2025年5月7日，Jing-Xian Wang等人在《Front Cardiovasc Med》杂志上发表了一篇题为《Machine learning algorithms to predict heart failure with preserved ejection fraction among patients with premature myocardial infarction》的文章。 早发性心肌梗死（PMI）患者射血分数保留的心力衰竭（HFpEF）是影响长期预后的关键因素。本研究旨在开发一种基于机器学习算法的模型，该模型可以及早快速预测PMI患者发生院内HFpEF的风险。
HFpEF在急性心肌梗死（AMI）患者中占比逐年上升，尤其在年轻人群中预后较差，但其预测模型研究仍存在空白。因此本研究聚焦于比较不同机器学习模型的性能，筛选关键预测因子，并构建可解释的临床决策支持工具，从而为高风险患者的个体化干预提供依据，降低HFpEF发病率并改善长期预后。
本研究数据来源于2017年1月至2022年12月天津胸科医院的前瞻性单中心队列，纳入840例AMI的患者。纳入标准包括：符合PMI年龄标准（年龄>18岁，且男性≤50岁或女性≤55岁）；首次诊断为AMI；入院时无心力衰竭、接受冠状动脉造影（CAG）及直接经皮冠状动脉介入治疗（PPCI）。排除严重肝肾功能衰竭、先天性或瓣膜性心脏病、严重炎症性疾病、恶性肿瘤、关键检查数据缺失及未签署知情同意书的病例。
收集数据包括人口学特征即年龄、性别、BMI、吸烟与饮酒史、冠心病家族史（CAD）、既往病史、AMI类型）；入院生命体征；实验室检查、冠状动脉造影（CAG）及经胸超声心动图（TTE）参数；实验室指标如炎症比值CLR（C反应蛋白与淋巴细胞比值）和MLR（单核细胞与淋巴细胞比值）、冠脉造影结果（含SYNTAX评分）、超声心动图参数及用药信息。所有数据均通过标准化电子病历系统采集以确保一致性。研究流程详见图1。
本研究基于Riley等人提出的pmsampsize准则确定最小样本量为298例。数据缺失率低于5%的变量采用中位数填补连续变量缺失值，分类变量使用多重插补。数据集按8:2比例随机分为训练集（80%）和测试集（20%），训练集内采用五折交叉验证。除年龄经最小-最大标准化外，其余连续变量均按临床参考范围（如BMI≥24 kg/m²）、指南或中位数如总胆汁酸（TBA）、CLR、MLR转换为分类变量。针对HFpEF样本量不足问题，采用SMOTE技术平衡数据（k=5，过采样比=1）。构建五种机器学习模型，包括套索逻辑回归（Lasso-Logistic）、极限梯度提升（XGBoost）、随机森林（RF）、K近邻（KNN）、支持向量机（SVM）模型预测院内HFpEF的发生。通过方差膨胀因子（VIF>10）排除多重共线性变量后，Lasso回归筛选出12个关键预测因子并构建逻辑模型；其余模型基于全变量训练后，选取特征重要性排名前10的变量重新建模。模型优化采用自动调参策略，结合五折交叉验证评估泛化性能，最终通过测试集计算AUC、准确率、F1分数及Brier分数进行验证。使用净重新分类改进指数（NRI）和综合判别改进指数（IDI）量化模型预测能力的提升，并基于性能对比选定最优模型。模型解释采用SHAP值可视化变量贡献度，校准曲线评估预测概率与实际概率的一致性，决策曲线分析（DCA）量化不同阈值下的临床净获益。
研究人群基线特征如表1所示，共纳入840例患者（HFpEF组268例，非HF组572例），中位年龄42[38-44]岁，男性占91.0%。组间比较显示，HFpEF组女性比例显著高于非HF组（15.7% vs. 5.9%，P<0.001），年龄更大（42[39-45] vs. 41[37-44]岁，P=0.001），肥胖（BMI≥24 kg/m²：82.5% vs. 74.5%，P=0.013）和高血压（56.3% vs. 45.8%，P=0.006）比例更高。实验室指标方面，HFpEF组炎症标志物（CRP>5.0 mg/L：63.4% vs. 43.5%；MLR>0.3：65.7% vs. 42.7%，均P<0.001）及脑钠肽（BNP）>100 pg/ml比例（91.0% vs. 62.4%，P<0.001）显著升高。冠脉造影显示HFpEF组SYNTAX评分>14.5的比例更高（64.2% vs. 43.0%，P<0.001），提示更严重的冠脉病变。综上，HFpEF患者具有年龄较大、合并症负担更重、心血管功能障碍更显著的特征。训练集与测试集的基线特征及连续变量描述性统计分别见补充表S2和S3。
研究将840例患者按8:2比例随机划分为训练集（672例）和测试集（168例），所有预测变量的方差膨胀因子（VIF）均<5，表明多重共线性问题不显著。基于Lasso回归的变量筛选（图2A-B）从全变量集中识别出12个关键预测因子，包括女性、高血压、STEMI、BMI≥24 kg/m²、SYNTAX评分>14.5、入院心率（HR）>75次/分、中性粒细胞百分比（NEU%）>75%、红细胞压积（HCT）<45%、心肌肌钙蛋白T（cTnT）>1.44 ng/L、MLR>0.3、CLR>2.83及BNP>100 pg/ml。经多因素Logistic回归进一步筛选后，最终模型保留8个变量：女性、BMI≥24 kg/m²、SYNTAX评分>14.5、HR>75次/分、HCT<45%、MLR>0.3、CLR>2.83及BNP>100 pg/ml。RF、XGBoost、KNN和SVM模型经全变量训练后，基于特征重要性排名选取前10个变量重新建模。各模型的特征重要性排序分别展示于图2C-G中，其中XGBoost模型的关键变量包括BNP水平、SYNTAX评分、年龄、炎症比值等（如图2D）。
各模型在测试集的分类性能比较如表2及图3A-B所示。五种机器学习模型的AUC范围为0.517（SVM）至0.854（XGBoost），其中XGBoost的AUC、准确率（0.798）及F1分数（0.586）均为最优，Brier分数（0.143）与Lasso-Logistic相当。雷达图（图3B）综合显示XGBoost在多数指标上表现突出。补充图S1表明，SMOTE技术有效平衡了训练集类别分布，提升XGBoost与KNN的F1分数及AUC，但SVM性能未改善。
通过净重新分类改进指数（NRI）和综合判别改进指数（IDI）分析，XGBoost相比其他模型预测能力显著更优（均P<0.05）。例如，与Lasso-Logistic相比，NRI=0.149（95%CI:0.008-0.290），IDI=0.049（95%CI:0.008-0.091）；与SVM相比，NRI=0.428（95%CI:0.277-0.579），IDI=0.227（95%CI:0.175-0.279）（补充表S5）。校准曲线显示XGBoost预测概率与实际概率高度一致（图3C-D），决策曲线分析（图3E-F）证实其在广泛阈值范围内具有临床净获益。综上，XGBoost因综合性能最优被选为最终模型。
XGBoost模型变量的重要性排序显示BNP >100 pg/ml是影响PMI患者院内HFpEF发生的最重要特征。此外，SYNTAX评分> 14.5、年龄、MLR >0.3、HCT <45%、HR >75 bpm、身体质量指数≥24 kg/m2、CLR >2.83、高血压、Fg ≥4 g/L也是预测HFpEF的重要变量(图2D)。图4A和补充表S6显示，上述变量是PMI患者院内HFpEF的风险因素。
视觉预测系统包括用于输入患者变量(例如，年龄、高血压状态)的输入界面(左)和显示预测概率(上)和解释模型决策的个性化SHAP图(下)的输出界面(右)。在图4B中，系统根据临床输入预测PMI患者发生HFpEF的概率为65.5%。该系统向公众开放https://hfpefpmi.shinyapps.io/apppredict/.
基于XGBoost算法建立的可解释预测模型可以准确预测PMI患者的院内HFpEF风险，该模型有望通过为PMI患者提供及时、优先和精确的干预措施来帮助临床医生做出决策，最终降低HFpEF的发生率并改善长期预后。
上一篇：05.19-05.25 临床预测模型研究顶刊快报
下一篇：构建基于机器学习的孕中期流产风险预测模型
