整合心脏磁共振参数与临床变量的XGBoost机器学习模型预测稳定性冠心病患者冠状动脉血管再通术

《BMC Medical Imaging》：A machine learning model integrating T2* mapping and rest myocardial blood flow sequences for predicting revascularization of individual coronary arteries in stable coronary artery disease

　　摘要背景心血管疾病仍然是全球首要的死因，其中冠状动脉疾病（CAD）是最常见的表现形式。冠状动脉血管再通术的选择仍然主要依赖有创冠状动脉造影，这凸显了有效无创工具的需求。方法这项回顾性单中心研究在2022年至2025年期间纳入了843例稳定性冠心病患者。其中468例患者组成开发队列用于模型开发，375例在后续非重叠时间段内招募的患者组成同中心时间验证队列。使用六折患者分组交叉验证评估了四种机器学习算法，同一患者的所有冠状动脉观察数据被分配到同一折中。最小绝对收缩和选择算子（LASSO）分析筛选出四个心脏磁共振（CMR）特征和三个临床变量，用于预测哪些冠状动脉在住院期间接受了血管再通术。结果在开发队列中，2808个主要冠状动脉观察中有723个（25.7%）在住院期间接受了血管再通术。该模型在开发训练队列、验证集1和验证集2中的AUC分别为0.87、0.94和0.94，精确率-召回率AUC分别为0.72、0.90和0.76。多变量XGBoost模型优于单独的CMR参数（AUC：XGBoost 0.871，T2* mapping 0.815，静息心肌血流量（rMBF）0.822；所有*p* < 0.05）以及单参数机器学习模型（0.87，仅T2*模型0.84，仅rMBF模型0.86）。结论将临床变量与常规CMR参数、T2* mapping和rMBF相结合的XGBoost模型，在稳定性冠心病患者的开发队列和同中心时间验证队列中，对动脉水平住院血管再通术表现出判别性能。临床实施前需要进行前瞻性多中心验证。