STOP-BANG问卷联合GRACE评分提升心肌梗死后住院期间心血管事件预测效能：一项机器学习辅助的临床验证研究

本研究针对急性冠脉综合征(ACS)患者心血管事件风险预测的临床需求，创新性地将STOP-BANG问卷（阻塞性睡眠呼吸暂停筛查工具）与传统GRACE评分相结合，通过机器学习算法构建预测模型。研究纳入227例心肌梗死患者，发现联合模型使F1值提升0.02、准确率提高8%，决策曲线分析显示在0.4-0.7阈值概率范围内具有显著临床净获益。该研究为优化ACS患者分层管理提供了新思路，成果发表于《Scientific Reports》。

　　

心血管疾病是全球健康的主要威胁，心肌梗死(MI)后住院期间发生二次心血管事件的风险高达23.3%，且相关医疗费用翻倍。目前临床广泛使用的GRACE评分虽能预测急性冠脉综合征(ACS)风险，但存在对阻塞性睡眠呼吸暂停(OSA)这一重要危险因素的忽视。OSA患者因间歇性缺氧导致氧化应激和内皮功能障碍，使心血管事件风险增加2-3倍，但传统多导睡眠图检测成本高且普及率低。如何通过简便方法整合OSA风险因素优化现有预测模型，成为临床亟待解决的难题。

为解决这一问题，马什哈德医科大学的研究团队开展了一项前瞻性观察研究，探索STOP-BANG问卷（包含打鼾、疲倦等8项指标的OSA筛查工具）联合GRACE评分对MI患者住院期间心血管事件的预测价值。研究纳入227例STEMI/NSTEMI患者，29.07%发生院内事件（包括死亡、新发房颤等），通过机器学习算法验证模型效能。结果发现，虽然STOP-BANG风险分类无统计学差异，但联合模型使GRACE评分的ROC-AUC从0.70提升至0.76，特征重要性分析显示STOP-BANG评分贡献度居首。该成果为临床风险分层提供了新思路，论文发表于《Scientific Reports》。

研究采用三大关键技术方法：1) 前瞻性队列设计，从伊朗Ghaem医院纳入症状发作48小时内入院的MI患者，排除已接受OSA治疗者；2) 机器学习建模，使用Python环境下的Extra Trees Classifier等7种算法，通过十折交叉验证比较GRACE单独、GRACE+STOP-BANG及全特征模型的性能；3) 决策曲线分析(DCA)评估临床实用性，同时采用SHAP值进行特征重要性排序。

主要研究结果体现在四个部分：

1. 基线特征分析：事件组患者年龄更大（中位数64 vs 60岁，p=0.003），GRACE评分更高（140.25 vs 116.6，p<0.001），STOP-BANG评分显著升高（5 vs 3分，p<0.001），但按传统风险分层无统计学差异（p=0.3）。

2. 模型性能比较：Extra Trees Classifier在全特征模型中表现最佳（ROC-AUC=0.82）。GRACE+STOP-BANG模型相比单独GRACE模型，F1值提高0.02至0.59，精度从52%提升至71%。虽然Delong检验显示ROC-AUC改善未达统计学意义（p=0.38），但Brier评分从0.17降至0.16。

3. 决策曲线分析：在0.4-0.7的阈值概率范围内，联合模型比GRACE单独模型增加净获益，移除STOP-BANG会使净效益曲线明显下移，证实其临床实用性。

4. 机制探索：特征重要性分析显示，STOP-BANG在Extra Trees和Random Forest模型中均位列第一，GRACE评分仅排第四。决策树可视化发现，STOP-BANG>5.5分、血红蛋白≤11.85 g/dL且GRACE>136.85分的患者中，84%发生院内事件。

讨论部分指出三个关键发现：首先，STOP-BANG通过反映OSA相关的缺氧、交感亢进等病理机制，弥补了GRACE评分对呼吸因素的忽视。其次，尽管ROC-AUC改善不显著，但F1值、精度等指标提升及DCA结果支持其临床价值，这与类似研究结论部分一致但存在人群差异。最后，研究验证了GRACE评分在本土人群中的中等判别力（AUC=0.70），低于欧美研究（AUC≈0.86），提示地域差异对预测工具的影响。

该研究的创新性在于首次通过机器学习证实STOP-BANG对GRACE评分的补充价值，为资源有限地区提供低成本风险优化方案。局限性包括单中心设计、未行多导睡眠图验证OSA等。未来需开展多中心验证，并探索持续气道正压通气(CPAP)治疗是否可改善高风险患者预后。这些发现为完善ACS患者个体化管理策略提供了重要循证依据。