基于机器学习的老年阻塞性睡眠呼吸暂停患者冠心病风险预测模型构建
高莹卉1
蔡伟梦2
芮冬2
赵力博3
赵哲2
马耀2
刘霖2
1.北京大学国际医院睡眠医学科,北京 1022062.解放军总医院第二医学中心呼吸与危重症医学科国家老年疾病临床医学研究中心,北京 1008533.首都医科大学北京安贞医院冠心病三区 北京市心肺血管疾病研究所,北京 100853
摘要：目的 探讨机器学习算法在老年阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)患者冠心病风险预测中的应用价值.方法 纳入2015年1月至2017年10月解放军总医院、北京大学国际医院、北京大学人民医院、北京朝阳医院、解放军第九六○医院和甘肃中医药大学附属医院年龄≥ 60岁且完成多导睡眠监测(polysomnography,PSG)检查的患者1129例,根据有无冠心病分为冠心病组202例和无冠心病组927例,收集患者临床资料,将所有患者按6∶2∶2的比例随机分为训练集678例、验证集226例和测试集225例,构建逻辑回归、随机森林、极端梯度提升、梯度提升机机器学习模型预测冠心病,用ROC曲线评估模型判别能力,计算曲线下面积(area under curve,AUC).结果 冠心病组年龄、腰围、收缩压、空腹血糖、男性、高脂血症、糖尿病、饮酒、颈动脉粥样硬化比例明显高于无冠心病组,吸烟、血红蛋白明显低于无冠心病组(P＜0.05,P＜0.01),两组体质量指数分级、呼吸暂停低通气指数分级比较,有统计学差异(P＜0.05).在测试集上,随机森林模型表现最优,AUC为0.815(95％CI:0.756～0.874),优于逻辑回归模型AUC[0.746(95％CI:0.682～0.810)],随机森林模型识别冠心病患者的准确性为73.9％,敏感性为84.5％,特异性为69.9％.特征重要性分析显示,糖尿病、年龄、收缩压、氧减指数和血糖水平为前5位重要预测因子.结论 基于机器学习的冠心病预测模型在老年OSA患者中显示出良好的预测性能,可为心血管风险分层和临床决策提供有效工具.
关键词：睡眠呼吸暂停阻塞性冠心病机器学习预测
资助基金：科研课题(LB2025B010200)
论文发表日期：2025-12-15
在线出版日期：2025-12-29（本平台首次上网日期，不代表文献的发表时间）
页数：5( 1660-1664 )
英文信息