心脏术后心房颤动的危险因素及风险评估方法研究进展

陆昱汎，郁丽娜

1浙江大学医学院附属第二医院麻醉科，杭州310009；2台州市中心医院（台州学院附属医院）麻醉科

心脏术后房颤（POAF）是指心脏外科手术后发生的心房颤动，是心脏术后的常见并发症，由于监测方法、定义、实验设计的不同，其真实的发病率和风险存在不确定性。POAF可能在术后任何时间内发生，但发病高峰通常在术后第2～3天［1-4］且最常在术后第3天复发［2］。POAF的潜在机制尚不清楚，但人们普遍认为它是多因素的，将其归因于炎症、交感神经激活、心脏缺血和电解质失衡等因素［5］。虽然POAF被认为具有自限性，但它仍可导致许多术后不良结局。大量研究［2，6-7］表明，POAF与术后中风、认知功能障碍、感染、肾损伤等并发症相关，提高了术后死亡率，使患者住院时间延长、医疗费用增加。现对POAF的危险因素及风险评估方法研究进展进行综述，希望有助于POAF的防治。

1 POAF的定义和发病率

目前POAF尚无统一的定义，且定义的不同导致发病率存在显著差异。FILARDO等［8］在一项多中心的大型研究中发现，使用美国胸外科医师学会数据库中对POAF的定义（需要治疗的房颤/房扑）相对于扩展定义（通过心电图或遥测监测到的任何房颤/房扑发作）而言，将导致POAF的漏诊率为6.4%，因此研究者强烈建议扩展POAF的定义。同时，各研究中关于房颤发作持续时间的不同定义也会导致实际发病率的不明确性，例如POAF被定义为持续时间>30 s［6］或持续时间>15 min［9］的房颤发作。为了有助于不同研究结局报告的比较，我们需要统一对房颤发作持续时间的定义，一些心脏协会提议将房颤持续>30 s作为截止时间［10］。此外，研究在定义结局指标POAF时是否纳入术前具有房颤病史的患者，对发生率也产生一定的影响。目前大多数研究将POAF定义为术前无房颤病史而术后出现的房颤。因此，研究人员在未来需要拟定标准化的POAF定义，以利于评估相对真实的发病率及其并发症的实际风险。不同研究之间POAF的发病率存在较大差异，研究报道POAF在心脏术后总体发病率为10%～50%［1，3，11］，冠状动脉搭桥术后发病率为20%～30%［2，4，12］，瓣 膜 手术 后发 病 率高 达30%～50%［9，13］。一 项 对11 239名 患 者 的 研 究［4］发 现，POAF第一次发作通常在心脏手术术后第2天至第3天（平均52 h），平均持续7.2 h。

2 POAF的危险因素

一般认为POAF是多种因素共同作用的结果，多种术前、术中、术后危险因素与之相关。

2.1 术前因素 研究［2，11，13-14］发现，POAF的发生与许多术前危险因素相关，如慢性阻塞性肺疾病、高血压、冠心病、心衰、颈动脉疾病、卒中史、心肌梗死等。明确术前危险因素有利于POAF的早期预防。

2.1.1 高龄 高龄是POAF的独立危险因素［6，9，12］，是最早发现且已获得广泛认可的术前因素。一项前瞻性研究［12］表明，年龄>65岁是POAF的独立危险因素。衰老伴随着心肌细胞间纤维组织的增加、心房重塑，这些结构变化触发心律失常机制。研究［9］显示，年龄增长伴随各种基础性疾病的发生率增加，这也可以解释高龄患者更高的POAF发病率。

2.1.2 肥胖 研究［15］发现，肥胖是POAF的重要危险因素，这是因为肥胖与氧化应激［16］、心肌重构［17］、心室舒张功能障碍［18］等有关，这些机制可能导致左心房扩张和电生理功能障碍，从而增加房颤的发生率。

2.1.3 左心房容积（LAV）增大和左室射血分数（LVEF）降低 大量研究证明，POAF与LAV增大［9，12］以及LVEF降低［6，11］相关。DAVE等［11］研究发现，术前LVEF<40%与POAF显著相关。另外，有研究［9］发现，LAV≥40 mL的患者更容易发生POAF。LAV的增加和LVEF的降低意味着心肌细胞的拉伸和纤维化，延长心房不应期，导致POAF发病率增加。随着心脏超声技术的发展，应用组织多普勒超声心动图和三维超声心动图技术有利于进一步阐明心脏的病理生理与POAF的关系。

2.2 术中因素 术中心脏损伤、心肌缺血、低氧血症和氧化应激等因素与POAF相关［19］。MELDUNI等［20］在75 782名患者的研究中发现，心脏手术中左心耳闭合与早期POAF显著相关。大量研究［3，11，21］表明，体外循环时间延长是POAF的独立危险因素，体外循环导致缺血-再灌注损伤，引起复杂的炎症反应［11］，这可能使心房传导改变，房颤发生率增加。探究术中相关因素能够帮助医生实质性地进行房颤管理，在临床实践中至关重要。

2.2.1 瓣膜手术 不同手术类型对POAF的发病率会产生影响。研究［2，21］表明，进行瓣膜手术的患者具有更高的POAF发病率，是其独立危险因素。瓣膜手术POAF发病率更高的原因可能是心脏结构的改变，包括心房扩张、心肌细胞肥大、间质纤维化和细胞变性［22］。

2.2.2 主动脉阻断时间延长 主动脉阻断时间延长与POAF的发生密切相关［21］。OKTAY等［19］通过测量血清总氧化态水平，研究POAF与冠脉搭桥术在主动脉阻断操作过程中缺血再灌注损伤相关的氧化应激之间的关系，结果显示POAF患者与保持窦性心律的患者在放置和移除主动脉夹钳后血清总氧化态水平在统计学上有显著差异，这表明主动脉阻断会引起缺血再灌注损伤并导致氧化应激增加。因此，通过减少心脏手术中主动脉阻断时间，可能有助于降低心脏手术后发生POAF的风险。然而，在更短的时间内完成手术操作将对外科医生产生一定的挑战。

2.3 术后因素 研究［6］发现，POAF是心脏外科术后3年随访不良结局的独立预测因子，与中风、认知功能障碍、感染、肾损伤等多种术后并发症相关［2］，因此做好心脏手术的术后管理、预防POAF的发生也十分重要。

2.3.1 机械通气时间延长 接受心脏手术的患者术后在呼吸功能恢复之前，通常会使用呼吸机进行辅助通气。DAVE等［11］发现，机械通气时间>24 h与POAF呈正相关。此外，机械通气时间延长会导致肺泡损伤，不利于术后康复。因此，严格掌握围术期拔管指征，减少不必要的机械通气时间有利于降低POAF的发病率，促进术后康复。

2.3.2 炎性指标升高 炎症及其相关的免疫反应与房颤的发生和持续存在有关。研究［23］显示，炎症会改变心房的电生理特性，促进心肌重构，从而增加房颤的风险。研究［24］发现，术后白细胞介素-6、白细胞介素-8和超氧化物歧化酶浓度升高是冠脉搭桥术后发生POAF的独立危险因素。TODOROV等［7］发现，较高的C反应蛋白浓度与POAF显著相关。这都表明POAF与炎性指标升高相关，通过抗炎治疗减少炎症反应可能是预防房颤的潜在治疗策略。

2.3.3 术后出血再探查 术后出血再探查手术被认为有助于POAF的发展。RUEL等［25］在一项大型研究中调查了心脏术后出血再探查手术的不利影响，结果发现在661名需要进行再探查手术的患者中POAF的发生率为36.3%，而在其他不需要进行再探查手术的患者中POAF的发生率仅为26%，这表明POAF发生的原因可能是伴随手术创伤增加而导致的炎症反应的增加。因此，手术团队应当尝试通过降低术后出血再探查的发生率来降低并发症的发生。

3 POAF的风险评估方法

3.1 POAF的传统风险评分工具 为了能够针对高风险患者实施预防措施，我们需要建立有效的评分系统对这些患者进行风险分层。CHADS2评分和CHA2DS2-VASC评分最初用来评估非瓣膜性房颤患者的卒中风险，CHADS2评分的危险因素包括心力衰竭、高血压、年龄>75岁、糖尿病史和卒中病史，CHA2DS2-VASC评分系统则在此基础上增加了女性性别、年龄65～74岁及血管性疾病的评估。YIN等［13］研究证明，CHADS2评分和CHA2DS2-VASC评分对POAF有预测作用，他们提出对CHADS2评分>2分且CHA2DS2-VASC评分>4分的高风险患者术前预防性使用β受体阻滞剂和抗心律失常药可能是有益的。MARISCALCO等［26］通过对17 262例心脏病患者的研究，开发了POAF评分作为预测POAF风险的床边评分工具，其具体内容包括年龄、慢性阻塞性肺疾病、肾小球滤过率<15 mL/（min•1.73m2）或透析、急诊手术、术前使用主动脉内球囊泵、瓣膜手术和LVEF<30%。HATCH评分最初由DE VOS及其同事开发用于识别可能发展为持续性房颤的患者［27］，其临床变量包括高血压、年龄、中风或短暂性脑缺血发作、慢性阻塞性肺疾病和心力衰竭，之后由多项外部研究验证发现，该评分在预测POAF方面具有较好的表现［28］。在一项最近的研究中，BURGOS等［29］对POAF评分、CHA2DS2-VASC和HATCH评分系统进行验证，结果表明三个评分系统对POAF都具有良好的鉴别能力，其中CHA2DS2-VASC评分预测能力最佳，POAF评分具有中等的预测能力，HATCH评分的预测能力最差。然而，这些风险评分工具的临床应用却因为缺乏大量临床研究的外部验证而受到限制。目前尚无一种风险评分工具可以成为预测POAF的金标准，通过大规模的前瞻性研究来建立精确的POAF风险评分并进行临床验证是未来研究的趋势。

3.2 POAF的新兴风险评估方法 早期POAF的工作重点是从心电图检测心律失常，以及从医疗记录中识别术前危险因素。近年来，随着人工智能在医疗领域的巨大发展，已经有研究［9，30］报道了应用人工智能来评估POAF发生的风险。人工智能是计算机科学的一个分支，其关键技术包括机器学习与深度学习、生物特征识别、知识图谱、计算机视觉等，在医疗领域具有非常广阔的应用前景［31］。机器学习作为实现人工智能的途径，可以通过一系列的算法，对电子病历系统中的数据进行训练并开发风险评估模型［32-33］。通过运用复杂的机器学习算法，我们将拥有实时捕获和评估POAF风险的能力。FOLLA等［34］基于带有分类和回归树算法的决策树算法开发了冠状动脉搭桥术的POAF风险预测模型，发现左心房≥40.5 mm和年龄≥64.5岁的患者更容易发生房颤，该风险预测模型的敏感性为65%，特异性为88.2%，阳性预测值和阴性预测值分别为56.5%和91.5%，精确度为83.8%。KARRI等［30］研究发现，基于术前数据的机器学习模型对心脏术后POAF的风险预测要优于传统的风险评分工具（POAF评分），其中梯度提升树模型的受试者工作特征曲线下面积为0.74，敏感性和特异性分别为73%和64%，在所有机器学习预测模型中表现最佳。这些研究证明了机器学习算法在医学大数据挖掘方面的潜力，能够为早期发现和预防POAF提供帮助。此外，这些算法可以进一步预测不良事件和长期预后，为建立个性化的随访计划提供有效信息。机器学习对POAF的风险评估尚处于起步阶段，这些模型在临床上的实际应用仍具有挑战性，未来需要更多大样本和多中心的研究以及外部验证来探索高效可靠的风险评估方法。

综上所述，POAF作为心脏外科术后的常见并发症，与多种术后不良结局的发生相关，需要引起重视。目前仍缺少标准化的POAF定义，以利于评估相对真实的发病率及其并发症的实际风险。此外，识别POAF的危险因素、建立高效可靠的风险评估方法来鉴别高风险患者，可以有助于指导临床医生及时进行围术期干预，并且有效降低术后并发症的发生率。越来越多的证据表明，使用机器学习方法开发风险评估模型可能优于传统的风险评分工具，因此更加深入地研究POAF相关危险因素、利用机器学习方法建立准确可靠的风险评估模型是未来研究的方向。