编辑推荐：
本研究聚焦于急性心肌梗死合并心源性休克（AMI-CS）患者的30天院内死亡风险预测问题，研究人员构建并比较了机器学习模型和列线图的预测效能，发现列线图在预测准确性上更具优势，为临床决策提供了有力支持，研究成果发表于《BMC Cardiovascular Disorders》。
急性心肌梗死（AMI）合并心源性休克（CS）是一种高死亡率的临床综合征，全球范围内其30天死亡率高达40%至50%。尽管已有研究显示早期再灌注治疗等措施对AMI-CS患者有生存益处，但目前针对这类患者院内死亡风险的预测工具仍不完善，现有风险评分系统存在计算复杂、预测因素不全面等问题，难以满足临床快速评估的需求。为了更准确地预测AMI-CS患者的死亡风险，以便临床医生能够及时做出精准决策，改善患者预后，来自蚌埠医学院的研究人员开展了一项基于eICU-CRD和MIMIC-IV数据库的回顾性研究。他们构建了包括AdaBoost、XGBoost（XGB）、LightGBM（LGB）、随机森林（RF）模型以及逻辑回归列线图在内的多种预测模型，并对这些模型的预测效果和临床价值进行了综合评估，最终发现列线图在预测AMI-CS患者30天院内死亡风险方面表现出更高的准确性和临床适用性，该研究为临床实践中AMI-CS患者的预后评估和治疗决策提供了新的有力工具，研究成果发表于《BMC Cardiovascular Disorders》。
在研究过程中，研究人员首先从eICU-CRD数据库中筛选出332例符合条件的AMI-CS患者作为训练队列，并从MIMIC-IV数据库中获取外部验证集。他们提取了包括人口统计学特征、基本生命体征、实验室检查结果、合并症以及治疗信息等在内的49个变量，并采用随机森林递归特征消除（RF-RFE）和最小绝对收缩与选择算子（LASSO）算法进行特征选择，最终确定了9个与AMI-CS患者死亡风险密切相关的预测因子，包括心率（HR）、乳酸、pH值、国际标准化比率（INR）、天门冬氨酸氨基转移酶（AST）、血尿素氮（BUN）、尿量、通气情况以及去甲肾上腺素使用情况。基于这些预测因子，研究人员构建了逻辑回归列线图，并利用R语言中的“rms”和“ggplot2”包进行列线图的开发和可视化展示。
研究结果显示，在内部测试集中，列线图的预测性能优于所有机器学习模型，其AUC值达到0.869（95% CI：0.803, 0.883），F1分数为0.897；在外部验证集中，列线图的AUC值为0.770（95% CI：0.702, 0.801），F1分数为0.832，表现出良好的预测稳定性和泛化能力。此外，研究人员还通过校准曲线、决策曲线分析（DCA）和临床影响曲线等方法对列线图的预测性能进行了进一步验证，结果表明列线图在预测AMI-CS患者30天院内死亡风险方面具有较高的临床效益。
在讨论部分，研究人员指出，尽管机器学习在医学领域的应用日益广泛，但其在心血管领域的应用仍面临可解释性和不确定性等挑战。相比之下，列线图基于线性关系构建，具有较低的过拟合风险，并且能够以直观的可视化方式呈现患者的死亡风险，便于临床医生理解和应用。此外，研究人员还强调了本研究的局限性，包括回顾性研究设计可能带来的混杂因素、数据库固有局限性可能引入的结构偏差以及样本量较小等问题，并建议未来研究扩大样本量，进一步优化数据处理和分析方法，以提高预测模型的准确性和可靠性。总体而言，本研究通过构建和比较多种预测模型，为AMI-CS患者的死亡风险预测提供了新的视角和方法，其研究成果有望在临床实践中得到广泛应用，从而改善AMI-CS患者的预后。
