基于机器学习的院内心源性休克预测模型的开发与验证：适用于急性心肌梗死（AMI）患者

《BMC Cardiovascular Disorders》：Development and validation of an in-hospital cardiogenic shock prediction model for AMI patients based on machine learning

基于机器学习的急性心肌梗死患者PCI术后心源性休克的预测模型构建与验证，采用LASSO-Boruta算法筛选特征，随机森林模型在内部验证集（AUROC 0.906）和外部验证集（AUROC 0.988）均表现优异，并开发了Streamlit在线应用。

　　

摘要

目的

基于机器学习（ML）算法，开发和验证一种用于预测急性心肌梗死（AMI）患者在接受经皮冠状动脉介入治疗（PCI）后发生院内心源性休克（CS）的预测模型。

方法

本研究回顾性地纳入了2023年和2024年期间入住兰州大学第一医院的1608名AMI患者。2023年的851名患者被随机分为训练集（n=595）和验证集（n=256），比例为7:3。使用LASSO–Boruta组合算法进行特征选择，构建了六个ML模型。验证集用于内部验证，而2024年入院的患者则作为时间序列外部验证队列用于测试集（n=757）。模型性能通过多种指标进行评估，包括接收者操作特征曲线下面积（AUROC）、准确率、敏感性、精确度和F1分数。此外，还利用SHAP分析来解释所选特征的贡献。基于Streamlit框架开发了一个在线预测应用程序。

结果

LASSO回归最初识别出13个候选特征，而随机森林（RF）模型在训练集中的预测性能最佳。经过Boruta优化后，保留了7个关键特征，从而构建了一个更新的RF模型。该模型在内部验证集上的表现如下：AUROC为0.906，准确率为0.977，精确度为0.900，敏感性为0.643，特异性为0.996，F1分数为0.750。在同一中心进行的时间序列外部验证显示，AUROC为0.988，准确率为0.967，精确度为0.701，敏感性为0.904，特异性为0.972，F1分数为0.790。此外，该模型具有出色的校准能力，Brier分数分别为0.023和0.027。SHAP分析将特征重要性排序为：Killip分级、D-二聚体（DD）、肌酐（Crea）、丙氨酸氨基转移酶（ALT）、载脂蛋白B/A（APOB/A）、舒张压（DBP）和乳酸（Lac）。

结论

我们基于七个关键变量（Killip分级、DD、Crea、ALT、APOB/A、DBP和Lac）开发并验证了一个RF模型，该模型可作为预测AMI患者PCI后发生院内CS风险的工具。此外，我们还使用Streamlit创建了一个在线预测应用程序，便于将该模型应用于临床实践。