基于机器学习的决策支持系统优化血管外科患者冠脉造影转诊筛查

《European Heart Journal》：Machine learning–based decision support for coronary angiography referral in vascular surgery patients

　　

摘要

背景

冠状动脉疾病（CAD）在血管外科患者中极为常见，术前识别哪些患者可能从心肌血运重建中获益，对降低围手术期风险至关重要。然而，在常规临床实践中，适当进行冠脉造影（CA）转诊仍极具挑战性。基于机器学习（ML）的决策支持系统或许能够利用常规可用的临床数据改善患者筛选。

方法

对某三级医疗中心7464例连续转诊行CA的患者的回顾性数据库进行了分析。经数据清洗并排除不完整记录后，通过稀有值过滤、相关性分析及排除药物相关混杂因素，保留了15个患者固有变量（2个数值型，13个二分类）。CA结果作为参考标准（阳性 vs. 阴性发现）。进行了特征缩放和穷尽特征组合分析，共生成32,767个变量组合。采用7种ML算法（随机森林、CatBoost、LightGBM、SVM、逻辑回归、朴素贝叶斯、KNN），通过5折交叉验证进行训练。模型性能通过准确率、精确率、敏感度和F1分数进行评估，并使用5%的留出测试数据集。另设定专家基线：由三名不同经验水平的医师独立使用相同的临床变量评估一个包含125例患者的代表性随机子集。

结果

在全队列中，医师驱动的转诊精确率为62.9%。在随机子集中，医师精确率相当（61.6%，p=0.881），确认了其代表性。所有医师均具有较高的假阴性率，其中经验最丰富者取得最佳平衡（F1分数0.45；准确率0.50）。ML模型始终优于医师表现。表现最佳的模型（LightGBM、随机森林、CatBoost）的F1分数分别为0.726、0.69和0.692，在留出测试数据集上评估的敏感度高达0.86。动脉瘤性病变和左心室射血分数在各类模型中均表现为最具影响力的预测因子。

结论

基于ML的决策支持在识别冠脉造影阳性发现的患者方面显著优于医师判断，主要通过降低假阴性转诊实现。整合使用简单临床变量的ML工具，可能有助于改善血管外科患者的患者安全并优化有创诊断策略。