基于机器学习模型的急性心衰患者住院期间心血管不良事件发生风险预测模型构建

摘要

目的 探讨基于机器学习模型的急性心力衰竭(AHF)患者住院期间心血管不良事件发生风险预测模型构建。方法 本研究采用回顾性分析，选取2021年9月至2024年9月中国人民解放军总医院第六医学中心收治的AHF病例数共850例，其中住院期间发生心血管不良事件(MACE)104例。采用自制一般资料调查表，对两组患者一般资料进行差异化比较，将差异化比较P<0.05的项目纳入多因素Logistic回归分析。并与自进化学习模型(SWSELM)对AHF患者住院期间发生MACE风险预测模型进行比较。结果 SWSELM筛选的10个特征，单因素分析结果显示，其中5个特征两组患者差异皆有统计学意义(P<0.05)。将单因素差异纳入多因素Logistic回归分析发现，N末端脑钠肽前体、白细胞、尿素氮、脑卒中、合并房颤(OR=4.889、3.770、3.083、1.872、1.756)与SWSELM模型筛选的TOP5特征结果相吻合。结论 N末端脑钠肽前体、白细胞、尿素氮、脑卒中、合并房颤与SWSELM模型筛选的TOP5特征结果相吻合，有助于临床预测AHF患者住院期间MACE发生的概率，提高患者预后。

关键词

机器学习模型 / 急性心力衰竭 / 心血管不良事件 / 预测价值 / 模型 / 构建

基金资助

国家自然科学基金资助项目(82170309); 北京市自然科学基金-海淀原始创新联合基金资助项目(L232117)