摘要背景 心率变异性(heart rate variability,HRV)作为评估自主神经系统活性的重要指标,已被广泛用作心力衰竭患者预后的评估工具.NT-proBNP作为一种标志物,在心衰的诊断、风险分层及预后评估中发挥着至关重要的作用,但其检测依赖侵入性操作且难以动态监测.目的 探讨可穿戴设备监测的HRV参数与NT-proBNP水平的相关性,并验证其作为无创风险分层工具的可行性.方法 本研究利用可穿戴设备收集了2021年1月—2022年12月四川大学华西医院心内科的急性心衰患者入院、出院时的24 h心电数据,经过预处理后提取了HRV参数,以NT-proBNP≥3 500 pmol/L为高风险截断值,采用Spearman相关分析探究HRV与NT-proBNP的关联性,评估逻辑回归、K最近邻(K-nearest neighbors,KNN)、支持向量机(support vector machine,SVM)、随机森林和XGBoost五种机器学习模型预测不良预后(NT-proBNP≥3 500 pmol/L)的效能,并通过SHAP值量化特征贡献度.结果 共纳入51例心衰患者,收集心电数据87份.HRV参数中,SDNN、SD2、VLF等10项指标与NT-proBNP呈显著负相关(r:-0.390～-0.371,P＜0.001).NT-proBNP水平≥3 500 pmol/L的患者HRV参数SDNN[M(IQR):51.10(38.50～67.20)ms vs 77.95(54.45～95.50)ms,P＜0.001]、SD2[M(IQR):68.30(52.90～93.90)ms vs 108.00(76.20～132.47)ms,P=0.003]、VLF[M(IQR):18.82(5.84～59.61)mHz vs 59.36(33.70～116.90)mHz,P=0.002]、ULF[M(IQR):6.30(1.99～18.02)mHz vs 18.60(10.05～34.09)mHz,P=0.001]均显著低于NT-proBNP＜3 500 pmol/L组,差异有统计学意义.机器学习模型中,Logistic回归分类性能最优(AUC=0.830,95%CI:0.760～0.890),SHAP分析显示SD2和LF/HF贡献度较高.结论 可穿戴HRV参数与NT-proBNP水平显著相关,且能够通过机器学习模型有效区分NT-proBNP高低水平组,为心衰患者的无创动态监测及急性失代偿风险预测提供了新的参考.