基于血浆脂质组学与机器学习的急性缺血性心脏病死因鉴别及病理分期研究

来自国内的研究人员针对法医学中急性缺血性心脏病（AIHD）死因鉴别与病理分期难题，通过超高效液相色谱-质谱联用技术（UHPLC-MS/MS）系统分析665种脂质代谢物，结合8种机器学习算法构建XGBoost（AUC=0.830）和逻辑回归（LR，AUC=0.990）优化模型，筛选出18个AIHD鉴别标志物及47个早期心肌缺血（EMI）/急性心肌梗死（AMI）分期标志物，为AIHD诊断提供新策略。

　　

法医学领域长期面临急性缺血性心脏病（AIHD）猝死鉴别与病理分期判定的双重挑战。最新研究将死后脂质特征浓度变化与死因关联，为AIHD诊断开辟新路径。科研团队采用超高效液相色谱-质谱联用技术（UHPLC-MS/MS），对AIHD与非心脏病死亡案例的尸血进行非靶向脂质代谢组学分析，捕获665种脂质代谢物。通过系统评估8种前沿机器学习算法性能，依据特征重要性筛选出18个AIHD鉴别关键脂质分子，以及47个用于区分早期心肌缺血（EMI）和急性心肌梗死（AMI）的阶段性标志物。最终构建的XGBoost优化模型（AUC=0.830）与逻辑回归（LR）模型（AUC=0.990^?
）展现出卓越的判别效能，证实血浆脂质组学结合机器学习在AIHD死因诊断和病理分期中的转化应用潜力。

（?注：原文中0.990为三位小数精度，此处保留原文格式）