基于机器学习的冠状动脉旁路移植术后3年主要不良心血管事件风险预测模型的开发与多中心验证

《BMC Medical Informatics and Decision Making》：Development and validation of a machine learning-based prediction model for 3-year major adverse cardiovascular events in patients undergoing coronary artery bypass grafting: a multicenter study

　　**摘要****背景**主要不良心血管事件（MACE）是冠状动脉旁路移植术（CABG）后的残余风险，对长期预后产生不利影响。准确的风险预测对于术后风险分层和二级预防至关重要。本研究旨在开发并验证一种机器学习模型，用于冠状动脉旁路移植术后早期评估3年MACE风险。**方法**本多中心回顾性研究纳入了2019年1月至2022年12月间在中国江苏省八个心脏中心接受CABG手术的3,930例成年患者。我们收集了232个术前、术中和术后早期变量。南京第一医院3,018例患者的数据被分为训练集和内部验证集；其他七个中心912例患者的数据构成外部验证集。采用最小冗余最大相关性（mRMR）方法结合最小绝对收缩和选择算子（LASSO）回归进行特征选择。共开发并比较了十种机器学习模型。使用受试者工作特征曲线下面积（AUROC）、精确率-召回率曲线下面积（AUC-PR）、准确率、敏感度、特异度、F1评分、Brier评分、校准曲线和决策曲线分析评估模型性能。采用夏普利加性解释（SHAP）方法对最终模型进行解释。**结果**3年MACE发生率为16.41%（645/3,930）。共筛选出17个预测因子。基于内部验证性能选定的极端随机树（ET）模型，在内部验证集和外部验证集分别达到AUROC 0.90（95%CI：0.87–0.93）和0.82（95%CI：0.78–0.86），外部AUC-PR为0.59。在预设的概率阈值0.50处，外部准确率、敏感度、特异度和F1评分分别为0.87、0.54、0.94和0.59。外部Brier评分、校准截距和斜率分别为0.100、?0.20和0.80。术后左室射血分数是最重要的预测因子，其次是术前中性粒细胞百分比和术前纽约心脏协会（NYHA）心功能分级。**结论**ET模型为冠状动脉旁路移植术后3年MACE风险提供了经过外部验证的预测结果。该模型适用于在所需术后输入数据可用后进行早期术后风险分层，尽管阈值特异性敏感度有限。SHAP分析描述了各预测因子的贡献，并开发了网页版计算器以供进一步评估。临床应用前需进行前瞻性评估和阈值验证。