基于医学检验大数据的急性心肌梗死患者并发心力衰竭的预测模型构建及风险分层研究
曹伟
杨志宁
纪冰
王丽娟
030024 山西省太原市,山西省心血管病医院检验科
摘要：目的 通过机器学习算法挖掘医学检验大数据,并构建急性心肌梗死(AMI)患者并发心力衰竭(心衰)的预测模型及风险分层研究.方法 通过电子病历系统收集于2020年10月至2024年10月由本院收治的1500例AMI患者的临床资料.将纳入研究的患者按照7∶3比例分为训练集(n=1050)和验证集(n=450).根据患者是否并发HF将训练组患者分为心衰组(n=425)和无心衰组(n=625).分别采用Logistic回归、支持向量机、随机森林训练模型筛选AMI并发心衰的风险变量,通过交叉验证选出每种算法的最佳子集,取交集作为最终输入变量.纳入模型交集结果构建预测AMI患者并发心衰的模型,并对模型的预测效能进行检验.结果 心衰组和无心衰组在年龄、高血压、Killip心功能分级、可溶性生长刺激表达基因2蛋白(sST-2)、高敏心肌肌钙蛋白I(hs-cTnI)、N末端B型利钠肽原(NT-proBNP)、血尿素氮(BUN)、血肌酐(Crea)、高密度脂蛋白胆固醇(HDL-C)、低密度脂蛋白胆固醇(LDL-C)水平方面比较差异有统计学意义(P<0.05).分别应用Logistic回归、支持向量机、随机森林机器学习算法对上述有统计学意义的10个风险变量进行分析,3种机器算法筛选的交集变量分别为Killip心功能分级≥Ⅱ级、sST-2、hs-cTnI、NT-proBNP、HDL-C、LDL-C.基于此结果构建预测AMI患者并发心衰的列线图模型.在训练集和验证集模型ROC曲线下面积(AUC)分别为0.837和0.804,(95%CI 0.751～0.960和0.729～0.883),Hosmer-Lemeshow检验曲线显示,模型在训练集和验证集的校正曲线与理想曲线均拟合良好(χ2=1.443和1.234,P=0.276和0.203).结论 基于医学检验大数据构建的AMI患者并发心衰预测模型具有较好的预测效能,可为临床提供参考.
关键词：急性心肌梗死心力衰竭预测模型风险分层机器学习
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：6( 819-824 )
英文信息