基于机器学习的心脏术后衰弱预测模型的构建与验证

摘要

目的：构建并验证一种用于预测心脏术后衰弱风险的个体化预测模型。方法：纳入2023年1—12月在南京医科大学第一附属医院接受心脏手术的患者，在术后1个月采用衰弱筛查量表对患者进行衰弱评估。根据评估结果将患者分为衰弱组及非衰弱组。采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）、随机森林（random forest,RF）以及极限梯度提升（extreme gradient boosting,XGBoost）3种机器学习算法筛选共同预测因子，随后使用Logistic回归构建列线图模型。采用受试者工作特征（receiver operating characteristic,ROC）曲线及其曲线下面积（area under the curve,AUC）评估模型的区分度、校准曲线评估模型的一致性、决策曲线分析（decision curve analysis,DCA）评估该模型的临床价值，并在内部验证集以及时间分层验证集中予以验证。结果：共纳入301例患者，其中235例按7∶3比例分为训练集（n=165）、内部验证集（n=70），其余66例患者作为时间分层验证。依据机器学习结果，纳入4个共同预测因子：年龄、术前左心室射血分数（left ventricular ejection fraction,LVEF）、术前白蛋白水平和术前左心室舒张末期内径（left ventricular diastolic dimension,LVDd）。以此构建列线图，在训练集（AUC=0.846,95%CI:0.763～0.928）、内部验证集（AUC=0.821,95%CI:0.701～0.940）和时间分层验证集（AUC=0.846,95%CI:0.740～0.951）中均表现出优异的区分能力。校准曲线显示预测风险与观察风险之间具有高度一致性。DCA进一步证明了其良好的临床实用性。结论：基于患者年龄、术前白蛋白水平、LVEF以及LVDd构建的心脏术后衰弱预测列线图模型具有良好的预测效能与临床适用性，有助于早期识别高危患者。

关键词

机器学习 / 预测模型 / 心脏手术 / 衰弱 / 列线图