心臟術后心房顫動的危險因素及風險評估方法研究進展

陸昱汎，郁麗娜

1浙江大學醫學院附屬第二醫院麻醉科，杭州310009；2臺州市中心醫院（臺州學院附屬醫院）麻醉科

心臟術后房顫（POAF）是指心臟外科手術后發生的心房顫動，是心臟術后的常見并發癥，由于監測方法、定義、實驗設計的不同，其真實的發病率和風險存在不確定性。POAF可能在術后任何時間內發生，但發病高峰通常在術后第2～3天［1-4］且最常在術后第3天復發［2］。POAF的潛在機制尚不清楚，但人們普遍認為它是多因素的，將其歸因于炎癥、交感神經激活、心臟缺血和電解質失衡等因素［5］。雖然POAF被認為具有自限性，但它仍可導致許多術后不良結局。大量研究［2，6-7］表明，POAF與術后中風、認知功能障礙、感染、腎損傷等并發癥相關，提高了術后死亡率，使患者住院時間延長、醫療費用增加。現對POAF的危險因素及風險評估方法研究進展進行綜述，希望有助于POAF的防治。

1 POAF的定義和發病率

目前POAF尚無統一的定義，且定義的不同導致發病率存在顯著差異。FILARDO等［8］在一項多中心的大型研究中發現，使用美國胸外科醫師學會數據庫中對POAF的定義（需要治療的房顫/房撲）相對于擴展定義（通過心電圖或遙測監測到的任何房顫/房撲發作）而言，將導致POAF的漏診率為6.4%，因此研究者強烈建議擴展POAF的定義。同時，各研究中關于房顫發作持續時間的不同定義也會導致實際發病率的不明確性，例如POAF被定義為持續時間>30 s［6］或持續時間>15 min［9］的房顫發作。為了有助于不同研究結局報告的比較，我們需要統一對房顫發作持續時間的定義，一些心臟協會提議將房顫持續>30 s作為截止時間［10］。此外，研究在定義結局指標POAF時是否納入術前具有房顫病史的患者，對發生率也產生一定的影響。目前大多數研究將POAF定義為術前無房顫病史而術后出現的房顫。因此，研究人員在未來需要擬定標準化的POAF定義，以利于評估相對真實的發病率及其并發癥的實際風險。不同研究之間POAF的發病率存在較大差異，研究報道POAF在心臟術后總體發病率為10%～50%［1，3，11］，冠狀動脈搭橋術后發病率為20%～30%［2，4，12］，瓣 膜 手術 后發 病 率高 達30%～50%［9，13］。一 項 對11 239名 患 者 的 研 究［4］發 現，POAF第一次發作通常在心臟手術術后第2天至第3天（平均52 h），平均持續7.2 h。

2 POAF的危險因素

一般認為POAF是多種因素共同作用的結果，多種術前、術中、術后危險因素與之相關。

2.1 術前因素 研究［2，11，13-14］發現，POAF的發生與許多術前危險因素相關，如慢性阻塞性肺疾病、高血壓、冠心病、心衰、頸動脈疾病、卒中史、心肌梗死等。明確術前危險因素有利于POAF的早期預防。

2.1.1 高齡 高齡是POAF的獨立危險因素［6，9，12］，是最早發現且已獲得廣泛認可的術前因素。一項前瞻性研究［12］表明，年齡>65歲是POAF的獨立危險因素。衰老伴隨著心肌細胞間纖維組織的增加、心房重塑，這些結構變化觸發心律失常機制。研究［9］顯示，年齡增長伴隨各種基礎性疾病的發生率增加，這也可以解釋高齡患者更高的POAF發病率。

2.1.2 肥胖 研究［15］發現，肥胖是POAF的重要危險因素，這是因為肥胖與氧化應激［16］、心肌重構［17］、心室舒張功能障礙［18］等有關，這些機制可能導致左心房擴張和電生理功能障礙，從而增加房顫的發生率。

2.1.3 左心房容積（LAV）增大和左室射血分數（LVEF）降低 大量研究證明，POAF與LAV增大［9，12］以及LVEF降低［6，11］相關。DAVE等［11］研究發現，術前LVEF<40%與POAF顯著相關。另外，有研究［9］發現，LAV≥40 mL的患者更容易發生POAF。LAV的增加和LVEF的降低意味著心肌細胞的拉伸和纖維化，延長心房不應期，導致POAF發病率增加。隨著心臟超聲技術的發展，應用組織多普勒超聲心動圖和三維超聲心動圖技術有利于進一步闡明心臟的病理生理與POAF的關系。

2.2 術中因素 術中心臟損傷、心肌缺血、低氧血癥和氧化應激等因素與POAF相關［19］。MELDUNI等［20］在75 782名患者的研究中發現，心臟手術中左心耳閉合與早期POAF顯著相關。大量研究［3，11，21］表明，體外循環時間延長是POAF的獨立危險因素，體外循環導致缺血-再灌注損傷，引起復雜的炎癥反應［11］，這可能使心房傳導改變，房顫發生率增加。探究術中相關因素能夠幫助醫生實質性地進行房顫管理，在臨床實踐中至關重要。

2.2.1 瓣膜手術 不同手術類型對POAF的發病率會產生影響。研究［2，21］表明，進行瓣膜手術的患者具有更高的POAF發病率，是其獨立危險因素。瓣膜手術POAF發病率更高的原因可能是心臟結構的改變，包括心房擴張、心肌細胞肥大、間質纖維化和細胞變性［22］。

2.2.2 主動脈阻斷時間延長 主動脈阻斷時間延長與POAF的發生密切相關［21］。OKTAY等［19］通過測量血清總氧化態水平，研究POAF與冠脈搭橋術在主動脈阻斷操作過程中缺血再灌注損傷相關的氧化應激之間的關系，結果顯示POAF患者與保持竇性心律的患者在放置和移除主動脈夾鉗后血清總氧化態水平在統計學上有顯著差異，這表明主動脈阻斷會引起缺血再灌注損傷并導致氧化應激增加。因此，通過減少心臟手術中主動脈阻斷時間，可能有助于降低心臟手術后發生POAF的風險。然而，在更短的時間內完成手術操作將對外科醫生產生一定的挑戰。

2.3 術后因素 研究［6］發現，POAF是心臟外科術后3年隨訪不良結局的獨立預測因子，與中風、認知功能障礙、感染、腎損傷等多種術后并發癥相關［2］，因此做好心臟手術的術后管理、預防POAF的發生也十分重要。

2.3.1 機械通氣時間延長 接受心臟手術的患者術后在呼吸功能恢復之前，通常會使用呼吸機進行輔助通氣。DAVE等［11］發現，機械通氣時間>24 h與POAF呈正相關。此外，機械通氣時間延長會導致肺泡損傷，不利于術后康復。因此，嚴格掌握圍術期拔管指征，減少不必要的機械通氣時間有利于降低POAF的發病率，促進術后康復。

2.3.2 炎性指標升高 炎癥及其相關的免疫反應與房顫的發生和持續存在有關。研究［23］顯示，炎癥會改變心房的電生理特性，促進心肌重構，從而增加房顫的風險。研究［24］發現，術后白細胞介素-6、白細胞介素-8和超氧化物歧化酶濃度升高是冠脈搭橋術后發生POAF的獨立危險因素。TODOROV等［7］發現，較高的C反應蛋白濃度與POAF顯著相關。這都表明POAF與炎性指標升高相關，通過抗炎治療減少炎癥反應可能是預防房顫的潛在治療策略。

2.3.3 術后出血再探查 術后出血再探查手術被認為有助于POAF的發展。RUEL等［25］在一項大型研究中調查了心臟術后出血再探查手術的不利影響，結果發現在661名需要進行再探查手術的患者中POAF的發生率為36.3%，而在其他不需要進行再探查手術的患者中POAF的發生率僅為26%，這表明POAF發生的原因可能是伴隨手術創傷增加而導致的炎癥反應的增加。因此，手術團隊應當嘗試通過降低術后出血再探查的發生率來降低并發癥的發生。

3 POAF的風險評估方法

3.1 POAF的傳統風險評分工具 為了能夠針對高風險患者實施預防措施，我們需要建立有效的評分系統對這些患者進行風險分層。CHADS2評分和CHA2DS2-VASC評分最初用來評估非瓣膜性房顫患者的卒中風險，CHADS2評分的危險因素包括心力衰竭、高血壓、年齡>75歲、糖尿病史和卒中病史，CHA2DS2-VASC評分系統則在此基礎上增加了女性性別、年齡65～74歲及血管性疾病的評估。YIN等［13］研究證明，CHADS2評分和CHA2DS2-VASC評分對POAF有預測作用，他們提出對CHADS2評分>2分且CHA2DS2-VASC評分>4分的高風險患者術前預防性使用β受體阻滯劑和抗心律失常藥可能是有益的。MARISCALCO等［26］通過對17 262例心臟病患者的研究，開發了POAF評分作為預測POAF風險的床邊評分工具，其具體內容包括年齡、慢性阻塞性肺疾病、腎小球濾過率<15 mL/（min?1.73m2）或透析、急診手術、術前使用主動脈內球囊泵、瓣膜手術和LVEF<30%。HATCH評分最初由DE VOS及其同事開發用于識別可能發展為持續性房顫的患者［27］，其臨床變量包括高血壓、年齡、中風或短暫性腦缺血發作、慢性阻塞性肺疾病和心力衰竭，之后由多項外部研究驗證發現，該評分在預測POAF方面具有較好的表現［28］。在一項最近的研究中，BURGOS等［29］對POAF評分、CHA2DS2-VASC和HATCH評分系統進行驗證，結果表明三個評分系統對POAF都具有良好的鑒別能力，其中CHA2DS2-VASC評分預測能力最佳，POAF評分具有中等的預測能力，HATCH評分的預測能力最差。然而，這些風險評分工具的臨床應用卻因為缺乏大量臨床研究的外部驗證而受到限制。目前尚無一種風險評分工具可以成為預測POAF的金標準，通過大規模的前瞻性研究來建立精確的POAF風險評分并進行臨床驗證是未來研究的趨勢。

3.2 POAF的新興風險評估方法 早期POAF的工作重點是從心電圖檢測心律失常，以及從醫療記錄中識別術前危險因素。近年來，隨著人工智能在醫療領域的巨大發展，已經有研究［9，30］報道了應用人工智能來評估POAF發生的風險。人工智能是計算機科學的一個分支，其關鍵技術包括機器學習與深度學習、生物特征識別、知識圖譜、計算機視覺等，在醫療領域具有非常廣闊的應用前景［31］。機器學習作為實現人工智能的途徑，可以通過一系列的算法，對電子病歷系統中的數據進行訓練并開發風險評估模型［32-33］。通過運用復雜的機器學習算法，我們將擁有實時捕獲和評估POAF風險的能力。FOLLA等［34］基于帶有分類和回歸樹算法的決策樹算法開發了冠狀動脈搭橋術的POAF風險預測模型，發現左心房≥40.5 mm和年齡≥64.5歲的患者更容易發生房顫，該風險預測模型的敏感性為65%，特異性為88.2%，陽性預測值和陰性預測值分別為56.5%和91.5%，精確度為83.8%。KARRI等［30］研究發現，基于術前數據的機器學習模型對心臟術后POAF的風險預測要優于傳統的風險評分工具（POAF評分），其中梯度提升樹模型的受試者工作特征曲線下面積為0.74，敏感性和特異性分別為73%和64%，在所有機器學習預測模型中表現最佳。這些研究證明了機器學習算法在醫學大數據挖掘方面的潛力，能夠為早期發現和預防POAF提供幫助。此外，這些算法可以進一步預測不良事件和長期預后，為建立個性化的隨訪計劃提供有效信息。機器學習對POAF的風險評估尚處于起步階段，這些模型在臨床上的實際應用仍具有挑戰性，未來需要更多大樣本和多中心的研究以及外部驗證來探索高效可靠的風險評估方法。

綜上所述，POAF作為心臟外科術后的常見并發癥，與多種術后不良結局的發生相關，需要引起重視。目前仍缺少標準化的POAF定義，以利于評估相對真實的發病率及其并發癥的實際風險。此外，識別POAF的危險因素、建立高效可靠的風險評估方法來鑒別高風險患者，可以有助于指導臨床醫生及時進行圍術期干預，并且有效降低術后并發癥的發生率。越來越多的證據表明，使用機器學習方法開發風險評估模型可能優于傳統的風險評分工具，因此更加深入地研究POAF相關危險因素、利用機器學習方法建立準確可靠的風險評估模型是未來研究的方向。