机器学习模型预测冠状动脉血运重建需求

摘要

为探究机器学习方法预测冠状动脉疾病(CAD:Coronary Artery Disease)患者血运重建适应证的能力，比较极限梯度提升模型(XGBoost:Extreme Gradient Boosting)结合沙普利可加解释性方法(SHAP:SHapley Additive exPlanations)与传统模型在血运重建筛选中的效能。回顾分析2020年1月-2025年5月在吉林大学第一医院纳入的466例CAD或疑似CAD患者，收集患者影像学指标。XGBoost模型通过整合多维度指标构建，采用5折交叉验证优化，结合SHAP量化特征贡献度。结果显示，XGBoost模型曲线下面积(AUC:Area Under Curve)达0.899(95%CI:0.871～0.927),显著高于传统逻辑回归模型(AUC=0.812)、冠状动脉计算机断层扫描血管造影参数逻辑回归模型(AUC=0.786), SHAP分析明确表示最小管腔面积和最狭窄程度为最关键预测因子。XGBoost模型结合SHAP的方法可有效辅助CAD患者血运重建适应证筛选，且预测效能与可解释性均优于传统模型，为临床精准干预提供可靠支持。

关键词

冠状动脉疾病 / 血运重建适应证 / 机器学习 / 冠状动脉CT血管造影