基于增强机器学习模型的老年非ST段抬高型心肌梗死患者三年死亡率精准预测

本研究针对75岁以上非ST段抬高型心肌梗死（Non-STEMI）老年患者死亡率预测难题，通过机器学习方法开发了一种高精度风险分层工具。研究人员整合了234例患者的临床数据，利用LASSO回归和交叉验证筛选出年龄、脉搏（P(bpm)）、呼吸支持、血糖（Glu）、经皮冠状动脉介入治疗（PCI）及β受体阻滞剂使用6个关键因素，构建随机森林（RF）模型（AUC=0.92）。SHAP分析揭示PCI、年龄和P(bpm)为最核心预测因子，并据此开发了临床决策支持工具。该模型显著提升了个体化干预效率，为高危老年患者的资源优化配置提供科学依据。

　　

论文解读

研究背景与意义

心血管疾病是全球老年人群死亡的主要原因之一，其中非ST段抬高型心肌梗死（Non-ST segment elevation myocardial infarction, Non-STEMI）因其隐匿性强、并发症多，在75岁以上高龄患者中尤为凶险。据统计，这类患者五年死亡率高达51%，八年死亡率更攀升至65%。然而，传统预测模型多基于年轻群体数据构建，对老年患者的复杂健康状况（如合并糖尿病、肾功能不全等）判别能力有限。更严峻的是，高龄患者常被排除在临床试验外，导致治疗指南缺乏针对性——例如，经皮冠状动脉介入治疗（PCI）虽能降低死亡率，但因出血风险顾虑，老年群体实际使用率不足30%。如何精准识别高风险个体并优化干预策略，成为临床亟待解决的难题。

研究方法与技术路线

中国宜昌市中心医院团队开展了一项回顾性队列研究，纳入2017–2022年收治的234例≥75岁Non-STEMI患者，按7:3比例划分为训练集（164例）和验证集（70例）。研究采用多阶段建模策略：

1. 特征筛选：通过最小绝对收缩选择算子（LASSO）回归结合十折交叉验证，从45项临床参数中锁定6个关键预测因子（年龄、P_(bpm)、呼吸支持率、Glu、PCI、β-blocker使用）。
2. 模型构建与优化：对比逻辑回归（LR）、随机森林（RF）、梯度提升机（GBM）和极端梯度提升（XGBoost）四种算法，利用贝叶斯优化调整超参数。
3. 模型解释与转化：采用SHAP值解析特征贡献度，并基于最优模型开发网页计算器（https://non-stemi-75-3year-mortality-predictor.streamlit.app）。

研究结果

关键预测因子与模型性能
LASSO回归确定的6个预测因子中，PCI（OR=0.50）和β-blocker（OR=0.65）为保护因素，而年龄（OR=1.82）、P_(bpm)（OR=1.79）、呼吸支持（OR=1.52）和Glu（OR=1.31）为风险因素。随机森林模型表现最优，验证集AUC达0.92（95% CI: 0.845–0.968），显著优于LR（0.89）、GBM（0.86）和XGBoost（0.86）。校准曲线显示预测概率与实际观察值高度吻合（Brier评分=0.147），决策曲线证实其临床净收益最高。

SHAP解析核心驱动因素
SHAP热图与蜂群图（图4）直观揭示：

• PCI贡献度最高（SHAP均值=0.42）：接受PCI者三年死亡风险降低50%。
• 年龄次之（SHAP均值=0.38）：每增加5岁死亡风险上升18%。
• P_(bpm)第三（SHAP均值=0.35）：心率>100 bpm患者死亡风险增加79%。

风险分层与临床验证
按RF模型最佳截断值（48.22%）划分高危组与低危组：

• 低危组（预测风险<48.22%）实际死亡率仅4.17%（1/24）
• 高危组（预测风险≥48.22%）死亡率飙升至80.85%（38/47）
  高危组死亡风险为低危组的19.4倍（95% CI: 15.3–24.1），证实模型分层效力。

结论与讨论

本研究首次构建了针对≥75岁Non-STEMI患者的三年死亡率预测RF模型，其核心价值在于：

1. 精准识别高危人群：整合生理参数（P_(bpm)、Glu）、干预措施（PCI、β-blocker）和基础状态（年龄、呼吸支持），模型AUC突破0.92，超越现有文献报道的老年心血管预测工具（如STEMI六个月死亡率模型AUC=0.84）。
2. 驱动临床决策变革：SHAP分析量化了PCI的关键保护作用（尤其对80–85岁亚组），支持对适宜老年患者积极介入；同时警示未控心率（P_(bpm)≥100）及高血糖（Glu>7.64 mmol/L）的死亡风险倍增，为靶向管理提供依据。
3. 实现技术转化落地：网页计算器将复杂模型转化为临床即时工具，助力医生动态评估个体风险，优化β-blocker给药、血糖管控及PCI适应症选择。

局限性与展望：研究样本量较小（n=234），需多中心数据验证普适性。未来可探索将功能性指标（如认知障碍、肌少症）纳入模型，进一步提升老年特异的预测精度。正如同期《JAMA内科学》评论指出：“机器学习赋能的个体化风险分层，正重塑老年心血管病诊疗范式。”

---

结果部分图示关联说明

• 图4 SHAP分析：揭示PCI、年龄、P_(bpm)对预测结果的贡献方向与强度
• 图2 ROC与PR曲线：展示RF模型在区分生存/死亡事件中的综合性能优势
• 图3 校准曲线：验证预测概率与实际观察事件发生率的一致性