基于CatBoost模型的心衰合并房颤患者三年全因死亡率预测：个性化风险分层新策略

本研究针对心衰（HF）与房颤（AF）共病（HF-AF）患者死亡率高、临床管理复杂的问题，通过机器学习（ML）开发了预测三年全因死亡风险的CatBoost模型。研究人员整合14项临床指标（如NYHA分级、淋巴细胞计数ALC、BNP等），在558例患者队列中验证其预测效能（AUC=0.809）。该模型不仅为临床提供精准风险分层工具，还通过SHAP可解释性分析揭示关键生物标志物交互作用（如ALC与NYHA分级），推动个体化治疗决策，对改善HF-AF患者预后具有重要意义。

　　

论文解读

研究背景：致命共病的临床困境

心衰（HF）与房颤（AF）如同"狼狈为奸"的共病组合——全球HF患病率近30年激增106.3%，而AF患者超6000万。更棘手的是，约半数晚期HF患者会发展为AF，而AF患者发生HF的风险增加4.52倍。两种疾病通过心肌纤维化、心动过速等机制相互加剧，形成恶性循环，导致HF-AF患者死亡率高达70.8%（Ziff et al.研究数据）。尽管机器学习（ML）在单一心血管疾病预后预测中已有应用，但针对HF-AF共病的精准预测工具仍属空白。

研究方案与技术路径

重庆医科大学附属第一医院心血管内科团队开展了一项回顾性队列研究，纳入2018年住院的558例HF-AF患者（中位随访1,185天）。研究采用双重特征筛选策略：先通过Boruta算法初筛变量，再经LASSO回归（λ=0.038）精选14项核心指标（如年龄、BNP、NYHA分级等）；随后训练6种ML模型（CatBoost、神经网络等），以12项指标（AUC、校准曲线等）评估性能；最优模型通过SHAP可解释性技术解析关键预测因子及交互效应。

研究结果

1. 模型性能：CatBoost脱颖而出
在测试集（166例）中，CatBoost的AUC达0.809，显著优于其他模型（如神经网络0.802、随机森林0.790）。其敏感性（0.745）、特异性（0.790）及F1-score（0.715）均表现稳健，校准曲线与决策曲线（DCA）显示临床实用价值突出。

2. 关键预测因子：炎症与心功能标志领衔

SHAP分析揭示：

• NYHA分级贡献度最高（IV级风险显著增加）
• 炎症指标：淋巴细胞绝对值_ALC（低值预警）与超敏C反应蛋白_hs-CRP（高值预警）
• 心功能标志：B型钠尿肽_BNP与左室舒张末径_LVEDD
• 其他因素：高龄、低白蛋白_ALB、贫血、尿素氮_BUN升高

3. 生物标志物交互效应：免疫-心功能轴

SHAP交互热图发现：

• ALC与NYHA分级：低ALC加剧高NYHA分级的死亡风险（可能因心功能恶化伴免疫抑制）
• ALC与BNP：低ALC联合高BNP提示更差预后（反映炎症与心肌牵张协同作用）

结论与意义

本研究首次证实CatBoost模型可精准预测HF-AF患者三年全因死亡风险（AUC>0.8），其核心价值在于：

1. 临床决策支持：通过NYHA分级、ALC、BNP等易获取指标实现快速风险分层，指导早期干预（如加强抗炎治疗）；
2. 机制新见解：揭示"淋巴细胞衰减-心功能恶化"交互轴，为靶向免疫调节治疗提供依据；
3. 可解释性突破：SHAP技术破解ML"黑箱"，使模型决策逻辑透明化，提升临床接受度。

该模型有望优化抗凝治疗依从性（研究中"持续抗凝"为保护因素），降低HF-AF患者70.8%高死亡率负担。未来需多中心验证并整合基因、影像等多组学数据进一步提升精度。

（注：全文严格基于原文数据，如：队列样本量558例、测试集AUC=0.809、SHAP排名前7位因子等均直接引用原始结果）