基于机器学习构建急性心力衰竭患者易损期死亡或再入院风险预测模型

目的 应用不同机器学习算法构建急性心力衰竭(acute heart failure,AHF)患者易损期死亡或再入院的风险预测模型,并筛选出最优模型.方法 选取 2019 年 10 月至 2021 年 7 月于陆军军医大学第二附属医院心血管内科住院治疗的 651 例AHF患者为研究对象,收集入院生命体征、合并症和实验室检查结果等临床资料.复合终点事件定义为AHF患者出院后 3 个月内发生全因死亡或心衰加重再入院.采用简单随机抽样法将研究对象按 8 ∶2 拆分为训练集(521 例)和测试集(130 例),基于逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、决策树(decision tree,DT)、轻量梯度提升(light gradient boosting machine,LGBM)、极端梯度提升(extreme gradient boosting,XGBoost)和神经网络(neural network,NN)6 种机器学习算法分别构建预测模型.采用受试者工作特征曲线(receiver operating characteristic,ROC)和临床决策曲线(decision curve analysis,DCA)对模型的预测性能和临床获益进行评价,使用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对模型的影响.结果 651 例AHF 患者中发生复合终点事件 203 例(31.2%).ROC 曲线分析显示,LR、RF、DT、LGBM、XGBoost和NN模型的曲线下面积(area under curve,AUC)依次为 0.707、0.756、0.616、0.677、0.768、0.681,XGBoost模型的AUC最高,DCA曲线中XGBoost模型的临床决策净获益也更大,整体预测效能最佳.SHAP算法分析得出,影响XGBoost模型输出结果的重要临床特征分别为血清尿酸、D-二聚体、平均动脉压、B型利钠肽、左房前后径、体质量指数和NYHA分级.结论 XGBoost模型预测急性心力衰竭患者易损期死亡或再入院风险效果最佳.