基于超级学习器梯度下降的因果模型识别心衰易损期患者干预靶点OA

目的基于因果机器学习方法探讨患者收缩压(SBP)、舒张压(DBP)及脉压差(PP)等指标的控制目标与因果效应,拟合半参数梯度下降因果预后模型,为临床提供因果决策支持。方法纳入四川省某医院2005例心衰患者的电子病历数据,出院后第28天、3个月、6个月随访患者主要心血管不良事件(MACE)。采用最大最小爬山算法(MMHC)绘制有向无环图。采用限制性立方样条曲线及SDR*(SparseLinearDRLearner)对连续型分布的潜在干预变量进行分裂点划定。采用目标最大似然估计(TMLE)、X-Learner、SDR*等因果模型估计不同干预靶点及不同靶点分裂方式下的平均因果效应(ACE)并进行敏感性分析。最后,基于因果效应分析基础,固定具有因果效应的干预靶点系数,结合临床重要变量构建非参数回归的预后预警模型。结果SBP、DBP及PP在不同截断方式下,各模型的因果效应估计结果存在差异。SBP因果截断(SBP>139 mmHg)后,各模型ACE估计均具有统计学意义,其中TMLE模型估计ACE为8.839%(95%CI:4.240%~13.439%),X-Learner模型估计ACE为9.421%(95%CI:5.644%~13.199%),SDR*模型估计的ACE为4.457%(95%CI:1.260%~7.655%)。DBP因果截断未找到最佳分割点。PP因果截断(PP>50 mmHg)后,各模型ACE估计均具有统计学意义,其中,TMLE模型估计ACE为11.090%(95%CI:6.740%~15.440%),X-Learner模型估计ACE为11.484%(95%CI:7.716%~15.251%),SDR*模型估计的ACE为3.475%(95%CI:0.749%~6.201%)。各模型敏感性分析结果发现,相较于TMLE、X-Learner模型,SDR*模型中添加随机共同原因(RCC)、添加未观察到的共同原因(UCC)、数据子集反驳(DSR)结果更贴近ACE,安慰剂处理反驳(PTR)结果更趋近于0,SDR*模型的效应估计值更稳定。半参数因果预后模型准确性为0.732。结论基于SDR*的因果截断有助于发现待干预靶点的最佳控制目标。SBP、PP与心衰易损期患者MACE事件存在因果关系。