基于机器学习建立高血压性心力衰竭病死预测模型的研究
王淼
樊洪轩
王蕾刚
任兆煜
梁斌
030000 山西省太原市,山西医科大学第二临床医学院
摘要：目的 探究导致高血压性心力衰竭患者病死风险增加的危险因素,并开发和验证预测模型临床意义.方法 从美国重症监护医学信息数据库Ⅳ(medical information mart for intensive care-Ⅳ,MIMIC-Ⅳ)数据库中纳入4270例心力衰竭患者,分别以院内病死、出院后7d、14d及30d内病死为结局,将数据集随机分为两部分,70%的数据用于模型训练,30%用于模型验证.使用机器学习算法筛选危险因素,采用多元Logistic回归分析在训练集中建立预测模型,然后在测试集中进行验证,并评估模型的辨别性、校准和临床有效性,选择性能最佳的模型构建列线图.使用EICU数据库(EICU collaborative research database,EICU)进行外部验证.结果 在4270例患者中,院内病死率为14.6%,出院后7d、14d及30d内病死率分别为17.1%、18.6%和21.1%.经过筛选,最终纳入的危险因素为白细胞计数、血小板计数、磷酸盐、碳酸氢根、阴离子间隙、急性生理学评分Ⅲ(acute physiology scoreⅢ,APSⅢ)评分、牛津急性疾病严重程度评分(Oxford acute severity of illness score,OASIS)评分、简明急性生理学评分(simplified acute physiology scoreⅡ,SAPSⅡ)、查尔斯共病指数(charlson comorbidity index,CCI)、体重.四个模型的ROC在训练集中分别为0.817、0.810、0.785、0.796,测试集中为0.828、0.819、0.793、0.801;C指数在训练集中分别为0.817、0.810、0.785、0.796,测试集中为0.828、0.819、0.793、0.801.训练集和测试集在两组中均具有较强的一致性表现,结合模型"全部治疗"比"未治疗"方案有净收益.在EICU数据库中,院内病死模型的ROC和C指数为0.754,具有较强的一致性表现,结合模型"全部治疗"比"未治疗"方案有净收益.结论 本研究的列线图能够很好地预测ICU中的高血压性心力衰竭患者的院内及出院后7d、14d及30d的病死情况,有助于临床决策.与心力衰竭院内病死率评分(get with the guidelines-heart failure,GWTG-HF)、CCI评分相比较,院内病死模型、SAPSⅡ、OASIS、APSⅢ、具有更多的临床收益.
关键词：心力衰竭高血压性心力衰竭机器学习XGboost随机森林列线图
分类号：R542.2+2(心脏、血管（循环系）疾病)
论文发表日期：2025-09-20
在线出版日期：2025-09-30（本平台首次上网日期，不代表文献的发表时间）
页数：8( 811-818 )
英文信息