基于机器学习建立老年慢性心力衰竭患者1年全因死亡预测模型

摘要

目的 基于机器学习建立老年慢性心力衰竭（CHF）患者1年全因死亡预测模型。方法 回顾性分析902例老年CHF患者（782例训练集和120例验证集） 1年全因死亡的影响因素，随访1年，根据是否全因死亡分为死亡组和存活组，并建立5种机器学习预测模型。采用受试者操作特征（ROC）曲线、校准曲线、决策曲线对模型进行验证。结果 训练集782例老年CHF患者1年全因死亡率为12.28%；验证集120例老年CHF患者1年全因死亡率为10.83%。LASSO回归和多因素Logistic回归分析显示：体重指数增加、左室射血分数升高为老年CHF患者1年全因死亡的独立保护因素，纽约心脏协会心功能分级Ⅳ级、C反应蛋白升高、D-二聚体升高、氨基末端脑钠肽前体（NT-proBNP）升高为独立危险因素（P<0.05）。ROC曲线显示，训练集和验证集极端梯度提升（XGBoost）预测模型的曲线下面积（AUC）分别为0.897、0.864，均优于多因素Logistic回归（0.860、0.822）、决策树（0.767、0.761）、随机森林（0.875、0.818）、支持向量机（0.859、0.788）预测。验证集校准曲线显示，XGBoost预测模型的预测概率与实际曲线贴合，预测概率>0.10可为临床带来净收益。结论 体重指数、纽约心脏协会心功能分级、左室射血分数、C反应蛋白、NT-proBNP为老年CHF患者1年全因死亡的独立影响因素，基于此建立的XGBoost预测模型的预测效能最佳。

关键词

老年 / 慢性心力衰竭 / 机器学习 / 全因死亡 / 预测模型 / 极端梯度提升算法 / 左室射血分数