整合衰弱指标的机器学习算法提升老年STEMI患者PCI术后院内死亡率预测精度

针对传统风险评分模型在东南亚老年STEMI患者中预测效能不足的问题，越南研究团队开发了整合临床衰弱量表(CFS)的STEMI-OP机器学习算法。研究采用CatBoost(ElasticNet)和随机森林(Ridge)模型，分别基于术前/术后特征实现92.16%和95.10%的AUC值，显著优于GRACE 2.0(83.48%)和CADILLAC(87.01%)评分。该研究为资源有限地区提供了个性化风险评估工具，推动老年心血管精准医疗发展。

　　

在全球老龄化加剧的背景下，老年ST段抬高型心肌梗死(STEMI)患者接受直接经皮冠状动脉介入治疗(PCI)后的院内死亡率居高不下。德国20年注册数据显示，≥75岁女性患者死亡率始终维持在25%左右，新加坡数据也显示老年患者死亡率(9%)是年轻患者(3.6%)的2.5倍。传统GRACE 2.0、CADILLAC等风险评分主要基于高加索人群开发，对亚洲老年人群预测效能有限，且普遍忽视衰弱等老年综合征指标。更棘手的是，这些模型假设变量与结局呈线性关系，而实际临床中复杂的非线性交互作用常被忽略。

针对这些挑战，来自越南胡志明市医药大学等机构的研究团队Tan Van Nguyen等开展了STEMI-OP研究，开发了专门针对60岁以上亚洲老年STEMI患者的死亡率预测算法。研究创新性地整合临床衰弱量表(CFS)评估，采用SHAP和因果随机森林(CRF)等可解释AI技术，成果发表在《npj Aging》杂志。

研究团队采用多中心前瞻性队列设计，纳入越南南部4家心血管中心的1460例老年STEMI患者。关键技术包括：1)应用留一中心交叉验证(LOCO-CV)评估模型泛化性；2)比较CatBoost、随机森林等7种机器学习算法与8种传统评分的预测效能；3)通过弹性网络(ElasticNet)和岭回归(Ridge)进行特征选择；4)采用SHAP和CRF解析特征贡献与因果关系；5)使用临床衰弱量表2.0版前瞻性评估基线衰弱状态。

术前预测模型结果显示，CatBoost(ElasticNet)模型以92.16%的AUC值成为最优模型，关键预测因子包括：Killip分级(OR=4.32)、CFS评分(OR=3.78)、血糖水平(OR=2.91)和收缩压(OR=2.45)。SHAP分析揭示血糖与死亡率呈J型关系，最佳区间为90-140mg/dL；而CRF显示室性心动过速/纤颤的因果效应最强(β=0.41)。

术后预测模型中，随机森林(Ridge)模型表现最佳(AUC=95.10%)，新增的关键术中因素包括：左室射血分数(LVEF)(OR=3.62)、术后TIMI血流分级(OR=3.15)和症状至导丝通过时间(OR=2.88)。值得注意的是，当引入CFS评分后，年龄的预测价值下降67%，证实衰弱作为"生物学年龄"标志的优越性。

与传统评分相比，STEMI-OP模型展现出显著优势：GRACE 2.0和CADILLAC的AUC分别为83.48%和87.01%(p<0.0001)。模型校准曲线显示，在死亡率>30%的高危区间，预测误差<5%。

这项研究建立了首个针对老年STEMI患者的专用预测系统，其创新价值体现在：1)证实衰弱评估可替代年龄作为更精准的生物学标志物；2)开发适用于资源有限地区的两阶段预测框架(术前10参数/术后10参数)；3)通过SHAP-CRF双重视角解析预测机制。特别是在越南等医疗资源分布不均的国家，术前模型能帮助患者家庭做出更明智的医疗决策，而术后模型可指导重症监护资源配置。未来需在东南亚多中心验证模型的普适性，并开发临床决策支持系统实现成果转化。