基于随机森林算法的急性冠脉综合征罪犯病变诊断与短期风险预测一体化人工智能模型研究

为解决急性冠脉综合征(ACS)诊断与风险分层需求，南京大学医学院附属金陵医院团队开发了整合冠状动脉CT血管造影(CCTA)与机器学习(ML)的一体化模型。研究通过多中心回顾性队列(n=1854)构建随机森林(RF)模型，在识别ACS罪犯病变(AUC 0.85)的基础上，前瞻性验证其2年风险分层能力(log-rank P<0.001)，为多支病变患者精准干预提供新策略。

　　

心血管疾病长期位居全球死亡原因首位，其中急性冠脉综合征(ACS)更是威胁人类健康的"头号杀手"。尽管现代诊疗技术不断进步，但临床仍面临两大难题：一是约50%的ST段抬高型心肌梗死(STEMI)患者存在多支血管病变，二是非ST段抬高型ACS患者即使接受规范治疗，主要不良心血管事件(MACE)发生率仍是慢性冠脉综合征(CCS)患者的近两倍。更棘手的是，23.9%的MACE源于初次入院时未处理的残余斑块。南京大学医学院附属金陵医院放射科团队在《eClinicalMedicine》发表的研究，正是针对这些临床痛点展开攻关。

研究人员创新性地将人工智能与心血管影像相结合，通过分析冠状动脉斑块的解剖学特征、成分构成及血流动力学参数，构建了一个既能"揪出"罪犯病变，又能预测"潜在罪犯"的一体化评估系统。这项研究犹如给心血管医生配备了一台"犯罪预测仪"，不仅能识别已经"作案"的斑块，还能标记那些具有"作案倾向"的高危斑块，为临床决策提供双重保障。

研究采用四大关键技术方法：1) 多中心队列设计，整合4家医院1854例患者的回顾性数据和2个前瞻性队列(n=765)；2) 基于冠状动脉CT血管造影(CCTA)的斑块定量分析，包括17个临床与影像特征；3) 比较五种机器学习算法(随机森林/RF、LASSO回归等)的诊断效能；4) 通过SHAP分析实现模型可解释性，并采用时间依赖性曲线评估2年预测效能。

基线特征揭示共性规律

对比281例ACS罪犯病变与66例进展为ACS的高危斑块，发现两者在斑块负荷(63.8% vs 60.8%)、纤维脂肪成分(16.5% vs 14.4%)等指标上具有相似病理特征，但ACS患者年龄更大(65 vs 62岁)、男性比例更低(66.6% vs 80.3%)，这为模型构建提供了生物学基础。

机器学习模型优选

在五种算法比拼中，随机森林(RF)表现最为亮眼：训练集AUC达0.85(95%CI 0.82-0.89)，显著优于传统狭窄程度模型。特征重要性分析显示，狭窄程度、近远端CT血流储备分数差(ΔCT-FFR)和斑块纤维成分为三大关键指标，而高脂血症和抗血小板药物使用成为最具预测力的临床特征。

风险分层能力验证

前瞻性队列验证显示，RF模型可将患者精准分为高低风险组：5年随访队列中，高风险组ACS发生率显著增高(HR 4.3, P<0.001)；时间依赖性曲线证实其预测优势集中在2年内(AUC 0.79 vs 狭窄模型0.67, P=0.02)。更令人振奋的是，该模型使21.3%的患者获得风险重分类，这意味着更多高危患者能被及时识别。

这项研究的突破性在于首次证实：基于急性期病变特征的机器学习模型，可延伸应用于短期风险预测。RF模型整合的ΔCT-FFR参数尤为关键——当该值≥0.06时，斑块引发ACS的风险显著增加，这为《COMPLETE试验》提倡的完全血运重建策略提供了影像学依据。尽管存在未纳入炎症指标等局限性，但该研究为多支血管病变患者的精准干预开辟了新路径，未来或可推动ACS防治从"事后补救"转向"事前预警"的诊疗新模式。