基于机器学习的阻塞性冠心病验前概率模型：来自C-Strat研究

• 作者: 王凯 杨俊杰 刘子暖 窦冠华 王玺 单冬凯 陈韵岱
• 来源期刊: 中华内科杂志
• 关键词: 冠状动脉疾病 冠状血管造影术 验前概率 诊断 机器学习
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 论著
• 页码范围: 185-192
• 页数: 8页
• 语种: 中文
• DOI: 10.3760/cma.j.cn112138-20210119-00049

摘要

目的:利用机器学习算法开发中国人群的阻塞性冠心病验前概率模型。方法:纳入冠状动脉斑块早期识别与风险预警的临床注册研究（Chinese regiStry in early deTection and Risk strAtificaTion of coronary plaques，C-Strat）中疑似为冠心病而接受冠状动脉CT血管造影（CCTA）检查的29 455例就诊者，采集人口统计学和临床信息作为预测变量。数据按7∶3的比例随机拆分为训练集和测试集，以CCTA诊断冠状动脉狭窄大于50%作为阳性结局，在训练集中运用极端梯度增强机（eXtreme Gradient Boosting，XGBoost）算法，使用十折交叉验证和贝叶斯优化进行参数调优，得到机器学习模型CARDIACS（pretest probability model from Chinese registry in eARly Detection and rIsk stratificAtion of Coronary plaques Study）；使用logistic回归得到模型LOGISTIC。在测试集中验证比较CARDIACS、LOGISTIC和指南推荐的模型UDFM（Updated Diamond-Forrester Model）、DFCASS（Diamond-Forrester and CASS）。结果:29 455例就诊者年龄（57.0±9.7）岁，女性占44.8%，阻塞性冠心病的患病率为19.1%（5 622/29 455）。在CARDIACS模型中，就诊原因、年龄和体重指数是最重要的预测变量。在独立的测试集中，CARDIACS的曲线下面积（AUC）为0.72（95% CI 0.70~0.73），优于LOGISTIC（AUC 0.69，95% CI 0.68~0.71， P=0.015）、UDFM（AUC 0.64，95% CI 0.62~0.65， P<0.001）和DFCASS（AUC 0.66，95% CI 0.64~0.67， P<0.001）。 结论:基于中国人群开发的全新的验前概率模型CARDIACS预测中国人群阻塞性冠心病的能力明显优于传统的模型，有望辅助稳定性胸痛临床决策。