面向基层医疗场景的机器学习模型在冠心病二级预防中的风险分层研究OA

[目的]开发并验证一种基于易获取临床指标的轻量化机器学习模型,以实现冠心病(CHD)的精准风险预测。[方法]回顾性纳入1376例经冠状动脉造影检查的患者数据。通过单因素Logistic回归(LR)、Boruta算法和LASSO回归筛选出13个核心预测变量。利用训练集(n=963)构建了包括Logistic回归、支持向量机(SVM)、随机森林(RF)等7种机器学习模型,并在测试集(n=413)上通过受试者工作特征曲线下面积(AUC)、召回率、精确率、F1值及Brier评分等指标评估其性能。采用SHAP方法对最优模型进行可解释性分析。[结果]单因素Logistic回归显示,男性(OR=2.445,95%CI:1.870~3.202)、高血压(OR=1.697,95%CI:1.305~2.210)和糖尿病(OR=1.932,95%CI:1.413~2.665)与CHD风险升高相关,高密度脂蛋白与CHD风险降低相关(OR=0.351,95%CI:0.221~0.551;均P<0.001)。测试集中,SVM模型的AUC为0.775(95%CI:0.730~0.821),召回率为0.790,F1值为0.784,Brier评分为0.1837(95%CI:0.1683~0.2020)。DeLong检验显示,SVM与Logistic回归、RF、极端梯度提升(XGBoost)及轻量梯度提升机(LGBM)模型的AUC差异无统计学意义(均P>0.05)。决策曲线分析(DCA)显示,在预设的10%~80%阈值概率范围内,依据SVM预测结果决定是否实施进一步检查或转诊的决策策略,其净获益高于“全部实施进一步检查或转诊”和“全部不实施进一步检查或转诊”两种默认参照策略。SHAP分析显示,男性、高血压、糖尿病及炎症指标升高对模型预测呈正向影响,而高密度脂蛋白、左心室射血分数、白蛋白水平升高呈负向影响。[结论]本研究依托基层易得指标,初步构建适配基层医疗场景、用于CHD二级预防风险分层的轻量化SVM风险预测模型,但后续仍需多中心外部数据验证方可推广应用。