基于混合CA-SAE-AFB框架的心脏疾病预测：嵌套交叉验证评估与临床决策支持可行性分析

《BMC Cardiovascular Disorders》：Hybrid CA-SAE-AFB and ensemble learning framework for accurate heart disease prediction

　　摘要基于结构化临床记录的心脏疾病预测需要能够表示非线性特征交互作用的模型，同时避免因数据泄漏和模型选择偏差导致的乐观估计。本研究提出了一种混合CA-SAE-AFB框架，结合了稀疏自编码器、自适应潜在特征重加权、逻辑回归、XGBoost、折外堆叠、仅验证集F1阈值优化以及两阶段决策规则。该研究包含基于50个随机种子的分层分析以评估稳定性，并以具有泄漏控制的嵌套分层5折外层交叉验证结合3折内层循环作为主要评估方案。所有预处理、表示学习、阈值选择和元学习者拟合均仅限于相应的训练集/内层验证集分区，外层测试折在最终评估前保持不变。在嵌套评估下，CA-SAE-AFB取得了0.8617的平均准确率（95% CI：0.8365–0.8869）、0.8772的F1分数（95% CI：0.8591–0.8952）、0.7208的MCC（95% CI：0.6695–0.7721）和0.9153的ROC-AUC（95% CI：0.8944–0.9361）。重复划分与嵌套交叉验证的估计值高度一致。组件消融分析显示，自适应特征增强具有最清晰的方向性贡献，而稀疏自编码器和元学习器的效果则取决于所使用的评估指标。在NVIDIA Tesla T4 GPU上，经过50次预热运行后，200次计时运行中完整的单样本推理流水线平均需要83.18毫秒。这些结果支持了该方法在临床决策支持场景中进一步研究的计算可行性和方法学稳健性，但仍需外部前瞻性临床验证。