机器学习模型预测感染性心内膜炎患者死亡风险：一项基于随机森林算法的临床决策支持研究

针对感染性心内膜炎(IE)预后评估工具的局限性，广东医学科学院团队通过LASSO回归、随机森林(RF)等四种机器学习算法构建预测模型。研究发现RF模型对住院死亡(AUC-ROC=0.83)和6个月死亡(AUC-ROC=0.85)预测效能最优，总胆红素、NT-proBNP等被确认为关键预测因子，为临床早期风险分层提供了新工具。

　　

感染性心内膜炎(IE)被称为"心脏的癌症"，尽管抗生素和手术技术进步，其住院死亡率仍高达15-30%，1年死亡率攀升至40%。这种致命心血管疾病临床表现多变且进展迅猛，犹如体内埋设的"定时炸弹"。当前临床使用的EuroSCORE II、STS IE等评分系统存在明显缺陷：依赖手术患者数据、样本量有限、未纳入关键实验室指标，如同用不完整的拼图预测风暴轨迹。更严峻的是，约20%需要手术的患者因禁忌症或经济原因无法接受手术，现有模型对这些高危人群的预测几乎"失明"。

广东医学科学院联合团队在《BMC Medical Informatics and Decision Making》发表的研究，首次将机器学习"武器库"——包括LASSO回归、随机森林(RF)、支持向量机(SVM)和K近邻(KNN)四种算法——系统应用于IE预后预测。研究纳入1705例患者数据，通过10折交叉验证发现，RF模型展现出最卓越的预测性能，其预测住院死亡和6个月死亡的AUC-ROC分别达到0.83和0.85，远超传统评分。更引人注目的是，模型识别出总胆红素这个"预警灯塔"，其预测价值超过所有已知指标，揭示了肝功能与全身炎症风暴的潜在关联。

关键技术方法包括：1) 单中心回顾性收集1705例符合改良Duke标准的IE患者临床数据；2) 采用随机森林多重插补处理缺失值；3) 对比四种机器学习算法性能；4) 通过10折交叉验证评估模型，以AUC-ROC为主要终点；5) 分析变量重要性揭示关键预测因子。

【研究结果】

1. 描述性分析：手术患者占比73.1%，住院死亡率7%(119例)，6个月死亡率10.6%。死亡组患者年龄更大(51.39±16.23 vs 45.31±15.72岁)，NYHA III/IV级比例更高(59.66% vs 29.69%)。

2. 死亡率预测：RF模型性能显著优于其他方法，其预测住院死亡的灵敏度达78%，特异性81%。SVM模型表现次优(AUC-ROC=0.79)，而传统逻辑回归方法(AUC-ROC=0.72)暴露线性模型的局限性。

3. 变量重要性：

   
   显示总胆红素、NT-proBNP、白蛋白和舒张压构成预测"四重奏"。值得注意的是，主动脉瓣置换术进入6个月死亡预测模型，暗示手术类型反映疾病严重程度。

【结论与意义】
这项研究构建了首个涵盖手术与非手术IE患者的机器学习预测系统，打破传统评分"手术中心主义"局限。RF模型通过捕捉总胆红素与NT-proBNP等标志物的非线性关系，将预测精度提升至临床实用水平。特别值得关注的是，模型识别出既往被忽视的肝功能指标（总胆红素）的核心地位，为IE多器官损伤机制研究开辟新视角。

临床转化方面，研究者开源了模型代码（GitHub可获取），使床旁快速风险评估成为可能。对于资源有限地区，仅需检测7项关键指标（总胆红素、NT-proBNP等）即可完成风险评估，这种"精准而经济"的策略尤其适合发展中国家。该研究同时提出警示：当前指南推荐的评分可能低估非手术患者风险，亟需基于机器学习的新标准指导临床决策。

未来研究需解决两大局限：单中心数据的推广性验证，以及通过过采样技术改善死亡病例的类不平衡问题。但无论如何，这项工作标志着心血管预后预测正式迈入"机器学习时代"，其方法论框架可扩展至其他复杂疾病的风险建模。