基于多变量数据驱动的预测性、预防性与个性化医学框架：新发阻塞性睡眠呼吸暂停患者长期房颤风险研究

　　针对阻塞性睡眠呼吸暂停(OSA)患者房颤(AF)风险预测难题，研究人员通过机器学习构建多变量预测模型，筛选出年龄、空腹血糖等8项关键指标，XGBoost模型验证AUC达0.922，为PPPM/3PM临床实践提供精准决策工具。

　　

这项开创性研究构建了多变量数据驱动的预测性-预防性-个性化医学(PPPM/3PM)框架，专门针对新诊断阻塞性睡眠呼吸暂停(OSA)患者并发心房颤动(AF)的长期风险。研究团队对797例基线无AF的OSA患者进行中位56.78个月随访，通过Boruta算法从53项临床特征中筛选出8项核心预测因子：年龄、空腹血糖(FBG)、极低密度脂蛋白胆固醇(VLDL-C)、甘油三酯(TG)、甘油三酯-葡萄糖指数(TyG_index)、自主神经系统指标、呼吸暂停低通气指数(AHI)和平均血氧饱和度(SpO₂)。在9种机器学习算法比较中，XGBoost模型表现最优，在时间序列验证队列中曲线下面积(AUC)高达0.922，Brier评分0.071。校准曲线和决策曲线分析(DCA)显示该模型最接近理想校准线，且在各类阈值概率下具有最高净临床收益。SHAP解释性分析则生动揭示了各变量对AF风险的贡献度，如AHI每增加5次/小时会使风险评分上升0.15。这项研究首次将代谢指标(TyG_index)、自主神经功能与呼吸参数整合建模，为OSA患者的精准化AF防控提供了可解释的决策工具。