心肌梗死并心衰患者PCI术后院内死亡的机器学习预测模型的构建

摘要

目的 构建并验证一个基于机器学习的预测模型，用于评估心肌梗死(MI)合并心力衰竭(HF)患者在经皮冠状动脉介入治疗(PCI)后的院内死亡风险。方法 回顾性分析2019年1月至2023年1月在新疆医科大学第一附属医院就诊并接受PCI治疗的MI合并HF患者。收集患者的人口学特征、生命体征、实验室检查、影像学参数以及药物治疗情况，按7∶3的比例分为训练集和验证集。利用极限梯度提升(XGBoost)模型筛选对院内死亡有显著影响的变量，并采用Shapley加法解释(SHAP)模型评估变量重要性，通过单因素和多因素Logistic回归分析构建预测模型。模型性能通过受试者工作特征(ROC)曲线、曲线下面积(AUC)、校准曲线和决策曲线进行评估，最终生成诺莫图用于直观评估风险。结果 共纳入1 214例MI合并HF患者数据，中位年龄为64岁，其中院内死亡90例，病死率为7.41%。经过XGBoost模型特征选择，最终筛选出10个显著变量，包括年龄、肌红蛋白、白蛋白、空腹血糖、N末端B型利钠肽原(NT-ProBNP)、合并糖尿病、肌酐、胱抑素-C、降钙素原和射血分数。基于这10个变量进一步建立Logistic回归模型，最终得出7个关键指标：年龄、合并糖尿病、肌酐、空腹血糖、胱抑素-C、NT-ProBNP和白蛋白。模型在训练集和验证集的AUC分别为0.869(95%CI:0.84～0.89)和0.827(95%CI:0.79～0.85),显示出较高的预测准确性。校准曲线显示预测概率与实际观察结果一致，决策曲线分析表明在不同决策阈值下，模型均具有较高的净收益。结论 所构建的基于机器学习和Logistic回归的预测模型能够有效评估MI合并HF患者在PCI术后的院内死亡风险，并提供了一种直观的个体化风险评估工具(诺莫图)。该模型可辅助临床早期识别高危患者，优化干预策略，以改善患者预后。

关键词

机器学习 / 心肌梗死(MI) / 心力衰竭(HF) / 经皮冠状动脉介入术(PCI) / 院内死亡

基金资助

新疆维吾尔自治区自然科学基金资助项目(No.2022D01E71)