基于机器学习与模型解释的继发性二尖瓣反流患者治疗结局预测模型构建与临床意义

《BMC Medical Informatics and Decision Making》：A predictive model for the treatment outcomes of patients with secondary mitral regurgitation based on machine learning and model interpretation

本研究针对继发性二尖瓣反流（SMR）患者治疗方案选择缺乏精准指导的临床难题，通过机器学习技术开发了可解释的预测模型。研究团队利用华西医院电子病历系统数据，构建了XGBoost等四种机器学习模型，最终XGBoost模型表现出最佳预测性能（AUC=0.728）。通过SHAP方法识别出年龄、主动脉流速（AV）、右房大小（RA）等关键预测因子，为临床医生制定个性化治疗方案提供了重要决策支持。

　　

在全球范围内，二尖瓣反流（MR）影响着约2420万患者，其中继发性二尖瓣反流（SMR）占中重度MR病例的65%。这种由缺血性或非缺血性心力衰竭引起的瓣膜疾病，每年导致88万伤残调整寿命年损失和3.4万死亡病例。当前SMR的治疗方案包括心衰指南指导药物治疗（GDMT）、外科手术以及最新的经导管缘对缘修复技术。然而，面对SMR患者的异质性，临床医生往往陷入治疗选择的困境：如何准确判断哪些患者能从GDMT中获益，哪些需要更积极的手术或介入治疗？

这一临床难题的根源在于SMR发病机制的复杂性。近年研究发现，基于病理生理机制，SMR患者可分为不同亚型，这些亚型在早期临床表现和治疗反应上存在显著差异。例如，伴有射血分数降低心衰的SMR患者在接受经导管二尖瓣修复术后，其生存率低于心房功能性二尖瓣反流患者。这种多样性凸显了开发预测模型的迫切需求，以帮助临床医生制定个体化治疗策略。

尽管目前已有多种基于人工智能的二尖瓣反流诊断模型，如通过分析二尖瓣反流来检测风湿性心脏病（RHD），或利用机器学习自动分级二尖瓣反流严重程度，但尚未有模型专门预测SMR患者从GDMT中的获益情况。随着电子健康记录（EHR）系统的完善和多样化数据集的发展，机器学习（ML）算法为这一难题提供了新的解决思路。

在这项发表于《BMC Medical Informatics and Decision Making》的研究中，刘可意、刘婷、郎玉门和张清教授团队开展了一项回顾性研究，旨在开发并验证能够预测SMR患者GDMT治疗反应的机器学习模型。研究团队假设ML模型能够准确预测接受GDMT的SMR患者的预后，并为SMR异质性提供新的见解。

研究人员利用华西医院2008年7月至2022年11月期间的EHR系统数据，纳入了所有经超声心动图诊断为中度或以上二尖瓣反流的患者。研究最终纳入了1，572例符合条件的SMR患者，随机分为训练集（80%）和测试集（20%）。研究团队比较了XGBoost、LightGBM、随机森林和逻辑回归四种模型的预测性能，并使用SHapley Additive exPlanations（SHAP）方法解释最优模型。

关键技术方法包括：使用递归特征消除（RFE）技术从116个临床特征中筛选出70个最具预测价值的特征；采用5折交叉验证训练模型；通过SHAP方法进行模型解释和特征重要性分析；使用ROC曲线下面积（AUC）、Brier评分等指标评估模型性能。

研究结果

研究人群特征

研究共纳入1，572例SMR患者，其中男性占51.7%，平均年龄62岁。改善组患者（41.9%）相比非改善组年龄更轻（60.24±15.02岁 vs 61.98±15.80岁，P<0.05），左房尺寸（LA）更小（44.55±8.08 mm vs 45.91±8.28 mm，P<0.05），右房尺寸（RA）更小（41.22±9.81 mm vs 42.22±9.41 mm，P<0.05），主动脉流速（AV）更高（1.53±0.85 m/s vs 1.36±0.54 m/s，P<0.001），房颤比例更低（35.8% vs 41.8%，P<0.05）。

机器学习模型比较

XGBoost模型在测试集上表现出最佳判别能力，AUC为0.728，灵敏度78.5%，特异度60%，阳性预测值59.6%，阴性预测值78.8%，F1分数0.677。相比之下，LightGBM、随机森林和逻辑回归模型的AUC分别为0.68、0.64和0.63。在校准性能方面，XGBoost模型的Brier评分最低（0.21），表明其预测概率与实际结果最为接近。

模型解释与特征重要性

SHAP分析显示，年龄是最重要的预测因子，其次是主动脉流速（AV）、右房大小（RA）、每搏输出量（SV）、升主动脉（AAO）和左房大小（LA）。年龄与预测结果呈负相关，即年龄越大，改善可能性越低；而较高的AV值与改善呈正相关。

SHAP依赖图进一步揭示了关键变量的阈值效应：年龄在75岁、AV在2 m/s、SV在80 ml处存在明显的分界点。当RA在35-50 mm、LA在35-45 mm、主肺动脉（MPA）在20-30 mm范围内时，对结局的影响几乎总是积极的；而当AAO在20-40 mm范围内时，对结局的影响则多为消极。

特征交互作用分析显示了多个变量间的复杂关系，如AAO与AV、AAO与主动脉（AO）、年龄与AAO等之间存在显著的交互效应，这反映了SMR病理生理过程的复杂性。

研究结论与意义

本研究成功开发了首个基于机器学习预测SMR患者GDMT治疗反应的模型，并通过SHAP方法提供了可解释的临床洞见。XGBoost模型相比传统统计方法展现出更优的性能，特别是在捕捉超声心动图参数与治疗反应间的非线性关系方面具有独特优势。

研究识别出的关键预测因子具有重要临床意义：年龄≥65岁的患者GDMT反应较差，提示这类患者可能需要更密切的监测或早期心脏专科咨询；AV小于2 m/s可能是疗效不佳的重要标志，这与左心室结构改变导致主动脉瓣开闭异常相关；RA大小在35-50 mm之间的患者表现出最佳治疗反应，这一发现为GDMT提供了潜在的"治疗窗口"。

研究的创新之处在于：首次将机器学习应用于SMR治疗反应预测；采用特征选择技术提高模型可解释性和泛化能力；强调模型临床适用性，所有预测因子均来自常规临床检查，便于实际应用。

然而，研究也存在一定局限性：单中心回顾性设计和以东亚人群为主的患者队列限制了结果的普适性；模型预测精度仍有提升空间，反映了SMR的复杂多因素本质；未纳入手术治疗患者数据，无法进行治疗方案比较。

未来研究方向应包括在多中心、多种族队列中进行前瞻性验证，整合新型生物标志物（如利钠肽、基因组数据）和实时血流动力学监测，进一步优化模型性能。随着多中心多模态EHR数据系统的建立，有望发现更多反映SMR病理生理的新关联，最终实现治疗策略优化和患者结局改善的目标。

这项研究为SMR的精准医疗迈出了重要一步，展示了机器学习在心血管疾病临床决策支持中的巨大潜力。通过将复杂的临床数据转化为可操作的预测洞见，该模型有望帮助医生制定更个性化的治疗方案，优化医疗资源配置，最终改善患者预后。