基于自进化学习算法的急性心力衰竭患者院内MACE风险预测研究

摘要

目的 构建基于自进化学习算法(Self-evolutionary learning algorithm, SWSELM)的急性心力衰竭(Acute heart failure, AHF)患者院内心血管不良事件(Major adverse cardiovascular events, MACE)风险预测模型，并采用多因素Logistic回归分析验证其预测价值及明确其独立危险因素程度，为MACE的早期防控提供指导依据。方法 回顾性分析2022年4月至2025年1月广德市中医院收治的848例AHF患者的临床资料，根据是否发生MACE分为MACE组(n=103)及无MACE组(n=745)。比较两组NT-proBNP、白细胞、尿素氮、BMI、室间隔舒末厚度、年龄、合并糖尿病、合并脑卒中、合并房颤、体温。运用SWSELM算法构建MACE风险预测模型，并对MACE发生的相关预测因子进行初步筛选，再通过多因素Logistic回归分析进一步确定MACE发生的独立危险因素及其风险水平，最终建立SWSELM风险预测模型。结果 本研究所构建的SWSELM预测模型性能优异，训练集中SWSELM的受试者工作特征(Receiver operating characteristic,ROC)曲线下面积(Area under curve,AUC)为0.976、精确率-召回率(Precision-recall)的AUC为0.962,测试集中SWSELM的AUC为0.939、PR的AUC为0.939。SWSELM算法筛选出10个与MACE发生的相关预测因子。多因素Logistic回归分析验证并量化了SWSELM算法筛选出的关键预测因子，结果显示NT-proBNP(OR=3.614)、白细胞(OR=2.500)、尿素氮(OR=2.650)、脑卒中史(OR=2.931)和合并房颤(OR=1.885)是AHF患者发生院内MACE的独立危险因素(P<0.05)。结论 本研究构建的SWSELM预测模型结合多因素Logistic回归分析，不仅能有效识别AHF患者院内MACE的预测因子，更能进一步验证和量化各因素的独立风险水平，为临床早期精准识别高风险患者并提供干预重点提供了循证依据。

关键词

急性心力衰竭 / 心血管不良事件 / 自进化学习算法 / 风险预测