基于机器学习的心脏移植术后一年死亡率预测模型：一项单中心研究

《European Heart Journal - Imaging Methods and Practice》：Machine learning approach to predict 1-year mortality after heart transplantation: a single-centre study

本研究针对心脏移植术后死亡率预测的临床挑战，开发并验证了机器学习预测模型。研究人员通过回顾性分析沙特阿拉伯专科医院419例心脏移植病例数据，比较逻辑回归（LR）和支持向量机（SVM）模型的预测效能。结果显示LR模型测试准确率达96.43%，SVM模型达95.24%，并识别出缺血时间、体重指数（BMI）和心室辅助装置（LVAD）等关键预测因子。该研究为个体化术后管理提供了新思路，推动了人工智能技术在器官移植领域的临床应用。

　　

心脏移植作为终末期心力衰竭患者的关键治疗手段，其术后生存率一直备受关注。尽管手术技术不断进步，但如何准确预测患者术后死亡率仍是临床面临的重大挑战。传统预测模型如供体风险指数和国际心脏移植生存算法等存在判别能力有限的问题。在此背景下，机器学习技术为改善预后预测提供了新的可能。

本研究团队在《European Heart Journal - Imaging Methods and Practice》发表的最新研究中，创新性地应用机器学习算法来预测心脏移植术后一年死亡率。研究人员收集了沙特阿拉伯费萨尔专科医院2007年至2022年间419例心脏移植患者的临床数据，采用逻辑回归（LR）和支持向量机（SVM）两种机器学习模型进行训练和验证。通过准确率、精确度、召回率、F1分数和受试者工作特征曲线下面积（AUC-ROC）等多维度指标评估模型性能。

关键技术方法包括：采用单中心回顾性研究设计，纳入419例心脏移植患者的完整临床数据；使用k折交叉验证确保模型稳健性；通过特征重要性分析识别关键预测变量；比较LR和SVM两种机器学习算法的预测效能。

研究结果：

基线临床特征

研究人群平均年龄33.61±18.94岁，男性占72.7%。扩张型心肌病是最主要病因（62.9%），平均缺血时间为199.8±74.1分钟。植入式心脏除颤器（11.5%）和体外膜肺氧合（ECMO）（1.9%）是较常见的辅助装置。

机器学习模型性能

逻辑回归模型在测试集上达到96.43%的准确率和100%的精确度，其混淆矩阵显示真阴性72例，真阳性9例。特征重要性分析表明，体重超过72kg和BMI大于27kg/m²对死亡率预测具有最强正向影响。

支持向量机模型测试准确率为95.24%，精确度90.0%。该模型正确识别71例存活者和9例死亡病例。

特征重要性分析

LR模型特征重要性图示显示，缺血时间超过233.5分钟对死亡率预测具有中等程度正向影响。而抗凝药物使用和LVAD等装置的使用与死亡率降低相关。

研究结论与讨论部分强调，LR和SVM模型在预测心脏移植术后一年死亡率方面均表现出色，其中体重、BMI和缺血时间是关键预测因素。特别值得注意的是，尽管LVAD和ECMO通常用于危重患者，但其使用与死亡率降低相关，这可能反映了这些生命支持装置在稳定患者术前状态方面的积极作用。该研究的创新点在于首次针对沙特阿拉伯人群开发心脏移植预后预测模型，填补了该地区相关研究的空白。研究成果对临床实践具有重要指导意义，可为个体化术后管理方案的制定提供数据支持，同时展示了机器学习在改善器官移植预后评估方面的巨大潜力。