基于机器学习的中国稳定型胸痛患者阻塞性冠心病预检概率模型构建与验证

为解决现有阻塞性冠心病（CAD）预检概率模型（如ESC2019和RF-CL）在中国人群中的可靠性不足问题，中国研究团队通过多中心前瞻性队列研究，开发了基于机器学习算法（XGBoost）的C-STRAT评分模型。结果显示，该模型在测试集中的AUC达0.769，较传统模型显著提升（P<0.001），且校准性能和临床实用性更优，为稳定型胸痛患者的精准分诊提供了新工具。

　　

心血管疾病是全球健康的主要威胁，其中阻塞性冠心病（CAD）的早期诊断至关重要。当前，欧洲心脏病学会推荐的ESC2019和风险因子加权模型（RF-CL）是评估稳定型胸痛患者CAD概率的主流工具，但这些模型在中国人群中的表现尚未充分验证。随着冠状动脉CT血管造影（CTA）成为一线诊断手段，临床发现实际CAD检出率仅约10%，远低于基于侵入性冠状动脉造影（ICA）的模型预测值，导致大量不必要的检查。这一矛盾促使研究者思考：能否基于中国人群特征，开发更精准的预检概率模型？

中国人民解放军总医院联合国内13家医院开展了C-STRAT研究，这项大规模前瞻性多中心队列研究纳入27,652例疑似CAD患者，采用第二代CT扫描仪进行冠状动脉CTA评估。研究团队创新性地应用机器学习算法XGBoost，整合年龄、性别、胸痛类型等11项临床变量，构建了C-STRAT评分模型。关键技术包括：1）采用马尔可夫链蒙特卡洛方法处理3.5%的胸痛症状缺失数据；2）通过10折交叉验证和贝叶斯优化确定模型超参数；3）使用SHAP（Shapley加性解释）方法解析特征重要性；4）通过校准曲线、Brier评分和决策曲线评估模型性能。

研究结果
1. 模型性能对比
在测试集中，C-STRAT评分的AUC为0.769（95% CI：0.753-0.784），显著优于LOGISTIC回归（AUC 0.744）、RF-CL（AUC 0.743）和ESC2019（AUC 0.725）（P<0.001）。IDI（综合判别改善）和NRI（净重分类改善）分析显示，C-STRAT评分较其他模型可额外识别1.27%-1.77%的真实病例。

2. 特征重要性
SHAP分析揭示，年龄、男性、典型心绞痛、糖尿病和吸烟是前五大预测因子。其中，当前吸烟者的CAD风险权重显著高于血脂异常（32.5% vs 15.5%），这一发现与亚洲人群吸烟高流行性特征相符。

3. 临床实用性
当设定15%的决策阈值时，C-STRAT评分可减少82%的非必要CTA检查。决策曲线显示，该模型在所有概率阈值下均能提供正向临床净收益，每100例患者可避免23例过度检查。

结论与意义
C-STRAT评分是首个基于中国多中心冠状动脉CTA数据构建的机器学习预检概率模型，其性能验证了三点核心价值：1）突破传统模型对欧美人群数据的依赖，首次实现中国人群特异性的CAD风险预测；2）通过集成吸烟分层（当前/既往/非吸烟）等本土化特征，提升模型解释力；3）校准斜率（1.077）接近理想值1，解决了传统模型高估风险的痼疾。

该研究为《JACC: Asia》提供了重要循证依据，其临床意义在于：一方面，可作为冠状动脉CTA检查的"守门人"，优化医疗资源配置；另一方面，其采用的SHAP可解释性框架，为AI医疗模型在心血管领域的透明化应用树立了新范式。未来需通过前瞻性干预试验，进一步验证该模型对临床结局的改善作用。