急性心肌梗死合并肾功能不全患者主要不良心脑血管事件风险预测模型构建
韩福生
田雪
米玉红
何华
首都医科大学附属北京安贞医院急诊重症监护病房,北京 100029
摘要：目的 应用不同机器学习算法构建急性心肌梗死(AMI)合并肾功能不全患者主要不良心脑血管事件(MACCE)的风险预测模型.方法 选取2014年1月至2019年8月于首都医科大学附属北京安贞医院住院治疗的740例AMI合并肾功能不全患者为研究对象,收集患者一般特征、生命体征、合并症和实验室检查结果等临床资料.采用简单随机抽样法按80％:20％将研究对象分为训练集(592例)和测试集(148例),采用逻辑回归、随机森林、极限梯度提升(XGBoost)、支持向量机和深度神经网络5种机器学习算法分别构建MACCE的预测模型.采用受试者工作特征曲线下面积(AUC)评估模型的可靠性,选择最优模型.使用Shapley加性解释算法评估特征影响并进行特征选择构建最终模型.结果 740例AMI合并肾功能不全患者中有473例(63.9％)发生MACCE.XGBoost模型的AUC最大(AUC=0.862).在根据特征重要性等级对特征进行减少后,建立了具有5个特征的可解释的最终XGBoost模型.最终的模型可以在内部验证中准确预测MACCE发生(AUC=0.955),其中影响XGBoost模型重要临床特征分别为血尿酸、白蛋白、糖化血清白蛋白,体重和血小板计数.结论 基于机器学习算法的5种模型中XGBoost模型预测AMI合并肾功能不全患者发生MACCE效果最佳.
关键词：急性心肌梗死肾功能不全机器学习主要不良心脑血管事件Shapley加性解释算法
分类号：R542.2(心脏、血管（循环系）疾病)
论文发表日期：2024-07-08
在线出版日期：2026-09-14（本平台首次上网日期，不代表文献的发表时间）
页数：5( 975-979 )
英文信息