恶性室性心律失常与死亡风险的可解释人工智能评估模型在急性心肌梗死中的应用研究

本研究针对急性心肌梗死(AMI)后恶性室性心律失常(MVA)和院内死亡风险预测的临床难题，开发了基于XGBoost、LightGBM和随机森林(RF)等多模型协同的人工智能预测系统。通过分析4,471例患者数据，构建了AUROC达0.792的复合终点预测模型，并建立了在线风险评估平台，为临床早期干预提供了重要工具。

　　

急性心肌梗死(AMI)作为最致命的心血管急症之一，在全球范围内造成巨大的健康负担。尤其令人担忧的是，住院期间患者常因病情迅速恶化而死亡，其中恶性室性心律失常(MVA)包括室性心动过速(VT)、心室颤动(VF)和心室扑动(VFL)是导致院内死亡的主要因素。临床数据显示，超过50%的院外心脏骤停患者在接受急诊冠状动脉造影时显示有明显的冠状动脉疾病。在因AMI住院的患者中，5%-10%在出院前会出现VF或持续性VT，另有5%会在住院期间发生这些恶性心律失常事件，其中大多数发生在入院48小时内。

更令人警惕的是，晚期VT或VF（住院48小时后发生）比早期VT或VF（住院48小时内发生）具有更高的死亡风险，这凸显了早期预警和干预的紧迫性。然而，传统的风险评估方法主要依赖医师经验和单一指标，难以实时整合多维数据准确预测风险，导致临床决策延迟。

近年来，人工智能(AI)技术在医疗领域的突破为应对这一挑战提供了新方向。AI模型能够通过机器学习算法高效分析复杂的临床数据并识别潜在的风险模式。例如，AI医学影像技术已成功应用于疾病早期筛查，类似方法在AMI患者预后预测方面也显示出巨大潜力。通过整合患者人口学特征、实验室指标和冠状动脉造影数据，AI模型可以构建以恶性心律失常为关键指标的个性化死亡风险分层系统。

在这项发表于《Canadian Journal of Cardiology》的研究中，研究人员开展了一项大规模多中心研究，旨在开发预测AMI患者MVA和院内死亡风险的AI模型。该研究纳来自两个医疗中心的4,471例患者，主要终点是MVA和院内死亡的复合终点。研究团队开发并优化了七种最先进的AI模型，采用嵌套五折交叉验证方法，通过受试者工作特征曲线下面积(AUROC)、校准曲线和决策分析曲线评估预测性能。

研究采用了严格的数据收集和处理流程。从2021年至2023年期间诊断为AMI的所有患者数据均从南京医科大学附属第三医院和南京医科大学附属无锡人民医院的电子住院病历系统中提取，包括患者人口统计学特征、病史、实验室结果和手术相关指标。纳入标准包括：基于世界卫生组织或相关指南诊断标准确诊的AMI；症状发作至入院时间在24小时内；具有完整的基线和临床数据，包括冠状动脉造影结果、心功能分级、心律失常记录等。排除标准包括：先天性心脏病或非动脉粥样硬化性病因；继发于其他情况的恶性心律失常；严重肝肾功能不全、恶性肿瘤或其他终末期疾病；装有起搏器或植入式心律转复除颤器(ICD)；关键临床数据记录不完整。

研究还创新性地开发了肾功能评分(RFC)，将血肌酐和估计肾小球滤过率(eGFR)两个肾功能指标整合到单一尺度中。通过标准化原始值并使用标准化血肌酐值减去标准化eGFR值获得复合评分，更高分数表示血清肌酐升高和eGFR降低，反映更严重的肾功能损害。

研究团队采用了Boruta算法进行特征筛选，然后根据变量重要性顺序构建包含前5、10、15和20个最重要变量的训练队列。针对每个训练集，开发了逻辑回归(LR)模型和极端梯度提升(XGBoost)、轻量梯度提升机(LightGBM)、自适应提升(AdaBoost)、随机森林(RF)、多层感知器(MLP)和梯度提升决策树(GBDT)等人工智能模型。

在模型开发过程中采用了嵌套交叉验证框架。通过结果分层进行五折交叉验证以保持每折中结果的分布，并嵌套超参数调优以防止数据泄漏。外层使用分层五折交叉验证评估泛化性能，同时确保目标变量分布在所有折中保持一致。内层五折交叉验证通过模型的超参数网格搜索进行优化。这种嵌套设计将模型选择与模型评估分开，从而最大化泛化能力并最小化过拟合风险。

研究结果显示，在纳入的4,471例患者中，3,456例用于模型开发和验证，另外1,015例来自另一个医疗中心的病例用于外部验证。在验证组中，极端梯度提升(XGBoost)模型对复合终点获得了最高的AUROC值0.792（95% CI: 0.740-0.845）。轻量梯度提升机(LightGBM)在MVA预测方面表现出优越性能（AUROC: 0.827, 95% CI: 0.768-0.885），而随机森林(RF)在死亡率预测方面表现最佳（AUROC: 0.784, 95% CI: 0.720-0.848）。

在外部验证组中，使用15个变量的XGBoost模型预测主要终点事件的AUROC为0.726。使用15个变量的LightGBM模型预测MVA的AUROC为0.704，使用20个变量的RF模型预测院内死亡的AUROC为0.823。基于网络的预测系统展示了实时风险评估能力。

特征筛选分析发现，在模型开发阶段针对主要终点事件，Boruta算法显示预测院内恶性心律失常或死亡风险的前五个变量是室性早搏(PVCs)、Killip心功能分级≥3级、急性肾损伤(AKI)、肾功能评分(RFC)和血糖水平。这些发现与已知的病理生理机制一致，PVCs和Killip心功能分级作为心脏功能异常的直观指标在风险预测中的重要性得到了验证。同时，肌酐和eGFR（RFC）的异常变化以及AKI作为肾功能指标，反映了多器官功能受损对AMI预后的潜在影响。

与传统GRACE评分模型相比，本研究中每个AI模型都显示出更高的AUROC值和稳定性。GRACE模型对主要终点事件的AUROC为0.67（95% CI: 0.62-0.73），而对MVA的AUC为0.71（0.64-0.76），对院内死亡预测的验证集AUC为0.71（0.62-0.79），均显著低于AI模型的性能。

为了解决AI模型的"黑箱"争议，本研究使用SHAP值对模型进行全局和局部解释。通过计算每个变量的平均绝对贡献、绘制SHAP密度图以及生成样本的聚类热图，揭示了关键特征与预测结果之间的非线性关系。这种多层次、多维度的解释分析不仅增强了模型透明度，还为临床医生理解模型决策过程提供了直观依据。

进一步地，本研究构建的多模型协同决策系统通过图形界面实时输入核心变量，实现了风险结果的快速输出，体现了向精准医疗和智能诊所转化的潜力。研究人员开发的人工智能模型整合了患者的实时监测指标和生命体征数据，动态评估心肌梗死患者不良结局（如恶性心律失常和死亡）的风险，为临床医生提供及时的风险警报和个性化干预建议。

该模型已成功集成到医院信息和电子健康记录系统中，能够自动监测血压、心率和电解质水平等关键指标的变化。当患者病情达到预设风险阈值时，系统会发出实时警报，推荐针对性治疗，协助临床医生快速响应。通过基于SHAP值的解释性分析，模型清晰展示了每个输入变量对风险预测的贡献程度，帮助医生关注最具影响力和可修改的风险因素，制定更有针对性的干预措施，提高治疗效果。

研究的局限性包括：模型泛化能力不足，主要终点AUROC从内部验证的0.792下降到外部验证的0.726；AI风险分层模型的临床价值大多停留在理论层面，缺乏经验数据证明其优于常规临床实践；MCAR检验表明数据缺失非随机性，可能引入偏倚；复合终点虽然提高了统计效能，但存在竞争风险，可能掩盖干预措施对特定结果的独立效应。

该研究提出了一个集成多模型分析的可解释AI框架用于AMI风险管理。开发的系统为临床医生提供了有价值的个性化风险评估工具，通过早期干预策略可能改善患者结局。未来需要通过扩大外部验证队列覆盖范围、开展前瞻性随机对照试验验证模型指导干预对改善患者预后的效果，以及采用与因果推理相关的缺失数据处理方法来进一步优化模型的临床应用价值。

这项研究的创新之处在于不仅开发了高性能的预测模型，还建立了完整的解释性框架和临床转化平台，为人工智能在心血管风险评估领域的实际应用提供了重要范例。通过多模型比较和特征重要性分析，研究揭示了影响AMI患者预后的关键因素，为临床干预提供了明确的目标方向。随着进一步的研究验证和技术优化，这类AI驱动的心血管风险评估工具有望成为临床决策的重要辅助工具，最终改善急性心肌梗死患者的临床结局。