编辑推荐：
急性心肌梗死（AMI）后心力衰竭（HF）致死致残率高，Killip 分类主观性强。研究人员用多维临床数据构建可解释 AI 模型预测 HF 严重程度。TabNet 模型性能最佳，该模型助力早期干预，提升患者预后。
在全球范围内，急性心肌梗死（Acute Myocardial Infarction，AMI）如同高悬在人们头顶的 “达摩克利斯之剑”，时刻威胁着人类的生命健康。它常常引发心力衰竭（Heart Failure，HF）这一严重并发症，使得患者的生活质量急剧下降，死亡率也大幅攀升。目前，临床广泛使用的 Killip 分类虽然能在床边快速评估 HF 严重程度，却存在明显缺陷。它过于依赖主观判断，无法全面、精准地反映出 HF 发生发展过程中各种复杂因素之间的相互作用。这就好比用一把不够精准的尺子去衡量复杂的病情，难以准确把握患者的真实状况。在这样的背景下，如何利用更科学、更精准的方法来预测 AMI 后 HF 的严重程度，成为了医学领域亟待攻克的难题。
为了突破这一困境，首都医科大学附属宣武医院等机构的研究人员积极开展了一项极具意义的研究。他们致力于开发一种可解释的人工智能（Artificial Intelligence，AI）模型，借助多维临床数据对 AMI 后 HF 的严重程度进行预测。这项研究成果发表在《BMC Cardiovascular Disorders》杂志上，为心血管疾病的诊疗带来了新的希望。
研究人员在开展研究时，采用了多种关键技术方法。他们收集了首都医科大学附属宣武医院 2017 年 1 月至 2022 年 12 月期间诊断为 I 型 AMI 的 2993 例患者的数据，经过筛选，最终纳入 1574 例患者。然后，利用深度学习（如 TabNet、多层感知器 Multi - Layer Perceptron，MLP）和机器学习（随机森林 Random Forest，RF、极端梯度提升 XGBoost）模型进行建模。同时，运用 Shapley 加性解释（Shapley Additive Explanation，SHAP）方法增强模型的可解释性，并开发了网络平台方便临床应用。
在研究结果部分，首先是患者特征分析。研究涉及的 1574 例患者中，KILLIP 1 级有 1005 例（63.8%），KILLIP 2 级有 468 例（29.7%），KILLIP 3 级有 72 例（4.6%），KILLIP 4 级有 29 例（1.8%）。与 KILLIP 1 级患者相比，2 - 4 级患者多为女性、年龄更大，且高血压、糖尿病等病史更为常见，同时炎症指标、部分生化指标异常，心脏结构和功能相关指标也存在差异。这表明女性、高龄、炎症反应、基础疾病以及代谢和心脏功能异常与 AMI 后 HF 风险增加密切相关。
接着是模型性能评估。研究人员针对 KILLIP 分类开展了四分类（KILLIP 1、2、3、4）和二分类（KILLIP 1 vs. KILLIP 2、3、4）两项任务。在四分类任务中，TabNet 模型表现最为出色，受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUROC）达到 0.827，在二分类任务中，TabNet 模型的 AUROC 为 0.831，均优于其他模型。这充分证明了 TabNet 模型在预测 AMI 后 HF 严重程度方面具有较高的准确性和可靠性。
然后是模型解释。通过 SHAP 方法对 TabNet 模型进行分析发现，全球注册急性冠状动脉事件评分（Global Registry of Acute Coronary Events score，GRACE）、心肌梗死溶栓治疗评分（Thrombolysis in Myocardial Infarction score，TIMI）、N 末端 B 型利钠肽原（N - terminal pro - B - type natriuretic peptide，NT - pro BNP）、肌酐以及住院时长等对预测 “KILLIP 1” 有负面影响，即这些指标值越高，患者被归为 KILLIP 1 级的可能性越低；而左心室射血分数（Left Ventricular Ejection Fraction，LVEF）和肌酐清除率（Creatinine Clearance Rate，CCR）则具有正向影响，其值越高，患者被归为 KILLIP 1 级的概率越大 。并且，SHAP 依赖图和局部解释进一步展示了单个特征对模型预测的影响以及具体患者的预测情况。
最后，研究人员将 KILLIP 预测模型集成到网络平台，医生输入患者相关特征值，平台就能自动预测患者 AMI 后的 KILLIP 分类，极大地方便了临床应用。
在研究结论和讨论部分，此次研究构建的 KILLIP 分类预测模型，凭借 AI 技术实现了对 AMI 后 HF 风险和严重程度的精准早期预测与个性化诊断。这一模型能够辅助医生尽早实施临床干预，优化治疗策略，进而降低 AMI 后 HF 的发生率，改善患者的预后情况，在临床应用中具有重大价值。不过，该研究也存在一定的局限性，如数据来自单中心，缺乏多中心验证；依赖 SHAP 解释存在方法学限制；数据模态有限，未纳入影像、纵向随访及基因组或蛋白质组生物标志物等。但这也为后续研究指明了方向，未来研究可通过收集多中心更全面的临床数据，进一步优化预测模型，提升其准确性和可靠性。总之，这项研究成果为心血管疾病的诊疗开辟了新的道路，有望推动心血管医学领域的进一步发展，为更多患者带来健康的曙光。
