《European Heart Journal - Digital Health》：Machine learning-based prediction of clinical outcomes and left ventricular ejection fraction improvement after percutaneous coronary intervention in patients with reduced ejection fraction
编辑推荐：
摘要
目的：左心室功能障碍患者接受经皮冠状动脉介入治疗（percutaneous coronary intervention，PCI）后的预期临床及功能轨迹仍不明确。近期试验强调了临床结局与左心室射血分数（left ventricular ejection
摘要
目的：左心室功能障碍患者接受经皮冠状动脉介入治疗（percutaneous coronary intervention，PCI）后的预期临床及功能轨迹仍不明确。近期试验强调了临床结局与左心室射血分数（left ventricular ejection fraction，LVEF）改善方面存在显著异质性，凸显了在这一高危人群中改进PCI术后预后风险分层的必要性。本研究旨在开发机器学习模型，用于预测LVEF降低患者PCI术后的临床结局及LVEF改善情况。
方法与结果：这项回顾性单中心研究纳入2004年至2025年间接受PCI且基线LVEF <45%的成人患者。研究人员使用53个常规可获得的术前及术中预测变量构建了两个CatBoost模型。主要终点为1年死亡、心肌梗死、靶血管血运重建或冠状动脉旁路移植术的复合终点。次要终点为LVEF绝对值增加≥10个百分点。模型性能在留出测试集上通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、精确率-召回率曲线下面积（precision-recall AUC，PR-AUC）及富集分析进行评估。数据集包含来自2793例患者的3336例手术（中位LVEF 35%）。对于主要终点（n = 2152；事件率37.5%），模型达到AUC 0.78（95% CI：0.73–0.83）和PR-AUC 0.70（95% CI：0.63–0.77），最高风险十分位组的事件率为83.7%，最低风险十分位组为9.3%。对于LVEF改善（n = 2551；34.7%改善），模型性能中等（AUC 0.73），最高概率十分位组的富集率提升至76.9%。
结论：利用常规可获得的患者及手术数据开发的机器学习模型能够对接受PCI的左心室功能障碍患者进行有意义的预后分层，支持对血运重建后临床及功能轨迹进行个体化评估。
论文解读：基于机器学习的射血分数降低患者PCI术后临床结局与LVEF改善预测
一、研究背景与问题
左心室射血分数（LVEF）降低患者接受经皮冠状动脉介入治疗（PCI）的术后结局高度异质，部分患者获得症状改善和良好临床病程，另一些患者仍面临死亡、心肌梗死（MI）、再次血运重建或进行性心力衰竭的高风险。近期REVIVED-BCIS2试验显示，在优化药物治疗基础上加用PCI并未改善缺血性左心室功能障碍患者的主要不良临床结局或LVEF，即使存在存活心肌也是如此。这一发现凸显了当前实践的局限性：仅凭阻塞性冠状动脉疾病和LVEF降低的存在，不足以识别最可能从PCI中获得良好临床与功能轨迹的患者。传统风险模型（如Mayo Clinic、CathPCI、New York、CADILLAC评分）虽确立了年龄、临床合并症、手术因素及LVEF的预后价值，但专门针对LVEF降低这一亚群开发的模型极少，更缺乏围绕临床实际问题——哪些患者PCI术后可能预后良好、哪些仍处于高残余风险——构建的预测工具。此外，LVEF改善的预测同样具有临床相关性，因其可能反映存活心肌再灌注后的逆重构，影响症状、心力衰竭轨迹、影像复查时机及后续器械决策。既往机器学习研究虽已证明预测PCI术后LVEF改善的可行性，但未专门聚焦左心室功能障碍高危人群。因此，研究人员利用常规可获得的术前及术中数据，开发并验证两个CatBoost机器学习模型，分别预测1年主要不良心血管事件（MACE）和术后LVEF改善。
二、研究方法概述
这是一项回顾性单中心研究，数据来自以色列佩塔提克瓦Rabin医学中心（RMC）2004年至2025年间接受PCI的成人患者。纳入标准为基线LVEF <45%。研究人员将每次PCI手术视为独立观察，最终分析数据集包含3336例手术（来自2793例患者），按患者层面以80%:20%分为开发集和留出测试集。两个CatBoost模型使用相同的53个常规术前及术中预测变量，包括人口学特征、临床病史、合并症、实验室指标、超声心动图参数及手术/血管造影特征。主要终点为1年复合MACE（死亡、MI、靶血管血运重建或冠状动脉旁路移植术），次要终点为LVEF绝对值增加≥10个百分点。模型采用梯度提升决策树（CatBoost框架），通过交叉验证网格搜索选择超参数，使用Platt缩放进行概率校准，采用SHAP（SHapley Additive exPlanations）值评估特征重要性和方向，并通过富集分析评估模型对高风险/低风险亚组的区分能力。
三、研究结果
1. 研究队列特征：最终分析纳入3336例手术（2793例患者，中位LVEF 35%）。主要终点分析纳入2152例手术，复合事件率37.5%；LVEF改善分析纳入2551例手术，改善率34.7%。
2. 临床结局预测：MACE模型在留出测试集上表现出良好区分度，AUC为0.78（95% CI 0.73–0.83），PR-AUC为0.70（95% CI 0.63–0.77）。富集分析显示，最高风险十分位组的事件率达到83.7%，而最低风险十分位组仅为9.3%，表明模型能够有效识别高风险和低风险表型。SHAP分析显示，最具影响力的预测因素主要反映基线临床风险和全身健康状态，包括年龄、血红蛋白、尿酸、MDRD eGFR、血小板计数、糖尿病及超声心动图指标。
3. LVEF改善预测：LVEF改善模型表现出中等区分度，AUC为0.73（95% CI 0.68–0.77），PR-AUC为0.62（95% CI 0.54–0.69）。最高概率十分位组的LVEF改善率高达76.9%，而最低概率十分位组明显降低，显示模型能够富集可能发生心室功能改善的患者。SHAP分析表明，最具影响力的预测因素主要与基线心室结构和收缩功能相关，包括左心室收缩末期内径、舒张末期内径、基线LVEF，以及既往CABG、充血性心力衰竭、MI、年龄和肾功能/代谢标志物。
4. 亚组性能：在基线LVEF ≤40%的亚组中，两个模型的性能与主分析相似（MACE AUC 0.78；LVEF改善AUC 0.73），支持结果在传统HFrEF定义范围内的稳健性。
5. 探索性联合分层分析：研究人员识别出同时具有低预测MACE风险（预测概率最低25%）和高LVEF改善概率（预测概率最高25%）的亚组，占共同测试集病例的8.2%。该亚组观察到较低的MACE率（13.0% vs. 40.1%）和较高的LVEF改善率（65.2% vs. 32.7%），且特征上表现为糖尿病和既往MI患病率较低、血红蛋白水平较高、肾功能较好、心室结构异常较轻。
6. LVEF改善与MACE的关联：在具有两个终点标签的1367例病例中，观察到LVEF改善与较低的MACE率相关（27.0% vs. 41.5%；OR 0.52，P < 0.001）。
四、讨论与结论总结
讨论部分指出，临床结局模型中高预测风险组的显著富集表明，LVEF降低患者虽总体被视为高危，但其术后不良事件可能性存在显著差异，该模型有助于识别需要更密切随访或强化辅助治疗的患者，同时也能识别术后轨迹更有利的低风险患者。LVEF改善模型提供了互补信息，有助于预估心室功能改善的可能性，这对症状预期、心力衰竭管理、随访影像和后续器械决策具有临床意义。然而，随机证据（REVIVED-BCIS2）对PCI在慢性缺血性心室功能障碍中改善LVEF的因果效应提出质疑，因此LVEF改善不应被解释为单纯由PCI所致。两个模型共同支持对接受血运重建的患者进行更个体化的术后预后评估。可解释性分析显示，不良临床结局的最高排名预测因素主要是全身性而非冠状动脉特异性变量（如血红蛋白、年龄、尿酸、肾功能指标），表明PCI术后风险主要由生理储备和心-肾-代谢脆弱性驱动；而LVEF改善的预测因素更强烈地与基线心室结构和收缩功能相关，支持心室改善主要由心肌底物和重构潜力决定的观点。
研究结论：在LVEF降低并接受PCI的患者中，基于常规术前及术中数据的机器学习模型能够对1年不良临床结局和术后LVEF改善进行有临床意义的预后风险分层。临床模型同时识别出高风险和低风险术后表型，LVEF改善模型则提供了关于心室功能改善可能性的补充信息。这两个模型为PCI术后临床及功能轨迹的个体化估计提供了框架，可能支持这一高危人群的预后评估、随访规划和患者咨询。在临床实施前尚需外部验证和前瞻性评估。
