基于机器学习的心源性猝死复发预测模型的开发与评估

《Frontiers in Cardiovascular Medicine》:Developing and evaluating machine learning models in the prediction of recurrent sudden cardiac arrest

【字体: 大 中 小 】 时间:2026年10月15日 来源:Frontiers in Cardiovascular Medicine 3.0

编辑推荐:

  中文翻译 背景: 心源性猝死(SCA)是美国成年人死亡的主要原因之一,且具有显著的复发率。预测SCA复发的风险对于患者的咨询与管理具有重要意义。 目的: 本研究旨在开发并评估机器学习(ML)模型,以预测这一高危人群中SCA的复发。 方法: 研究人员选取了首次心

  
中文翻译 背景: 心源性猝死(SCA)是美国成年人死亡的主要原因之一,且具有显著的复发率。预测SCA复发的风险对于患者的咨询与管理具有重要意义。 目的: 本研究旨在开发并评估机器学习(ML)模型,以预测这一高危人群中SCA的复发。 方法: 研究人员选取了首次心脏骤停被编码为主要诊断的患者(n = 5,286),随访至第二次SCA发生的终点。该队列被划分为训练集(n = 3,382,事件率3.8%)、内部验证集(n = 846,事件率3.8%)和保留测试集(n = 1,058,事件率3.8%)。外部验证使用了由1,776名患者(事件率2.3%)组成的队列。研究人员测试了多种机器学习判别器,评估指标包括模型受试者工作特征曲线下面积(AUROC)、灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和F1分数。AUROC最高的模型在保留测试集上进行了评估,并进行了外部验证。 结果: 梯度提升(GB)模型优于其他模型,在内部验证集中的AUROC为0.93。该模型在保留测试集(AUROC = 0.92)和外部验证集(AUROC = 0.90,灵敏度 = 0.92,特异度 = 0.83,F1分数 = 0.19)中也实现了高判别能力。Shapley加法解释(SHAP)分析表明,首次心脏骤停时可电击心律(室性心动过速)的诊断编码、结构性心脏病证据、传导异常以及初始血液检查结果是模型预测的主要贡献因素。根据内部验证集定义的低风险(NPV ≥ 99%)、中风险和高风险(PPV ≥ 25%)组应用于保留测试集和外部验证集,对SCA复发时间具有强预测能力(p = 0.003)。 结论: 研究人员的机器学习预测模型在基于可解释临床因素预测SCA复发方面表现出良好且稳定的判别能力。外部验证结果证实了研究结果的泛化性。该模型可支持SCA幸存者的风险分层与咨询。

论文解读

一、研究背景与问题

心源性猝死(SCA)是美国成年人的主要死亡原因之一,每年导致约23万至35万人死亡,在工业化国家中占所有心血管死亡的50%。尽管指南对SCA幸存者中因不可逆原因导致室性心律失常的患者提供了植入式心律转复除颤器(ICD)的I类推荐,但临床实践中仍存在显著缺口。所谓"可逆原因"的概念定义不清且应用不一致,缺乏标准化的判断框架。约52%的ICD植入者在植入后10年内从未接受过适当的治疗,而现有的复发预测模型判别能力有限,仅能达到中等水平。因此,开发更精准的SCA复发预测工具具有重要的临床意义。

二、研究设计与核心方法

研究人员利用匹兹堡大学医学中心临床分析部门的数据,回顾性筛选了2010年4月至2024年10月期间就诊的22,369名患者,最终纳入5,286名首次SCA患者作为主要队列,并随访至第二次SCA发生。外部验证队列来自宾夕法尼亚州哈里斯堡的Pinnacle医院(n = 1,776),该医院为近年新并入的机构。研究比较了五种机器学习分类器:逻辑回归、决策树、随机森林、梯度提升(GB)和神经网络,共使用176个临床特征,包括人口学信息、既往病史、社会健康决定因素、药物、心电图和超声心动图数据以及实验室检查结果。模型性能以AUROC、灵敏度、特异度、PPV、NPV和F1分数评估,并采用等渗回归进行概率校准,通过SHAP分析提供模型可解释性。

三、主要研究结果

患者人群特征: 在5,286名经历首次SCA的患者中,202名在中位随访197天时发生复发心脏骤停。复发患者更可能是男性,更常伴有冠状动脉疾病和充血性心力衰竭诊断,且首次SCA时更可能为可电击心律。心电图方面,复发患者的QRS间期和QT间期显著更宽。
ML模型性能: 在内部验证集中,GB模型表现最优,AUROC达0.935,灵敏度1.000,特异度0.874,F1分数0.376。该模型在保留测试集中AUROC为0.922,在外部验证集中AUROC为0.903,灵敏度0.854,特异度0.832。外部验证中F1分数从0.35降至0.19,反映了外部队列较低的事件率(2.3%)。训练队列5折交叉验证的平均AUROC为0.92 ± 0.02。
SHAP可解释性分析: 保留测试集和外部验证集的SHAP分析显示,前20个临床特征几乎一致,支持模型的泛化性。关键预测因子包括:首次SCA时可电击心律(室性心动过速)的诊断编码、ICD植入、血清血液检查和生命体征、超声心动图(如射血分数)和心电图(如QRS宽度)数据。
风险分层: 基于内部验证集校准概率定义的低风险(NPV ≥ 99%)、中风险和高风险(PPV ≥ 25%)组应用于保留测试集和外部验证集,Kaplan-Meier生存分析显示高风险组SCA复发时间显著缩短(p = 0.003)。

四、讨论与结论

本研究的核心优势在于GB模型结合SHAP分析实现了强预测性能与透明可解释性的统一。模型识别的高排名变量具有生物学合理性,如持续性室速作为瘢痕介导的不可逆机制在SCA复发中的核心作用,QRS间期延长反映心肌瘢痕和传导异常,以及左室射血分数升高与较低复发风险相关。与既往研究相比,传统多变量模型的判别能力通常在0.65至0.80之间,而本研究GB模型在外部验证中AUROC接近0.90,显著优于既往报道(AUROC = 0.73)。
研究局限性包括:复发SCA事件数相对较少,可能限制统计功效并增加过拟合风险;回顾性观察设计存在编码不准确、数据缺失和未测量混杂因素的可能;模型超参数基于默认值手动选择而非系统优化;模型未纳入先进心脏影像参数、电生理检查或遗传数据。
结论: 研究人员开发并外部验证了一种梯度提升模型,能够准确预测首次SCA后的复发风险。该模型表现出优异的判别能力,并通过SHAP分析识别了具有临床意义的预测因子。经过进一步验证,此类预测工具可能有助于细化SCA幸存者的个体化风险分层,支持临床决策,补充当前指南指导的二级预防策略。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号