两种机器学习模型对急性冠脉综合征患者发生院内心搏骤停的预测价值比较

杨贵分，张少华，刘卫珍，陈敏霞，姚兰，廖旭

作者单位：430070 湖北省武汉市，中部战区总医院心血管内科

院内心搏骤停（in-hospital cardiac arrest，IHCA）是急性冠脉综合征（acute coronary syndrome，ACS）患者的一种不常见但威胁生命的并发症，其发生率约为1.7%，且相比于未发生IHCA的ACS患者，发生IHCA的ACS患者院内死亡风险增加7倍［1］。一项关于IHCA患者预后的研究表明，IHCA患者自主循环恢复率为35.5%，自主循环恢复后1个月生存率为8.7%，存活出院且神经功能预后良好者仅占6.4%［2］。故如何快速、准确、高效地评估ACS患者病情、预测IHCA的发生概率以提高复苏成功率、改善患者预后是亟待解决的问题。风险预测模型是基于IHCA的发生受多种因素影响这一事实，通过统计模型对患者未来发生IHCA的可能性进行预测。随着互联网技术的迅猛发展，人工智能技术如机器学习、深度学习等在医疗领域的应用日渐成熟。研究证实，相较于传统统计学方法，基于机器学习算法建立的模型预测性能更优，且基于预测结果对患者实施干预可有效降低IHCA发生率［3-4］。目前国外已有多位学者构建了ACS患者发生IHCA风险的机器学习预测模型，其中BADRIYAH等［5］构建的决策树早期预警得分（decision-tree early warning score，DTEWS）模型以及LI等［6］构建的决策树模型的预测性能均较好，纳入变量的数量适中且较易获取，临床应用更简单易行，但其均未进行外部验证，且哪种模型更适合我国医疗环境尚不清楚。因此，本研究采用空间验证的方式对DTEWS模型、决策树模型进行外部验证，比较其对ACS患者发生IHCA的预测价值，旨在为模型的应用与推广奠定基础。

1 对象与方法

1.1 纳入机器学习模型介绍

1.1.1 DTEWS模型

BADRIYAH等［5］构建的DTEWS模型包括呼吸频率、血氧饱和度、吸氧情况、体温、收缩压、脉搏、意识状态7个变量，每个变量评分为0～3分，总分范围为0～21分，得分越低表示ACS患者IHCA发生风险越低，见表1。

表1 DTEWS模型Table 1 DTEWS model

1.1.2 决策树模型

LI等［6］构建的决策树模型包括重要早期预警评分（Vital PAC Early Warning Score，ViEWS）、有无致命性心律失常、Killip分级、心肌肌钙蛋白T（cardiac troponin T，cTnT）、血尿素氮、年龄、有无糖尿病7个变量，其中ViEWS评估方式见表2，该模型的危险分层方法见表3。

表2 决策树模型中ViEWS评估方式Table 2 ViEWS evaluation method in decision tree model

表3 决策树模型的危险分层方法Table 3 Risk stratification method for decision tree model

1.2 研究对象

采用便利抽样法回顾性选取2018—2022年入住某三甲医院心血管内科的发生IHCA的ACS患者53例为IHCA组，选取同期入住某三甲医院心血管内科的未发生IHCA的ACS患者706例为非IHCA组。纳入标准：（1）年龄≥18岁；（2）经血清心肌损伤标志物、心电图检查确诊为ACS；（3）首次诊断为ACS。排除标准：（1）手术过程中心搏骤停者；（2）有心搏骤停史者；（3）安装心脏起搏器者；（4）临床资料不完整者；（5）住院时间＜24 h者；（6）合并扩张型心肌病、先天性心脏病者；（7）肝硬化失代偿期者；（8）恶性肿瘤伴恶病质者。本研究已获得本医院伦理委员会批准（伦理编号：［2023］048-01）。

1.3 研究方法

基于两种机器学习模型中的预测因子，收集患者一般资料，包括年龄、性别、BMI、吸烟史、饮酒史、心血管疾病家族史、糖尿病发生情况、致命性心律失常发生情况、吸氧情况、入院方式（门诊或急诊）和入院时Killip分级、呼吸频率、脉搏、体温、收缩压、舒张压、血尿素氮、cTnT、血氧饱和度、意识状态及住院时间。

1.4 统计学方法

采用SPSS、MedCalc进行统计分析。计数资料以相对数表示，组间比较采用χ2检验；等级资料比较采用秩和检验；符合正态分布的计量资料以（±s）表示，两组间比较采用独立样本t检验；不符合正态分布的计量资料以M（P25，P75）表示，组间比较采用秩和检验；采用ROC曲线评估两种机器学习模型对ACS患者发生IHCA的预测价值，AUC≥0.9说明预测价值较高，AUC≥0.7且＜0.9表示预测价值中等，AUC≥0.5且＜0.7表示预测价值较低［7］；采用Delong检验比较AUC。以P＜0.05为差异有统计学意义。

2 结果

2.1 两组一般资料比较

两组年龄、糖尿病发生率、致命性心律失常发生率、吸氧者占比、入院方式和入院时Killip分级、收缩压、舒张压、血尿素氮、cTnT、意识状态及住院时间比较，差异有统计学意义（P＜0.05）；两组性别、BMI、有吸烟史者占比、有饮酒史者占比、有心血管疾病家族史者占比和入院时呼吸频率、脉搏、体温、血氧饱和度比较，差异无统计学意义（P＞0.05），见表4。

表4 两组一般资料比较Table 4 Comparison of general information between the two groups

2.2 两种机器学习模型对ACS患者发生IHCA的预测价值

ROC 曲线分析结果显示，DTEWS 模型、决策树模型预测ACS 患者发生IHCA 的AUC 分别为0.815〔95%CI（0.785～0.842）〕、0.824〔95%CI（0.795～0.851）〕，见图1。DTEWS模型、决策树模型预测ACS患者发生IHCA的AUC比较，差异无统计学意义（Z=0.315，P=0.757）。

图1 两种机器学习模型预测ACS患者发生IHCA的ROC曲线Figure 1 ROC curve of the two machine learning models in predicting IHCA in patients with ACS

3 讨论

在全球范围内，IHCA的发生率、病死率均居于高位，其最常见的原因为ACS［8］。目前IHCA领域的研究重点为抢救和救治策略，而如何筛选出IHCA高风险人群的研究相对不足［9］。机器学习模型可通过机器学习算法组合多个危险因素，对海量数据的输入特征进行分析，自主学习并做出推断，进而预测ACS患者IHCA发生风险［10］。相比于传统预测模型，机器学习算法建立的模型降低了排除重要变量的可能性，在许多情况下其性能优于传统统计学方法［3-4］。本研究采用空间验证的方式对DTEWS模型、决策树模型进行外部验证，比较其对ACS患者发生IHCA的预测价值。

本研究结果显示，两组年龄、糖尿病发生率、致命性心律失常发生率、吸氧者占比、入院方式和入院时Killip分级、收缩压、舒张压、血尿素氮、cTnT、意识状态及住院时间比较，差异有统计学意义，提示ACS患者发生IHCA可能与上述因素有关，但使用单一因素预测ACS患者发生IHCA的风险效果欠佳。风险预测模型相关研究包括预测模型的开发、内部验证、外部验证和模型优化以及模型对临床工作和患者预后的影响［11］。DTEWS模型纳入了呼吸频率、血氧饱和度、吸氧情况、体温、收缩压、脉搏、意识状态7个变量，BADRIYAH等［5］前期内部验证结果显示，DTEWS模型预测ACS患者发生IHCA的AUC为0.88；本研究ROC曲线分析结果显示，DTEWS模型预测ACS患者发生IHCA的AUC为0.815，内、外部验证结果均提示其对ACS患者发生IHCA有中等预测价值。决策树模型纳入了ViEWS、有无致命性心律失常、Killip分级、cTnT、血尿素氮、年龄、有无糖尿病7个变量，其中ViEWS又包括脉搏、呼吸频率、体温、收缩压、血氧饱和度、吸氧情况、意识状态7个变量，LI等［6］前期内部验证结果显示，决策树模型预测ACS患者发生IHCA的AUC为0.84；本研究ROC曲线分析结果显示，决策树模型预测ACS患者发生IHCA的AUC为0.824，内、外部验证结果均提示其对ACS患者发生IHCA有中等预测价值。本研究结果还显示，DTEWS模型、决策树模型预测ACS患者发生IHCA的AUC比较，差异无统计学意义，提示两种模型对ACS患者发生IHCA的预测价值相当，但决策树模型纳入的变量相对较多，且需要进行二次计算，不利于临床实践。

4 结论

综上所述，DTEWS模型、决策树模型均对ACS患者发生IHCA有中等预测价值，其中DTEWS模型纳入变量较少、易获取且计算方式简单，更适宜临床推广。但本研究为单中心研究，今后可继续扩大样本量、开展多中心研究并补充预测因子、调整模型算法，以进一步提高模型的预测能力；同时，也可构建计算机辅助决策系统，将风险预测模型植入现有护理信息系统中，利用系统自行抓取所需数据并自动计算ACS患者发生IHCA的风险，这可缩短护士工作时间，降低人工计算造成的误判率［12］，从而达到改善ACS患者临床结局的目的。

作者贡献：杨贵分进行文章的构思与设计、研究的实施与可行性分析，撰写论文；陈敏霞、姚兰、廖旭进行数据收集；杨贵分、陈敏霞、姚兰、廖旭进行数据整理；刘卫珍进行统计学处理；张少华、刘卫珍进行结果的分析与解释；杨贵分、张少华进行论文的修订；张少华负责文章的质量控制及审校，对文章整体负责、监督管理。

本文无利益冲突。