用于预测冠心病患者5年内发生重大心血管不良事件的可解释机器学习模型的开发与验证

《BMC Cardiovascular Disorders》：Development and validation of an interpretable machine learning model for predicting 5-year major adverse cardiovascular events in patients with coronary artery disease

　　

摘要

背景

冠状动脉疾病仍是全球心血管死亡的主要原因，准确的预后评估对于指导临床决策至关重要。本研究旨在构建并验证可解释的机器学习模型，用于预测住院冠状动脉疾病患者的5年主要不良心血管事件发生风险。

方法

研究纳入了705名冠状动脉疾病患者，将其随机分为训练组（n?=?494）和验证组（n?=?211）。通过最小绝对值收缩和选择算子回归法筛选出关键预测因子。共建立了四种基于生存分析的模型，并通过区分度、校准度以及决策曲线分析来评估模型性能。此外还运用沙普利加性解释方法提升模型的可解释性。

结果

共有705名住院冠状动脉疾病患者参与研究（平均年龄63.2岁，72.5%为男性），其中221人（31.3%）在5年随访期内出现了主要不良心血管事件。LASSO回归分析确定了11个关键预测因子，包括左心室射血分数、N端B型钠尿肽前体水平、硝酸盐使用情况、冠状动脉疾病的病程、抑郁症状以及年龄。在四种模型中，随机生存森林模型表现出较好的区分能力，其在训练组的C指数为0.804（95%置信区间：0.770–0.837），在验证组则为0.710（95%置信区间：0.650–0.768）。该模型还具有不错的校准性能，在验证组中获得了最低的布里尔得分。决策曲线分析表明，无论在何种风险阈值下，该模型相比“全部治疗”和“不治疗”策略都具有潜在的临床优势。沙普利分析显示，左心室射血分数、年龄以及病变血管数量是预测5年主要不良心血管事件的最重要因素。

结论

随机生存森林模型在预测住院冠状动脉疾病患者的5年主要不良心血管事件方面，具备较好的区分能力、校准性能以及临床应用价值。这些研究结果表明，基于机器学习的方法有助于实现个体化的风险分层，并为二级预防策略的制定提供依据。