可解释机器学习揭示 2 型心肌梗死脆弱表型及长期死亡率风险

《European Heart Journal》：Prognostic significance of explainable machine learning-defined type 2 myocardial infarction: unmasking a high-risk phenotype in multicenter data

　　

摘要

背景

2型心肌梗死（T2MI）通常被认为比1型心肌梗死（T1MI）是次要的临床病症，因此经常采取保守的“观察等待”策略。然而，这种临床假设可能忽视了那些生理上极度脆弱的患者。

目的

我们利用可解释的机器学习（ML）框架来描述T2MI的独特表型特征，并评估其在大规模真实人群中的长期死亡率。

方法

对163,335名患者进行了多中心登记，以识别急性心肌梗死患者。排除了估计的肾小球滤过率（eGFR）< 15 ml/min/1.73m²、需要透析或非缺血性病因的患者后，最终确定了37,251名患者。T2MI被定义为由于供需不匹配引起的急性心肌梗死，且没有进行冠状动脉血运重建。使用极端梯度提升（XGBoost）算法对17个临床变量进行训练，并通过SHapley Additive exPlanations（SHAP）值解码模型决策，以确保诊断的透明度。

结果

最终队列包括35,197名T1MI患者和2,054名T2MI患者。ML模型具有较高的区分性能，验证曲线下面积（AUC）为0.870（95% CI 0.820–0.920）（图1A）。血红蛋白是识别T2MI的最关键预测因子（增益：0.399），其次是经过对数转换的N末端Pro-B型利钠肽（log-NT-proBNP）和血清葡萄糖（图1C）。SHAP分析证实了较低的血红蛋白水平和增加的血流动力学压力对T2MI诊断有显著影响（图2A），当血红蛋白低于约120 g/L时，风险呈非线性增加（图2B）。超过3,500天的纵向随访显示，AI定义的T2MI患者的累积死亡率显著高于T1MI患者（log-rank p < 0.0001）（图2C）。

结论

机器学习通过量化贫血和心脏负荷之间的复杂相互作用有效识别T2MI。虽然校准斜率为3.34，反映出概率的系统性高估，但这是为了优先检测高风险少数群体而设计的高灵敏度诊断策略的自觉结果。AI定义的T2MI组观察到的显著较高死亡率表明，这些患者代表了目前在临床实践中未被充分认识的脆弱表型，需要更早的风险分层和针对性干预。

图1

在新标签页中打开下载幻灯片

图2

在新标签页中打开下载幻灯片