基于机器学习构建和验证慢性心力衰竭恶化风险预测模型

摘要

目的 基于机器学习算法构建6种慢性心力衰竭患者心力衰竭恶化的风险预测模型，并对其预测性能进行比较分析。方法 回顾性收集2019年1月—2023年12月合肥市第二人民医院收治的608例慢性心力衰竭患者作为研究对象，将其分为建模组(n=486)与内部验证组(n=122)。同时，以同期蚌埠医科大学第一附属医院收治的400例慢性心力衰竭患者作为外部验证组。采用LASSO回归分析筛选慢性心力衰竭患者心力衰竭恶化的关键变量进行多因素分析，基于慢性心力衰竭患者心力衰竭恶化的独立危险因素，采用机器学习算法构建6种风险预测模型，并验证其性能。结果 本研究纳入1 008例慢性心力衰竭患者，其中294例心力衰竭恶化，发生率为29.17%。LASSO回归分析共筛选出13个关键变量，基于13个关键变量进行多因素Logistic回归分析，结果显示，心房颤动、左室射血分数、N末端脑利钠肽前体、尿酸、肌酐、情绪领域为慢性心力衰竭患者心力衰竭恶化的独立影响因素(P<0.05)。基于6个独立危险因素构建Logistic模型、决策树模型、神经网络模型、支持向量机模型、随机森林模型、XGBoost模型，经验证6种预测模型的曲线下面积(AUC)均>0.8,其中以Logistic模型和XGBoost模型的预测效能最佳。结论 基于机器学习算法构建的6个适用于慢性心力衰竭患者心力衰竭恶化的风险预测模型，均具有较好的预测性能，但考虑临床适用性和便捷性，Logistic模型可能具有更高的临床应用价值，可为心力衰竭恶化的早期识别及防治方案制订提供参考。

关键词

心力衰竭 / 疾病恶化 / 机器学习 / 预测模型 / 风险评估 / 列线图 / 情绪障碍 / 模型验证