编辑推荐：
电子病历（EMR）假记录（假阳性、假阴性、缺失）影响急性冠脉综合征（ACS）预测模型性能。首尔国立大学研究团队针对接受基础胰岛素治疗的 2 型糖尿病（T2DM）患者，用倾向评分（PS）替代二元变量建模，发现 PS 数据集训练的 ML 模型性能及解释性更佳，为 ACS 风险预测提供新方法。
心血管疾病如同潜伏在人体中的 “隐形杀手”，急性冠脉综合征（ACS）作为其危急重症，尤其对代谢综合征患者如 2 型糖尿病（T2DM）人群威胁巨大。传统风险预测模型如 GRACE、TIMI 虽应用广泛，但存在人群覆盖狭窄、长期预测能力不足等局限，且电子病历（EMR）中二元变量的假记录（假阳性、假阴性、缺失）严重干扰机器学习（ML）模型的准确性。如何突破数据质量瓶颈、提升 ACS 预测的可靠性，成为临床与科研亟待解决的问题。
为攻克这一难题，首尔国立大学（韩国）的研究团队开展了一项创新性研究。他们聚焦接受基础胰岛素治疗的 T2DM 患者，提出以倾向评分（PS，定义为给定协变量下二元变量存在记录的概率）替代电子病历中的原始二元变量，旨在通过优化数据质量提升 ACS 预测模型的性能与解释性。研究成果发表于《Scientific Reports》，为糖尿病患者心血管风险管控提供了新方向。
研究主要采用以下关键技术方法：
- 数据来源与队列构建：数据取自首尔国立大学医院临床数据仓库（CDW），纳入 9338 例 T2DM 患者的 10184 个治疗周期，排除标准包括年龄 < 18 岁、1 型糖尿病、胰岛素治疗 < 1 个月及基线前有 ACS 史等。
- 倾向评分估计：运用 Logistic 回归（LR）、Light Gradient Boosting Model（LGBM）、XGBoost（XGB）、深度神经网络（DNN）、长短期记忆网络（LSTM）等算法，基于基线协变量（人口学、合并症、用药、检验结果等）估计各二元变量的 PS。
- 模型开发与验证：分别用原始数据集和 PS 数据集训练多种 ML 模型（LR、SVM、随机森林 RF、XGB、DNN、1D 卷积神经网络 CNN 等），以 10 折交叉验证优化参数，通过准确性、召回率、精确率、F1 分数、受试者工作特征曲线下面积（AUROC）评估性能，并与堆叠去噪自编码器（SDAE）模型对比。
- 解释性分析：采用 Shapley 加性解释（SHAP）方法识别关键临床预测因子，评估模型对已知 ACS 风险因素的覆盖度及关联方向的临床合理性。
研究结果
1. 患者基线特征与 ACS 发生率
研究对象平均年龄 60.2 岁，男性占 56.6%，最常见合并症为高血压（31.5%）和血脂异常（28.9%），6.9% 在胰岛素治疗期间发生 ACS。经合成少数过采样技术（SMOTE）平衡数据后，最终数据集包含 9474 例 ACS 样本。
2. PS 数据集显著提升模型预测性能
与原始数据集训练的模型相比，PS 数据集训练的模型整体表现更优。其中，XGB 模型性能最佳，AUROC 和 F1 分数较原始数据集模型分别提升 6.4% 和 7.8%。即使与先进的 SDAE 模型相比，PS 数据集训练的 DNN 模型 F1 分数仍高出 4.1%。敏感性分析显示结果稳健。
3. 关键风险因素识别与模型解释性优化
SHAP 分析表明，高龄、基线体重较高、基线血糖较高、抗血栓治疗史、胸痛史及 T2DM 进展指标（如老年性白内障）是 ACS 的重要风险因素。PS 数据集训练的模型更倾向于纳入指南明确的风险因素（如男性、高血压、血脂异常等），且关联方向与临床认知一致，解释性显著优于原始数据集模型。值得注意的是，模型还识别出磺酰脲类药物使用与 ACS 风险相关，这与既往研究结论吻合。
研究结论与讨论
本研究首次将倾向评分应用于电子病历二元变量的假记录修正，证实该方法可显著提升 T2DM 患者 ACS 预测模型的准确性与解释性。通过 PS 替代原始二元变量，有效降低了数据噪声的干扰，使模型更可靠地捕捉临床真实风险关联。相较于传统风险评分和复杂深度学习方法（如 SDAE），该策略兼具高效性与可解释性，为临床利用电子病历构建可信赖的预测工具提供了新范式。
尽管研究存在单中心数据、因果推断局限性等不足，但其提出的方法为解决电子病历数据质量问题开辟了新路径。未来若能在多中心数据中验证，有望推动精准化心血管风险预测工具的临床转化，助力早期识别高危患者、制定个性化干预方案，从而降低 ACS 发生率，改善糖尿病患者预后。该研究不仅为 ACS 预测领域提供了技术突破，也为其他慢性病的风险建模提供了方法论借鉴。
