多族裔东南亚人群中经皮冠状动脉介入治疗(percutaneous coronary intervention, PCI)后死亡结局的预测：基于机器学习(machine learning, ML)的见解

《Journal of Cardiovascular Translational Research》：Predicting Mortality After Percutaneous Coronary Intervention in a Multiethnic Southeast Asian Population: Insights From Machine Learning

　　

摘要：缺血性心脏病仍是马来西亚死亡的主要贡献因素，非择期经皮冠状动脉介入治疗（percutaneous coronary intervention, PCI）常应用于高危急性冠脉综合征（acute coronary syndrome, ACS）患者。研究人员利用全国登记数据库（2007–2020年）对29,521例患者进行评估，比较七种机器学习（machine learning, ML）模型对住院期间、30天及1年全因死亡率的预测效能。模型于训练队列中建立，并采用医院水平（TEST1）及前瞻性时间队列（TEST2）进行外部验证。经logistic重校准后，住院死亡率判别力（ROC-AUC）在TEST1中为0.927～0.943，在TEST2中为0.865～0.884；30天死亡率ROC-AUC在TEST1中为0.902～0.923，在TEST2中为0.753～0.838；1年死亡率ROC-AUC在TEST1中为0.833～0.859，在TEST2中为0.750～0.801。校准度可接受，决策曲线分析（decision curve analysis, DCA）显示在临床相关阈值范围内具有正向净获益（net benefit）。跨模型稳定性分析一致认定年龄、血流动力学状态及肾功能为核心预测因子。

论文解读——Predicting Mortality After Percutaneous Coronary Intervention in a Multiethnic Southeast Asian Population: Insights From Machine Learning

本研究发表于Journal of Cardiovascular Translational Research。

研究背景与立题依据

缺血性心脏病（ischemic heart disease, IHD）是马来西亚首位死因，占2023年全部死亡数的15.1%。经皮冠状动脉介入治疗（percutaneous coronary intervention, PCI）是急性冠脉综合征（acute coronary syndrome, ACS）尤其高危患者的重要再血管化手段，马来西亚NCVD-PCI（National Cardiovascular Disease-PCI）登记数据显示PCI受者平均仅57.8岁，提示早发心血管病带来显著社会经济负担。准确的PCI后死亡风险分层对临床分诊、出院计划及二级预防至关重要，已知预测因子含高龄、血流动力学不稳定、肾功能不全、左室功能受损及病变复杂程度。然而现有风险模型多源于西方队列且依赖传统回归方法，在病例组合、医疗体系及族裔构成上的差异限制其向多族裔东南亚人群的外推；且多数仅报告内部验证，可能高估泛化能力。机器学习（machine learning, ML）可捕捉非线性效应与高阶交互作用而无须预设函数形式，但在PCI后死亡率预测中尚缺乏基于全国性登记数据、涵盖多算法比较并行严格地理与时间外部验证的研究。为此，研究人员利用马来西亚NCVD-PCI登记数据（2007–2020年），旨在：（1）评估ACS患者接受非择期PCI后住院、30天及1年死亡率；（2）在同一框架下比较七种ML算法的判别力与校准度；（3）通过跨模型重要性分析识别临床稳定预测因子，并经医院水平及前瞻性时间验证评价模型可移植性与临床效用。

主要关键技术方法

研究人员采用马来西亚NCVD-PCI登记数据库（2007–2020年），纳入接受非择期PCI的ACS（ST段抬高心肌梗死〔STEMI〕、非ST段抬高心肌梗死〔NSTEMI〕、不稳定型心绞痛）成年（≥18岁）马来西亚籍患者，排除择期手术、缺失病变标识或死亡结局者，保留每例首次入院及首次PCI记录，最终分析队列29,521例。按"医院留出+时间前瞻"策略划分：2007–2018年18家医院n=16,986为训练集（TRAIN）；同期另5家医院n=4,246为地理外部验证集（TEST1）；2019–2020年全部25家医院n=8,289为时间外部验证集（TEST2）。最终数据集含105个临床筛选预测变量，连续变量以中位数填补，分类变量设"缺失"亚组，名义变量独热编码。分别建立住院、30天及1年死亡率预测模型，评估七种监督式ML算法——LASSO正则化Logistic回归（LR）、支持向量机（support vector machine, SVM）、朴素贝叶斯（Na?ve Bayes, NB）、前馈神经网络（feedforward neural network, NNet）、单决策树（decision tree, DT）、装袋决策树（bagged decision trees, BaggedDT）及提升决策树（boosted decision trees, BoostedDT）。TRAIN内行分层五折交叉验证调参，类别不平衡用逆频率加权，不做SMOTE。用TRAIN集样本外预测概率拟合Platt式logistic重校准（logistic recalibration），全TRAIN重训模型。判别力以ROC-AUC及PR-AUC评价，校准以校准斜率/截距及Brier评分评价，临床效用行决策曲线分析（decision curve analysis, DCA），预测因子重要性采用块水平排列重要性（block-level permutation importance）并跨模型取中位秩评估稳定性（≥5/7模型排名前30视为稳定）。

研究结果

Analytic Cohort and Mortality Prevalence

训练集、TEST1及TEST2分别含16,986、4,246及8,289例患者；住院死亡率依次为5.14%、5.51%、3.18%；30天死亡率6.82%、7.62%、4.84%；1年死亡率11.42%、11.96%、9.21%。各组中位年龄56.7岁（IQR 48.9–64.4），84.3%为男性，族裔分布TEST1偏离略大（SMD=0.327）而TEST2与TRAIN接近（SMD=0.089），其余基线特征标准化均数差多<0.20。

Model Discrimination

在TEST1（医院水平外部验证）中，住院死亡率ROC-AUC为0.919～0.943（集成树模型最高：BaggedDT 0.943，BoostedDT 0.940，LR 0.934），单DT较低（0.781）；PR-AUC 0.545～0.585。TEST2（时间验证）中住院ROC-AUC为0.865～0.884，PR-AUC 0.301～0.318。30天死亡率TEST1 ROC-AUC 0.902～0.923，TEST2为0.753～0.838。1年死亡率TEST1 ROC-AUC 0.833～0.859，TEST2为0.750～0.801（LR达最高0.801）。DeLong检验显示各模型AUC绝对差异<0.05，无单一算法在所有终点及验证集中具一致临床优越性。

Calibration Performance

TEST1中LR及集成模型校准截距近0、斜率近1，预测与观测风险吻合良好；NB与DT校准不稳定。TEST2中部分模型截距轻度负移，提示因时间队列事件率降低致轻微过预测，但LR与集成模型校准斜率仍近1。整体TEST1校准稳定性优于TEST2，Brier评分随随访延长增大（住院最低，1年最高），与长期预测不确定性一致。

Threshold-based Performance

采用TRAIN派生阈值，TEST1住院死亡率灵敏度0.786～0.885、特异度0.868～0.936；TEST2灵敏度降至0.523～0.723而特异度保持0.869～0.959，提示时间衰减主要影响检出率而非假阳性控制。30天及1年呈相似模式，1年灵敏度整体偏低（TEST1中0.669～0.692，TEST2中0.510～0.569）。BoostedDT在TEST1短期限端点MCC最高，BaggedDT在TEST2较稳定。

Decision Curve Analysis

在TEST1与TEST2低至中等阈值概率（约5%–25%），LR及集成树模型净获益高于"全员干预"与"全员不干预"策略，支持模型用于分诊及早期管理决策的风险分层。1年死亡率净获益为正但绝对值较小，模型曲线聚拢提示各方法临床效用相近。时间验证中净获益衰减但模型排序大体保留。

Cross-Model Stable Predictors Across Mortality Time Horizons

跨模型稳定性分析显示：年龄（30天及1年死亡率中位秩=1）、NYHA心功能分级（7/7模型稳定）、Killip分级、血流动力学参数（心率、收缩压）、肾功能指标、术前TIMI血流及术后TIMI血流、置入支架数、左主干病变、PCI策略（STEMI）、计划双联抗血小板治疗（dual antiplatelet therapy, DAPT）时长等为跨终点稳定预测块。住院及30天死亡预测以急性严重程度与血流动力学标志物为主，1年死亡预测慢性代谢因素（糖尿病、支架负荷）权重增加。共12个预测块在三个终点均满足稳定性标准。

讨论与结论总结

讨论指出判别力由住院至1年递减符合生物学预期——近期死亡受急性生理失稳与操作因素影响大，远期受合并症、依从性及卫生体系影响增多。无单一ML算法全面占优，微小AUC差异提示稳健性、稳定性与可移植性比峰值表现更重要。时间验证中轻度校准偏移经基于开发队列的logistic重校准改善，强调仅靠判别力不足支撑临床阈值决策，需持续监测与定期重校准。稳定预测因子（血流动力学受损标志、年龄、肾功能、心率、收缩压）跨线性/核/概率/神经网络/集成架构重现，具统计稳健性与临床病理合理性。DCA支持模型在相关阈值内有增量临床价值。局限含登记研究残余混杂、长时终点受出院后未测因素影响、随访不完全可能残留错分、缺独立国际验证。

结论（翻译）

在大型多族裔东南亚PCI队列中，七种ML模型对住院死亡率显示出强判别力，对30天及1年死亡率具中等性能，与已发表研究相比结果具竞争力。地理及时间外部验证中性能仍有临床意义。基于开发队列导出的logistic重校准改善了校准度并支持模型可移植性。跨模型稳定性分析识别出各终点一致且临床合理的预测因子。结合决策曲线分析显示的正向净获益，这些发现支持ML基风险分层在多元亚洲医疗环境中ACS患者行PCI术后的潜在应用价值。实施时应纳入外部验证、校准监测及定期性能再评估，以确保其在不断演化的临床环境中的持续可靠性。