目的:高血压是影响心房颤动(房颤)发生最主要的危险因素之一,但目前尚没有方法可以预测高血压患者发生房颤的风险。因此我们构建了一个智能预测模型,用于预测高血压患者发生房颤的风险。方法:选取2017年1月至2018年9月在大连大学附属中山医院心脏中心住院治疗的患者共2065例,其中高血压合并房颤的患者716例,高血压未合并房颤的患者1349例。排除合并继发性高血压病患者、合并风湿性心脏病患者、甲亢患者,排除因心衰引起的肺循环、体循环淤血,如间质性肺水肿、心源性肝硬化等。收集记录患者的临床资料,包括基本信息:性别、身高、体重、年龄、身体指数(Body Mass Index,BMI)等;临床诊断:高血压病(1-3级)、房颤、冠心病、心肌病、心功能不全、肺炎、肺栓塞、哮喘、慢性阻塞性肺疾病、糖尿病、痛风、肝硬化、甲状腺功能亢进症、脑梗死、脑出血、慢性肾脏病、贫血;理化检查:血常规、肝功能、肾功能、血糖、血脂、电解质、NT-pro BNP、癌胚抗原(CEA)、甲胎蛋白(AFP)、糖类抗原CA199、肌酸激酶,心脏超声(室间隔舒张末期厚度(IVSD)、左室舒张末期内径(LVDD)、左室后壁厚度(LVPWD)、升主动脉内径(AOD)、左心房内径(LAD)、右室流出道(RVOT)、肺动脉大小(MPA)、右室舒张末期内径(RVDD)、左心房上下径(LASD)、右心房上下径(RASD)、左室射血分数(LVEF))、24小时动态心电图等,上述指标中的每一个数据都被称作一个属性(例如血常规为一项指标,但血常规中的白细胞计数就是一个属性)。对收集到的数据进行预处理,包括降维、离散化、去除异常值和填补空缺值,最终从200余项原始数据中,筛选出与房颤的发生可能相关的110项属性,构成数据集,参与模型的构建。应用数据挖掘方法中的C4.5决策树算法构建智能预测模型,并且对该模型的准确性进行评价。结果:该决策树模型涉及10项指标中的17个属性,包括基本信息:BMI、性别、年龄;临床诊断:心衰、冠心病、痛风;理化检查:心脏超声(RASD、LASD、RVDD、LVDD、LAD、IVSD、AOD)、载脂蛋白B、直接胆红素、嗜酸粒细胞比例。通过查阅文献,我们发现模型中有4个指标已经明确是房颤发生的独立危险因素,3个指标已经有研究证实与房颤的发生显著相关,2个指标也有研究显示与房颤的发生可能相关,只有1项指标与房颤的发生目前尚无关联。同时我们应用计算机生成的随机数据进行验证,该模型对高血压患者是否合并房颤的预测准确率高达79.8%。结论:该模型预测高血压患者是否合并房颤的准确性较高,提示可以应用该模型对高血压患者进行评估,预测其发生房颤的风险,若模型提示患者发生房颤的风险大,则临床医生可以对这些患者加强监测随访。未来随着录入的临床数据的增加和人工智能自我学习能力的发展,该模型也会逐渐得到完善。