基于机器学习的急诊胸痛患者风险分层模型构建与验证研究

《BMC Medical Informatics and Decision Making》：Use of machine learning for risk stratification of chest pain patients in the emergency department

本研究针对急诊胸痛患者初始风险评估依赖实验室检测、耗时长的问题，开展了一项单中心回顾性研究，利用机器学习技术构建了仅基于人口学特征、症状、生命体征及病史等易获取变量的风险预测模型。结果显示，XGBoost模型在前瞻性验证中AUC达0.820，其预测性能与护士分诊及HEART评分相当，且不依赖心电图或实验室结果，为急诊早期分诊提供了快速、可整合于临床信息系统的辅助工具，对优化医疗资源配置具有重要意义。

　　

急诊科每天都会接诊大量以胸痛为主诉的患者，这些患者的病因复杂多样，既可能危及生命（如急性冠脉综合征、主动脉夹层、肺栓塞），也可能仅为低风险疾病（如胃食管反流或肋间神经痛）。临床医生为了排除高危疾病，往往需要进行一系列检查，这不仅消耗大量医疗资源，也导致患者等待时间延长和诊断成本增加。如何在避免漏诊高危患者的同时，减少对低风险患者的过度检查，一直是急诊医学面临的难题。

近年来，随着电子病历系统的普及和人工智能技术的发展，机器学习为这一难题提供了新的解决思路。然而，现有研究多聚焦于单一疾病（如急性心肌梗死）的预测，且常依赖实验室指标或心电图结果，未能充分利用临床记录中的症状学信息。在此背景下，Li等研究人员在《BMC Medical Informatics and Decision Making》发表了一项研究，旨在开发一种不依赖实验室检查的机器学习模型，实现对急诊胸痛患者的早期风险分层。

为开展研究，团队首先回顾性收集了2015年至2022年间武汉大学中南医院急诊科使用“胸痛”“胸闷”“心悸”模板的结构化电子病历，共纳入22,460例患者。数据集按时间划分为训练集（2015–2018年）和测试集（2019–2022年），并采用多重插补法处理缺失值。研究通过传统统计方法（如t检验、卡方检验）和机器学习算法（LASSO、随机森林等）筛选出25个预测变量，包括性别、年龄、症状（如呼吸困难、出汗、放射痛）、生命体征、既往病史等。针对数据不平衡问题，训练集采用SMOTE技术进行平衡处理。随后，基于筛选出的特征，利用五折交叉验证训练了六种机器学习模型（XGBoost、逻辑回归、决策树、朴素贝叶斯、随机森林、支持向量机），并在测试集和前瞻性数据集（2024年1–3月）中验证模型性能，同时与护士分诊结果和HEART评分进行对比。

研究结果显示，XGBoost模型在训练集中表现最优（AUC=0.933），而逻辑回归模型在测试集中AUC最高（0.804）。在前瞻性验证中，XGBoost模型的AUC为0.820，其预测结果与护士分诊结果无显著差异（McNemar检验P=0.501），且与HEART评分的一致性为中等（Kappa=0.383）。值得注意的是，XGBoost模型的特异性（91.8%）和阳性预测值（90.7%）在训练集中均较高，但在测试集中略有下降。校准曲线显示，XGBoost模型的预测概率略高于实际值，存在轻微高估风险。

关键变量筛选结果

研究发现，与高危胸痛相关的症状包括意识状态改变、呼吸困难、出汗、焦虑、呕吐、心悸、恐惧感及放射痛等，与HEART评分中的典型症状高度重合。人口学特征（如年龄）和生命体征（如血压、血氧饱和度）也是重要预测因子。

模型性能对比

六种模型中，XGBoost和逻辑回归模型在区分高危与非高危胸痛患者方面表现稳定。尽管模型灵敏度（51.0%）低于护士分诊（69.6%），但其误诊率（FPR=11.5%）与护士分诊（8.3%）接近，且无需依赖主观判断或实验室结果。

前瞻性验证结果

XGBoost模型在前瞻性队列中展现出良好的判别能力，其预测结果与临床诊断的一致性较高。HEART评分在高危组中仅能识别29.4%的高危患者，表明本研究模型在全面识别多种高危胸痛病因方面更具优势。

研究的创新之处在于充分利用了结构化电子病历中的症状学数据，构建了无需实验室检查的快速分诊工具。模型仅基于易获取、可量化的变量，便于集成到临床信息系统中，甚至可拓展至院前场景（如智能穿戴设备）。此外，团队已开发配套的预分诊软件，未来有望实现患者到院前的初步风险评估。

然而，本研究仍存在一定局限性。作为单中心回顾性研究，模型的外部泛化能力尚需多中心前瞻性验证。此外，部分患者出院时缺乏明确诊断，可能引入分类偏倚。未来研究计划通过多中心合作进一步优化模型，并评估其在真实临床流程中对资源分配和患者结局的实际影响。

综上所述，该研究通过机器学习技术构建了一种高效、资源节约型的胸痛风险分层工具，为急诊科早期分诊提供了数据支持。模型的可整合性和易用性使其具备良好的临床转化前景，有望在改善急诊效率、提升患者安全方面发挥重要作用。