基于可解释混合集成学习的心肌梗死临床诊断模型构建与验证

本研究针对急性心肌梗死(AMI)急诊诊断难题，开发了融合随机森林(RF)、梯度提升(GB)和XGBoost的可解释混合集成模型(CDM)。上海第六人民医院团队通过1857例胸痛患者多维度数据分析，模型在二元分类中达到0.944准确率，三类分型(STEMI/NSTEMI/非AMI)中保持0.823准确率，为急诊心脏病学提供了兼具算法优势与临床可解释性的AI解决方案。

　　

在急诊室里，每一秒的心肌缺血都意味着更多心肌细胞的永久性死亡。急性心肌梗死(AMI)作为急性冠脉综合征的最危重类型，其诊断却面临着"时间悖论"——典型心电图(ECG)改变仅存在于部分患者，而心脏生物标志物检测需要时间窗口。尤其对于非ST段抬高型心肌梗死(NSTEMI)患者，漏诊率高达20-30%，这促使上海第六人民医院南院胸痛中心的研究团队开始探索人工智能辅助诊断的新范式。

该研究团队创新性地构建了结合随机森林(Random Forest, RF)、梯度提升(Gradient Boosting, GB)和XGBoost算法的临床决策模型(CDM)。通过分析2018-2024年间1857例胸痛患者的30维临床特征数据，采用特征重要性分析和SHAP值解释技术，使模型在保持黑箱算法性能优势的同时具备临床可解释性。研究主要技术路径包括：多算法集成优化、三维度特征选择(人口统计学特征、实验室指标、病史参数)以及动态权重分配机制。

【Population and design of our study】
研究严格遵循国际指南纳入标准，以上海第六人民医院南院胸痛中心为数据来源，构建包含17个连续变量和13个分类变量的特征体系，确保数据覆盖AMI诊断的临床决策全要素。

【Baseline characteristics】
1857例样本的分析显示，模型输入特征涵盖从基础生命体征到特定生物标志物的多维数据，其中肌钙蛋白动态变化、缺血性心电图改变等核心指标通过算法交互验证获得双重权重。

【Summary of main research】
CDM模型在测试集中展现出突破性性能：二元分类(AMI/非AMI)准确率0.944，F1值0.94；三类分型(STEMI/NSTEMI/非AMI)准确率0.823，F1值0.82。特别值得注意的是，模型对NSTEMI的识别灵敏度达89.7%，显著高于传统急诊医师判读水平。

【Conclusion】
该研究开创性地实现了算法性能与临床实用性的平衡，其模型解释系统能可视化展示每个预测案例的关键决策因子，如"肌钙蛋白升高幅度+ST段压低形态"的组合权重。这种透明化设计使急诊医师既能获得AI的决策支持，又能理解判断依据，为人工智能在急危重症领域的落地应用树立了新范式。研究成果发表于《The International Journal of Biochemistry》，为后续多中心验证研究奠定了方法学基础。