用于预测糖尿病和急性冠状动脉综合征患者PCI术后院内出血的可解释机器学习方法：一项回顾性队列研究

《BMC Cardiovascular Disorders》：Interpretable machine learning for predicting in-hospital bleeding after PCI in patients with diabetes and acute coronary syndrome: a retrospective cohort study

　　

摘要

目的

开发并验证可解释的机器学习模型，用于预测接受经皮冠状动脉介入治疗（PCI）后糖尿病和急性冠状动脉综合征（ACS）高风险患者的院内出血情况。

方法

这项回顾性队列研究纳入了2021年至2024年间接受PCI治疗的1,488名糖尿病和ACS患者。我们使用LASSO和Boruta算法从一系列临床变量中筛选特征。通过70/30的训练-验证划分方法开发了五个机器学习模型，并根据包括平衡准确率在内的性能指标选择了最优模型，同时利用SHapley Additive Explanations（SHAP）对该模型进行解释。

结果

共有80名患者（5.4%）发生了院内出血。在验证集中，XGBoost模型被选为最优模型，其平衡准确率达到0.861，敏感性为0.76，特异性为0.962。SHAP分析显示，低血红蛋白、多支血管疾病以及未使用质子泵抑制剂治疗是出血的最显著预测因素。

结论

该可解释的XGBoost模型能够准确预测接受PCI治疗的糖尿病和ACS患者的院内出血风险。通过为预测结果提供针对患者的具体解释，该模型增强了个性化风险分层，并为抗血栓治疗的临床决策提供了有价值的工具。