《AI》：A Machine Learning Approach to Predict Mortality in Patients Enrolled in Cardiac Rehabilitation After Percutaneous Coronary Intervention for Acute Coronary Syndrome
编辑推荐：
背景与目的：急性冠脉综合征（ACS）经经皮冠状动脉介入治疗（PCI）后患者仍存在残余不良事件与全因死亡风险。机器学习（ML）可整合临床、功能及生活方式信息用于风险评估。研究人员旨在开发并在外部评估用于预测ACS经PCI后入组心脏康复（CR）患者全因死亡的模型。
背景与目的：急性冠脉综合征（ACS）经经皮冠状动脉介入治疗（PCI）后患者仍存在残余不良事件与全因死亡风险。机器学习（ML）可整合临床、功能及生活方式信息用于风险评估。研究人员旨在开发并在外部评估用于预测ACS经PCI后入组心脏康复（CR）患者全因死亡的模型。方法与结果：基于1261例患者的数据分析采用七种预测算法与重复分层交叉验证；外部验证采用EU-CaRE数据集1386例，并以模型无关SHapley Additive exPlanation（SHAP）解释预测。LightGBM与随机森林取得最高AUC与平衡准确率（平均AUC>0.8）；SVM的AUC优于逻辑回归，但逻辑回归仍具竞争力。LightGBM平衡准确率为0.87，灵敏度0.86，特异度0.88。外部评估在PCI治疗队列中灵敏度0.78、特异度0.73，在更广泛冠心病（CAD）队列中特异度0.60。剔除EU-CaRE不可得预测变量后，七变量模型AUC为0.816，六变量模型为0.812。SHAP贡献最高的变量为糖尿病、运动能力（负荷试验峰值代谢当量METs）、日均静坐时长、他汀使用、家族心脏病史、受累血管数、血运重建史、血清肌酐及慢性肝病。独立验证筛查工具评定模型为“中性”。结论：ML模型在预测ACS经PCI后CR患者全因死亡方面具潜力；经前瞻性验证与临床效用评估后，可辅助识别高危患者并强化治疗与生活方式干预。因死亡事件少且评估流程存在局限，结果应谨慎解释。
研究背景与问题提出
急性冠脉综合征（acute coronary syndrome，ACS）包含ST段抬高型心肌梗死（STEMI）、非ST段抬高型心肌梗死（NSTEMI）与不稳定型心绞痛，是全球范围内高致残致死负担。经皮冠状动脉介入治疗（percutaneous coronary intervention，PCI）虽显著改善即刻与长期预后，但完成急性期治疗后、甚至已进入心脏康复（cardiac rehabilitation，CR）的患者，仍面临由临床、功能、生活方式及共病共同驱动的残余死亡风险。传统统计风险模型难以容纳治疗后状态、共病演变与功能指标的动态交互；TIMI与GRACE等经典评分侧重短期或单一病因，且基于旧治疗人群。与此同时，机器学习（machine learning，ML）模型常因黑箱性、缺乏外部验证、仅依赖急性期变量而难以转化。研究人员因此开展本研究：在CR入组时点，整合电子健康记录（EHR）、心肺运动试验（cardiopulmonary exercise testing，CPET）与生活方式问卷，构建可解释、可外验的全因死亡预测模型。
研究方案与关键技术方法
研究人员使用西班牙Santiago de Compostela SERGAS系统CR队列（2015—2020年，1261例ACS经PCI患者）作开发集，以全因死亡（索引入院后3年内）为结局；特征筛选采用遗传算法，比较LightGBM、随机森林、逻辑回归、支持向量机（SVM）、决策树、模糊决策树与神经网络七种算法；训练采用50次重复4折分层交叉验证；外部验证基于欧洲多中心EU-CaRE观察性队列，分ACS-PCI亚组（566例）与更广CAD人群（1386例）；解释性采用SHAP值；可复现性采用独立验证评分（independent validation score，IVS）评估；并补充删减变量敏感性分析、年龄亚组分析与概率校准（Platt标度、等距校准、Brier分数）。
研究结果
训练与测试性能：LightGBM与随机森林判别最优，LightGBM代表性测试折平衡准确率0.87，灵敏度0.86，特异度0.88；代表折混淆矩阵显示真阳率85.7%、真阴率88%。
特征重要性—SHAP：九变量中，运动能力低于约6 METs、静坐≥约9小时/日、未用他汀、糖尿病、三支病变、肌酐升高倾向推高死亡预测；家族心脏病史与既往血运重建呈偏低预测贡献；慢性代谢性病因为轻度正向贡献。研究人员强调此为关联而非因果，亦非临床截断值。
外部验证与IVS：EU-CaRE PCI队列中LightGBM灵敏度0.78、特异度0.73；更广CAD队列特异度降至0.60。IVS各维度评分为透明性、性能、可复现性Ⅱ级，复制风险与临床意义Ⅲ级，总评“中性”。因外部集缺静坐时长与受累血管数，且慢性肝病为自由文本推导，验证属不完全外推。
补充性能与敏感性：九变量内部平均ROC-AUC 0.876；删为七变量（去静坐与血管数）AUC 0.816，六变量（再去慢性肝病）AUC 0.812；六变量模型在EU-CaRE PCI队列AUC 0.683。65—90岁亚组九变量AUC 0.884，事件率更高。校准方面，内部九变量Brier约0.021，外部六变量Brier约0.016，经标度校正后略有改善但外部校准斜率偏移。
讨论浓缩
研究人员指出，模型在低死亡CR人群中仍具判别力，且把运动能力与久坐行为纳入传统临床变量，是对GRACE/TIMI的重要补充。SHAP揭示的低体能、久坐、未他汀化、糖尿病、多支病变与肾功异常，与已知预后因素一致；家族史与既往血运重建的“保护性”方向可能反映选择偏倚或随访生存者偏移，因事件数仅28例，须视为假设生成。局限性包括：事件稀少导致折叠估计不稳；特征选择未完全嵌套于交叉验证；阈值依外部事件率调整；随访不完全、EU-CaRE仅约1年；未做决策曲线与成本效益分析；人群仅限可入组CR的PCI患者，不能外推至全体ACS入院人群。
结论翻译
研究人员结论为：该模型增进了对ACS合并CAD患者PCI后死亡风险多因素本质的理解。外部验证提示其可识别真阳性高危个案，并凸显在康复评估中记录久坐行为与运动能力之必要。经前瞻性验证后，模型有望协助医师与CR护士识别高危患者，使其获益于强化治疗与生活方式干预。
这篇论文解读已完成，接下来可以选择一个方向继续深化：
评估该研究的方法学局限与改进路径 设计前瞻性临床验证研究方案 评估该研究的方法学局限与改进路径 设计前瞻性临床验证研究方案
