基于优化特征选择与CatBoost算法的冠状动脉血运重建术后卒中风险预测模型研究

本研究针对冠状动脉疾病(CAD)患者血运重建术后卒中风险预测的临床难题，研究团队通过整合Pearson相关性分析、LASSO、Ridge和Elastic Net四种特征选择方法，从MIMIC-IV数据库5757例患者中筛选出14个关键预测因子，构建了CatBoost机器学习模型。该模型在测试集和验证集分别达到0.8486和0.8511的AUC值，较现有最佳模型提升9%，并通过SHAP分析揭示Charlson合并症指数(CCI)、住院时长(LOS)和治疗类型为关键影响因素，为临床决策提供了高效可靠的AI辅助工具。

　　

冠状动脉疾病(CAD)作为全球头号致死病因，每年导致数十万人死亡。尽管血运重建手术如经皮冠状动脉介入治疗(PCI)和冠状动脉旁路移植术(CABG)能有效缓解症状，但术后卒中风险却成为悬在患者头上的"达摩克利斯之剑"——芬兰研究发现卒中病史患者接受PCI的概率降低50%，而CABG术后10-15年内高达40%患者需二次手术。更触目惊心的是，血运重建后30天内发生卒中的患者，其五年死亡率飙升5倍。传统预测模型依赖线性回归，预测精度(AUC≈0.70)难以满足临床需求，这促使南加州大学的研究团队开展这项创新研究。

研究团队从MIMIC-IV数据库提取5757例患者数据，采用随机森林插补处理缺失值，通过SMOTE技术解决样本不平衡问题。整合四种特征选择方法从35个初始特征中筛选出14个关键变量，包括Charlson合并症指数(CCI)、国际标准化比值(INR)等。构建的CatBoost模型经过超参数优化(迭代次数20次、学习率1.0)，在测试集表现优异。

特征选择结果
通过Pearson相关性分析、LASSO回归等方法筛选出14个特征，其中CCI、LOS和治疗类型最具预测价值。

模型性能比较
CatBoost以0.8486的测试集AUC显著优于传统模型，随机森林(0.8365)和XGBoost(0.8389)次之。校准曲线显示预测概率与实际风险高度吻合。

SHAP分析发现
CCI对模型贡献度最高，高分值(红色)与卒中风险正相关；而钙离子水平等指标呈现保护性效应。

这项发表于《BMC Medical Informatics and Decision Making》的研究，通过创新的"统计筛选+机器学习解释"双轨策略，不仅将预测性能提升9%，更破解了AI模型的"黑箱"难题。SHAP分析揭示的非线性关系为临床干预提供了新靶点——如控制合并症、优化住院时长等。尽管存在MIMIC-IV单中心数据的局限性，该模型为个性化医疗提供了可靠工具，未来可通过多中心验证进一步强化临床适用性。当算法能准确预警"哪些患者术后可能中风"，医生就能像天气预报员预防灾害般，在卒中风暴来临前筑起防护堤坝。