肥厚性心肌病患者主要不良心脏事件的机器学习预测模型研究：基于KNN算法与可解释性分析

摘要

目的 探讨基于机器学习模型的肥厚性心肌病(Hypertrophic Cardiomyopathy, HCM)患者心血管不良事件(Major Adverse Cardiovascular Events, MACEs)发生风险预测模型构建。方法 本研究采用回顾性分析，选取2019年1月至2024年12月新疆医科大学第一附属医院心脏中心诊断为HCM病例共241例，根据随访结果记录患者MACE,患者被分为对照组和MACE组。使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归方法筛选出特征变量后，构建10种机器学习模型。采用接受者操作特性(receiver operating characteristic, ROC)曲线、决策曲线分析(decision curve analysis, DCA)评估模型性能。并使用特征重要性分析和SHAP(SHapley Additive Planations)值依赖图，详细解释关键特征对模型预测结果的贡献和影响。结果 根据LASSO回归分析结果，共计纳入9个预测变量进行模型的构建，其中，KNN(K-最近邻算法)模型在所有构建的模型中表现最佳，ROC曲线下面积(area under curve, AUC)为0.851,特征重要性分析显示，E/e’比率、纽约心脏协会(New York Heart Association, NYHA)分级构成、左室射血分数(Left ventricular ejection fraction, LVEF)水平、左心房直径、收缩期左心室流出道收缩期压差和B型钠尿肽(B-natriuretic peptide, BNP)水平是预测HCM患者发生MACE事件的关键特征。SHAP值依赖图进一步揭示了这些特征对模型预测结果的具体影响。结论 本研究成功构建了一个用于预测HCM患者发生MACE事件的KNN模型，该预后模型成功识别了HCM高危患者，有助于临床预测HCM患者MACE发生的概率，提高患者预后。

关键词

机器学习模型 / 肥厚性心肌病 / 心血管不良事件 / 预测价值 / 模型 / 构建