基于XGBoost算法结合光电容积脉搏波与临床特征变量对冠心病患者出血风险的预测研究

摘要：

目的 基于机器学习(machine learning,ML)结合光电容积脉搏波(photoplethysmography,PPG)与临床特征变量构建冠状动脉粥样硬化性心脏病(coronary artery disease,CAD)患者抗栓治疗期间发生出血事件的预测模型.方法 选取冠心病患者抗栓治疗云端数据库中2018年1月至2019年10月在中国人民解放军总医院经冠状动脉造影诊断的冠心病并至少上报1例出血事件的冠心病患者,收集PPG及临床特征数据.将PPG-临床特征数据集按8∶2随机划分为训练集与验证集,训练集分别以随机森林、支持向量机及XGBoost算法构建CAD-出血事件预测模型;通过SHAP(SHapley Additive exPlanations)可解释模型对最佳ML预测模型纳入的临床变量进行筛选;最后用验证集数据从敏感性、特异性、受试者工作特征曲线的曲线下面积(AUC)三个方面对筛选后的预测模型进行评价.结果 共纳入155例CAD患者临床资料及PPG数据,XGBoost模型在训练集中表现出最佳预测性能(AUC=0.927).对临床特征变量筛选后发现,导致CAD患者抗栓治疗期间发生出血事件的预测因子有收缩压、糖尿病史、降糖药物使用等12个.最后使用验证集数据对纳入PPG-临床数据集特征与单用PPG特征变量构建CAD-出血事件预测模型进行比较,PPG-临床数据集构建的预测模型预测性能较好(AUC=0.892),敏感度及特异度均高于单用PPG特征的预测模型.结论 基于XGBoost算法结合PPG与临床特征变量的冠心病患者出血预测模型表现出较好的预测性能.在此基础上,应用便携式可穿戴PPG设备有望进一步实现对冠心病抗栓治疗患者出血风险的准确的居家动态监测,从而改善这些患者的长期临床结局.

关键词：冠心病、抗栓治疗、出血、预测模型

所属期刊栏目：22

分类号：R541.4(心脏、血管（循环系）疾病)

在线出版日期：2024-01-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：47-53