搏器的计时周期、起搏模式及基本功能基础起搏心电图解读系列讲座（6）:解读双腔起搏器的计时周期、起搏模式及基本功能浙江大学医学院附属邵逸夫医院心电图室何方田[摘要] 本文结合13个图例详细地阐述了双腔起搏器的不应期、计时周期、起搏模式、基本功能等相关内容。
[关键词] 双腔起搏器；计时周期；起搏模式；频回退率双腔起搏器为心房和心室顺序起搏、心房和心室双腔感知、感知P 波或（和）R波抑制或触发型仿生理性全自动型起搏器。
它能根据心脏自身频率和起搏器下限频率的快慢、房室结下传的P-R间期和人工设置的A-V间期的长短，可自动转换为ODI、AAI、DVI、DDI、VAT、VVI及DDD等起搏模式。
无论其起搏模式如何变化，它始终保持良好的房室收缩同步性（转换为VVI模式时除外），维持最佳的血流动力学之效应。
一、双腔起搏器的各种不应期和计时周期为了调节自身心电活动和人工起搏器之间的相互作用，调控起搏器的各种功能，特地设计了各种不应期和计时周期（图1），其中心房通道包括心房不应期、心房感知期、A-V（P-V）间期及心室后心房不应期，而心室通道则包括心室不应期、心室空白期及交叉感知窗、心室感知期、上限及低限频率间期、频率应答性A-V间期、非生理性A-V间期（心室安全起搏）等。
（一）双腔起搏器的各种不应期和计时周期模式图图1 双腔起搏器的各种不应期、计时周期及起搏模式第1个QRS波群为DDD起搏模式、第2个QRS波群为AAI起搏模式、第3个QRS波群为VAT起搏模式、第4个QRS波群为ODI 起搏模式、第5个QRS波群为室性早搏，其后PVARP自动地延长。
（二）双腔起搏器的各种不应期和计时周期基本概念和通常设定的数值1、心房不应期（ARP）心房不应期是指在发放一次起搏脉冲后或感知一次自身P波后的一段时间内，起搏器关闭心房感知电路不感知心房任何心电信号，这段时间称为心房不应期，通常为300～500ms，它包含了A-V间期和心室后心房不应期，主要是为了防止感知起搏器脉冲本身的后电位、自身QRS-T波群及起搏器介导性心动过速。
55快乐养生 2014.07进入夏季，受到环境、饮食习惯、生活作息等诸多因素的影响，患有心血管疾病者很容易引发心绞痛乃至心梗的发作。
上海远大心胸医院心血管内科主任医师倪幼方表示，心血管疾病患者在炎热的夏季应特别注意保护心脏，及时给心脏“消暑”。
心血管对气温变化敏感心血管疾病是慢性疾病，倪幼方介绍，不少患者觉得冬季才是心血管疾病的高发季节，但实际上夏季气温不断攀升，也是心脏疾病高发的时段，不可掉以轻心。
中老年人的心血管对气温的变化最为敏感，而且高血压、血脂异常、高血糖等都是引发心脑血管疾病的高危因素，夏季受到环境、饮食习惯、生活作息等诸多因素的影响，这些危险因素很容易引发心绞痛乃至心梗的发作。
补水及时可防病身体缺水对心血管疾病患者非常危险，因此不要等渴了才喝水。
建议每日喝水不少于1500毫升，最好在睡前半小时、半夜醒来及清晨起床后都喝一些凉开水。
如有条件可以常喝绿豆汤、莲子汤、百合汤、菊花茶、荷叶茶等，既可炎热季，给心脏『消消暑』⊙李劼补充水分，又能清热解暑。
少喝含咖啡因的饮料。
由于炎热，人们晚间的入睡往往较晚，倪幼方提醒老人，早晨不宜过早起床，最好6点半以后再起床。
卧室最好用遮光较好的窗帘，以免天亮得太早影响休息。
中午最好小睡一会，能放松身心，恢复精力。
但午睡时间不宜太长。
饮食清淡平稳情绪天气炎热，人难免烦躁，容易出现情绪不稳。
当过分激动、紧张，特别是大喜大悲大怒时，由于中枢神经的应激反应，会使动脉血管异常收缩而诱发心绞痛或心肌梗死。
因此一定要尽量保持情绪稳定，避免过于激动。
需要注意的是，夏季人的消化功能减退，食欲下降，饮食宜清淡，多吃一些新鲜蔬菜、水果、黑木耳、豆制品等。
经常吃一些瘦肉、鱼类，以保证蛋白质的摄入，但要尽量少吃过于油腻或高脂肪的食物。
饭菜不宜过咸，每日食盐量不超过6克，食盐过多会使血压升高易诱发心绞痛。
更重要的是，心血管疾病患者要特别注意饮食卫生，以免发生腹泻，导致体内电解质紊乱，诱发心脏不适。
微创右胸小切口修补房间隔缺损(附31例报告)
刘泳;陈中元;邱维诚;车嘉铭;陈海涛;周翔
【期刊名称】《中国微创外科杂志》
【年(卷),期】2000(000)001
【摘要】报告自1997年5月至1998年11月期间采用微创右胸小切口修补房间隔缺损31例的结果。
原发孔房间隔缺损合并二尖瓣大瓣裂缺1例,继发孔房间隔缺损30例,其中,中央型缺损25例,上腔型缺损1例,下腔型缺损2例,合并室间隔缺损2例,合并右肺静脉异位引流2例。
手术通过右胸第四肋间小切口(7～10cm)在体外循环下完成,全组无手术死亡和并发症,病人恢复快。
结论:右胸小切口修补房间隔缺损是可行的,并且比传统切口具有更多的优点
【总页数】3页(P24-25,33)
【作者】刘泳;陈中元;邱维诚;车嘉铭;陈海涛;周翔
【作者单位】上海第二医科大学附属瑞金医院胸心外科;上海第二医科大学附属瑞金医院胸心外科 200025 上海市东方医院胸心外科:200120;200025;200025【正文语种】中文
【中图分类】R654.2
【相关文献】
1.右胸小切口微创非体外房间隔缺损封堵术的手术配合 [J], 严幸君
2.小切口心脏不停跳下房间隔缺损修补术的临床研究(附26例报告) [J], 王宗社;舒端朝;王军歧;陈述;魏涛;张保平
3.右胸微创切口心脏不停跳房间隔缺损修补手术学习曲线 [J], 吴先球;韦武利;王奇
4.微创右胸前外小切口修补房间隔缺损 [J], 刘泳;陈中元;邱维诚;车嘉铭;陈海涛;周翔
5.经右胸小切口微创房间隔缺损封堵术67例 [J], 刘志平;朱宪明;赵龙;王坚;李淑珍;郭俊晓;任杰;张玉龙;王敏;高荣;邱能庸
因版权原因，仅展示原文概要，查看原文内容请购买。
他汀类药物预防心房颤动的Meta分析
汤永庆;高远舰;陈义汉
【期刊名称】《实用医学杂志》
【年(卷),期】2009(25)2
【摘要】目的:评价他汀类药物预防心房颤动的效果.方法:查阅Cochrane临床对照试验中心注册库、MEDLINE数据库、PUBMED数据库和CNKI全文数据库1980年至2008年5月公开发表的随机对照临床试验,并辅以手工检索.采用RevMan 4.2软件对纳入的试验结果进行Meta分析.结果:共纳入6篇文献资料,Meta分析结果显示OR=0.39,95%CI(0.18,0.85),对总体效应进行假设检验得Z 值为2.35,P=0.02,差异有统计学意义.结论:他汀类药物能减少房颤的发生或复发.【总页数】3页(P265-267)
【作者】汤永庆;高远舰;陈义汉
【作者单位】200065,上海市,同济大学附属同济医院心内科;200065,上海市,同济大学附属同济医院心内科;200065,上海市,同济大学附属同济医院心内科
【正文语种】中文
【中图分类】R9
【相关文献】
1.他汀类药物预防心房颤动疗效的Meta分析 [J], 程宏杰;丁旵东
2.他汀类药物预防心房颤动研究 [J], 李云婧;朱伟;刘铭雅
3.PCI术前强化应用他汀类药物预防心肌无复流的Meta分析 [J], 钟健;付强;朱可;
张倩
4.他汀类药物预防永久起搏器患者心房颤动的作用 [J], 孙慧（摘译）;苏国海（校）
5.他汀类药物在心房颤动上游治疗中的最新认识李广平等关于他汀类药物预防房
颤的研究被欧洲心脏病学大会最新心房颤动指南引用 [J], 刘彤;刘恩照
因版权原因，仅展示原文概要，查看原文内容请购买。
人工心脏瓣膜置换术后瓣周漏的介入治疗研究进展刘刚;王承【期刊名称】《中国心血管病研究》【年(卷),期】2017(015)001【总页数】3页(P4-6)【关键词】瓣周漏;介入治疗;封堵术【作者】刘刚;王承【作者单位】843000 新疆维吾尔自治区阿克苏市,阿克苏地区第一人民医院心内科;上海市胸科医院心内科【正文语种】中文【中图分类】R542.5人工心脏瓣膜置换术后瓣周漏是瓣膜置换术后特有的并发症，发生率在国内尚无确切的统计学报道。
国外文献报道，外科换瓣术后瓣周漏的发生率在主动脉瓣为2%～10%，在二尖瓣为7%～17%[1]。
小的瓣周漏由于引起血流动力学改变轻微，可无明显症状。
但较大瓣周漏可以引起严重临床表现，如心脏进行性扩大致心力衰竭、肺循环高压和心律失常、高速血液返流致溶血及心内膜炎等，因此需要及时干预[2]。
现就瓣周漏介入治疗研究进展作一综述。
瓣周漏发生原因多为：①手术损伤瓣环，导致瓣环和缝环处愈合不良，或者因缝合技术导致缝线撕脱。
②选用人工瓣类型与患者瓣环不匹配。
③感染性心内膜炎致瓣周组织脓肿引起缝线撕脱或者瓣周穿孔，出现瓣周漏。
④瓣环过度钙化、老年、巨大左房、肾功能不全、免疫功能异常、全身营养不良等因素均可在手术早期或晚期导致瓣周漏。
瓣周漏按发生部位分为二尖瓣瓣周漏、主动脉瓣瓣周漏、三尖瓣瓣周漏、肺动脉瓣瓣周漏；按人造瓣膜种类分为机械瓣-瓣周漏、生物瓣-瓣周漏、支架瓣-瓣周漏。
瓣周漏的检测和评估多依赖经胸心脏彩色多普勒和经食管超声。
现有的超声可以提供瓣周漏的确切诊断，瓣周漏所致瓣膜返流的程度，漏的大小、位置和数目。
结合三维成像可以通过重建瓣膜“左房正面观”明确显示瓣周漏的形态，如为新月形瓣周漏，能显示漏的宽度和长度，以及与人工瓣的三维位置关系，判别漏口周围有无赘生物或者血栓等。
另外，心脏超声还能在术中指导瓣周漏的修补或介入治疗[3]。
术中心导管检查则有助于判断瓣周漏引起的血流动力学改变，间接判断瓣周漏的大小、返流程度及病程长短。
