基于假阴性率约束优化的机器学习模型改善血管外科患者冠状动脉造影转诊决策

《European Heart Journal》：False-negative constrained machine learning for coronary angiography referral in vascular patients

　　

摘要

背景

冠状动脉疾病（CAD）在血管外科患者中发病率极高。冠状动脉造影（CA）的假阴性转诊决策会使高危血管患者面临本可避免的恶性心脏事件风险。传统临床判断的假阴性率较高。经过优化以控制假阴性的机器学习（ML）模型可能提高患者安全，同时保持可接受的整体性能。

方法

对某三级医疗中心转诊进行冠状动脉造影（CA）的7464例血管患者进行了回顾性队列分析，以血管造影结果为参考标准。在数据预处理、特征选择和标准化后，训练了用于二分类（CA结果阳性与阴性）的机器学习模型。为优先考虑患者安全，模型采用明确约束假阴性率（FNR）≤10%（α_FNR=0.1）的决策阈值进行优化。研究识别出随机森林和CatBoost分类器为性能最优的模型架构。模型性能通过准确率、精确率、召回率、F1分数和混淆矩阵分析进行评估。结果与既往分析中报告的基于医生的决策进行了对比。

结果

一个使用四个常规可用临床变量（高脂血症、既往心肌梗死、既往经皮冠状动脉介入治疗（PCI）和射血分数）的随机森林模型，其假阴性率为6.9%，准确率为68.2%，精确率为69.3%，召回率为93%，F1分数为0.64。一个纳入更广泛临床特征集（年龄、糖尿病、吸烟状态、高血压、高脂血症、性别、心房颤动、既往心肌梗死、既往PCI、心绞痛、射血分数和动脉瘤性疾病）的CatBoost模型，其假阴性率为10.0%，准确率为71.1%，精确率为71.4%，召回率为90%，F1分数为0.69。两种机器学习方法相较于医生决策，均显著降低了假阴性转诊，同时保持了均衡的整体分类性能。高召回率表明能够有效识别血管造影结果阳性的患者。

结论

采用假阴性约束优化的机器学习模型，利用简单的临床变量即可将冠心病漏诊率降至10%以下。此类以安全为导向的机器学习决策支持系统有望显著改善血管患者的冠状动脉造影转诊策略，在减少漏诊的同时保持可接受的诊断效率。