兩種機器學習模型對急性冠脈綜合征患者發生院內心搏驟停的預測價值比較

楊貴分，張少華，劉衛珍，陳敏霞，姚蘭，廖旭

作者單位：430070 湖北省武漢市，中部戰區總醫院心血管內科

院內心搏驟停（in-hospital cardiac arrest，IHCA）是急性冠脈綜合征（acute coronary syndrome，ACS）患者的一種不常見但威脅生命的并發癥，其發生率約為1.7%，且相比于未發生IHCA的ACS患者，發生IHCA的ACS患者院內死亡風險增加7倍［1］。一項關于IHCA患者預后的研究表明，IHCA患者自主循環恢復率為35.5%，自主循環恢復后1個月生存率為8.7%，存活出院且神經功能預后良好者僅占6.4%［2］。故如何快速、準確、高效地評估ACS患者病情、預測IHCA的發生概率以提高復蘇成功率、改善患者預后是亟待解決的問題。風險預測模型是基于IHCA的發生受多種因素影響這一事實，通過統計模型對患者未來發生IHCA的可能性進行預測。隨著互聯網技術的迅猛發展，人工智能技術如機器學習、深度學習等在醫療領域的應用日漸成熟。研究證實，相較于傳統統計學方法，基于機器學習算法建立的模型預測性能更優，且基于預測結果對患者實施干預可有效降低IHCA發生率［3-4］。目前國外已有多位學者構建了ACS患者發生IHCA風險的機器學習預測模型，其中BADRIYAH等［5］構建的決策樹早期預警得分（decision-tree early warning score，DTEWS）模型以及LI等［6］構建的決策樹模型的預測性能均較好，納入變量的數量適中且較易獲取，臨床應用更簡單易行，但其均未進行外部驗證，且哪種模型更適合我國醫療環境尚不清楚。因此，本研究采用空間驗證的方式對DTEWS模型、決策樹模型進行外部驗證，比較其對ACS患者發生IHCA的預測價值，旨在為模型的應用與推廣奠定基礎。

1 對象與方法

1.1 納入機器學習模型介紹

1.1.1 DTEWS模型

BADRIYAH等［5］構建的DTEWS模型包括呼吸頻率、血氧飽和度、吸氧情況、體溫、收縮壓、脈搏、意識狀態7個變量，每個變量評分為0～3分，總分范圍為0～21分，得分越低表示ACS患者IHCA發生風險越低，見表1。

表1 DTEWS模型Table 1 DTEWS model

1.1.2 決策樹模型

LI等［6］構建的決策樹模型包括重要早期預警評分（Vital PAC Early Warning Score，ViEWS）、有無致命性心律失常、Killip分級、心肌肌鈣蛋白T（cardiac troponin T，cTnT）、血尿素氮、年齡、有無糖尿病7個變量，其中ViEWS評估方式見表2，該模型的危險分層方法見表3。

表2 決策樹模型中ViEWS評估方式Table 2 ViEWS evaluation method in decision tree model

表3 決策樹模型的危險分層方法Table 3 Risk stratification method for decision tree model

1.2 研究對象

采用便利抽樣法回顧性選取2018—2022年入住某三甲醫院心血管內科的發生IHCA的ACS患者53例為IHCA組，選取同期入住某三甲醫院心血管內科的未發生IHCA的ACS患者706例為非IHCA組。納入標準：（1）年齡≥18歲；（2）經血清心肌損傷標志物、心電圖檢查確診為ACS；（3）首次診斷為ACS。排除標準：（1）手術過程中心搏驟停者；（2）有心搏驟停史者；（3）安裝心臟起搏器者；（4）臨床資料不完整者；（5）住院時間＜24 h者；（6）合并擴張型心肌病、先天性心臟病者；（7）肝硬化失代償期者；（8）惡性腫瘤伴惡病質者。本研究已獲得本醫院倫理委員會批準（倫理編號：［2023］048-01）。

1.3 研究方法

基于兩種機器學習模型中的預測因子，收集患者一般資料，包括年齡、性別、BMI、吸煙史、飲酒史、心血管疾病家族史、糖尿病發生情況、致命性心律失常發生情況、吸氧情況、入院方式（門診或急診）和入院時Killip分級、呼吸頻率、脈搏、體溫、收縮壓、舒張壓、血尿素氮、cTnT、血氧飽和度、意識狀態及住院時間。

1.4 統計學方法

采用SPSS、MedCalc進行統計分析。計數資料以相對數表示，組間比較采用χ2檢驗；等級資料比較采用秩和檢驗；符合正態分布的計量資料以（±s）表示，兩組間比較采用獨立樣本t檢驗；不符合正態分布的計量資料以M（P25，P75）表示，組間比較采用秩和檢驗；采用ROC曲線評估兩種機器學習模型對ACS患者發生IHCA的預測價值，AUC≥0.9說明預測價值較高，AUC≥0.7且＜0.9表示預測價值中等，AUC≥0.5且＜0.7表示預測價值較低［7］；采用Delong檢驗比較AUC。以P＜0.05為差異有統計學意義。

2 結果

2.1 兩組一般資料比較

兩組年齡、糖尿病發生率、致命性心律失常發生率、吸氧者占比、入院方式和入院時Killip分級、收縮壓、舒張壓、血尿素氮、cTnT、意識狀態及住院時間比較，差異有統計學意義（P＜0.05）；兩組性別、BMI、有吸煙史者占比、有飲酒史者占比、有心血管疾病家族史者占比和入院時呼吸頻率、脈搏、體溫、血氧飽和度比較，差異無統計學意義（P＞0.05），見表4。

表4 兩組一般資料比較Table 4 Comparison of general information between the two groups

2.2 兩種機器學習模型對ACS患者發生IHCA的預測價值

ROC 曲線分析結果顯示，DTEWS 模型、決策樹模型預測ACS 患者發生IHCA 的AUC 分別為0.815〔95%CI（0.785～0.842）〕、0.824〔95%CI（0.795～0.851）〕，見圖1。DTEWS模型、決策樹模型預測ACS患者發生IHCA的AUC比較，差異無統計學意義（Z=0.315，P=0.757）。

圖1 兩種機器學習模型預測ACS患者發生IHCA的ROC曲線Figure 1 ROC curve of the two machine learning models in predicting IHCA in patients with ACS

3 討論

在全球范圍內，IHCA的發生率、病死率均居于高位，其最常見的原因為ACS［8］。目前IHCA領域的研究重點為搶救和救治策略，而如何篩選出IHCA高風險人群的研究相對不足［9］。機器學習模型可通過機器學習算法組合多個危險因素，對海量數據的輸入特征進行分析，自主學習并做出推斷，進而預測ACS患者IHCA發生風險［10］。相比于傳統預測模型，機器學習算法建立的模型降低了排除重要變量的可能性，在許多情況下其性能優于傳統統計學方法［3-4］。本研究采用空間驗證的方式對DTEWS模型、決策樹模型進行外部驗證，比較其對ACS患者發生IHCA的預測價值。

本研究結果顯示，兩組年齡、糖尿病發生率、致命性心律失常發生率、吸氧者占比、入院方式和入院時Killip分級、收縮壓、舒張壓、血尿素氮、cTnT、意識狀態及住院時間比較，差異有統計學意義，提示ACS患者發生IHCA可能與上述因素有關，但使用單一因素預測ACS患者發生IHCA的風險效果欠佳。風險預測模型相關研究包括預測模型的開發、內部驗證、外部驗證和模型優化以及模型對臨床工作和患者預后的影響［11］。DTEWS模型納入了呼吸頻率、血氧飽和度、吸氧情況、體溫、收縮壓、脈搏、意識狀態7個變量，BADRIYAH等［5］前期內部驗證結果顯示，DTEWS模型預測ACS患者發生IHCA的AUC為0.88；本研究ROC曲線分析結果顯示，DTEWS模型預測ACS患者發生IHCA的AUC為0.815，內、外部驗證結果均提示其對ACS患者發生IHCA有中等預測價值。決策樹模型納入了ViEWS、有無致命性心律失常、Killip分級、cTnT、血尿素氮、年齡、有無糖尿病7個變量，其中ViEWS又包括脈搏、呼吸頻率、體溫、收縮壓、血氧飽和度、吸氧情況、意識狀態7個變量，LI等［6］前期內部驗證結果顯示，決策樹模型預測ACS患者發生IHCA的AUC為0.84；本研究ROC曲線分析結果顯示，決策樹模型預測ACS患者發生IHCA的AUC為0.824，內、外部驗證結果均提示其對ACS患者發生IHCA有中等預測價值。本研究結果還顯示，DTEWS模型、決策樹模型預測ACS患者發生IHCA的AUC比較，差異無統計學意義，提示兩種模型對ACS患者發生IHCA的預測價值相當，但決策樹模型納入的變量相對較多，且需要進行二次計算，不利于臨床實踐。

4 結論

綜上所述，DTEWS模型、決策樹模型均對ACS患者發生IHCA有中等預測價值，其中DTEWS模型納入變量較少、易獲取且計算方式簡單，更適宜臨床推廣。但本研究為單中心研究，今后可繼續擴大樣本量、開展多中心研究并補充預測因子、調整模型算法，以進一步提高模型的預測能力；同時，也可構建計算機輔助決策系統，將風險預測模型植入現有護理信息系統中，利用系統自行抓取所需數據并自動計算ACS患者發生IHCA的風險，這可縮短護士工作時間，降低人工計算造成的誤判率［12］，從而達到改善ACS患者臨床結局的目的。

作者貢獻：楊貴分進行文章的構思與設計、研究的實施與可行性分析，撰寫論文；陳敏霞、姚蘭、廖旭進行數據收集；楊貴分、陳敏霞、姚蘭、廖旭進行數據整理；劉衛珍進行統計學處理；張少華、劉衛珍進行結果的分析與解釋；楊貴分、張少華進行論文的修訂；張少華負責文章的質量控制及審校，對文章整體負責、監督管理。

本文無利益沖突。