摘要研究：状态焦虑与生理指标被纳入心脏磁共振运动伪影预测模型
一项回顾性队列研究的期刊摘要显示，研究者用514名成人患者的15项基线特征训练机器学习模型，预测非镇静心脏磁共振检查中的运动伪影。 XGBoost（极端梯度提升）模型区分度为AUC（受试者工作特征曲线下面积）0.875；
SHAP（沙普利加和解释）分析提示状态焦虑（STAI-State，状态-特质焦虑量表状态分量表）、最长屏气时长与心率变异性为主要关联因素。 摘要另称STAI-State评分超过45时风险明显上升。
证据仅限摘要，不能据此推断干预可减少伪影或复扫。
来源为PubMed收录的《Journal of visualized experiments : JoVE》期刊摘要，未提供全文。 研究为回顾性队列设计，纳入514名成人患者的基线数据、15项临床特征，训练并评估四种机器学习算法，以AUC为主要评价指标； XGBoost（极端梯度提升）模型AUC=0.875。
SHAP（沙普利加和解释）分析显示状态焦虑（经STAI-State评估）、最大屏气时长和心率变异性主要与伪影风险相关； 摘要还报告STAI-State评分超过45时风险急剧上升的非线性阈值效应，以及身体能力与幽闭恐惧之间的复杂交互。 作者机构为成都市第三人民医院放射科； 通讯作者邮箱为liuJian0011234@163.com。
摘要结论称该可解释框架可用于患者个体化风险分层，并提示可据此优化预防性护理干预； 该表述为作者结论，尚无前瞻性验证支持。
该摘要的可核对价值在于将情绪量表变量与生理指标共同纳入可解释预测模型，并给出具体阈值线索（STAI-State>45），而非仅报告总体准确率。 但回顾性队列与摘要级证据不能支持因果推断，也不能说明基于模型的风险分层会减少伪影、复扫或改善检查流程； 模型预测焦虑相关风险不等于诊断焦虑。
区域方面，摘要未披露研究人群国别，仅可见作者机构位于中国成都，不宜写为美国或全球。
后续观察信号
- 核对全文中的样本构成与模型校准结果
- 跟踪后续前瞻性干预研究是否发表