典型文献
机器学习方法构建老年心房颤动合并冠心病患者远期死亡的预测模型研究
文献摘要：
目的:利用机器学习方法建立老年心房颤动(房颤)合并冠心病患者的远期死亡预测模型，并确定相应的危险因素。方法:回顾性队列研究，连续入组2013年1月至2015年3月北京医院收治的60岁及以上房颤合并冠心病患者329例，男性183例(55.6%)例，女性146例(44.4%)，年龄(77.8±7.3)岁，80岁及以上142例(43.2%)。失访11例(3.3%)，死亡151例(45.9%)，最后纳入分析的患者共318例。根据患者生存结局，将318例患者分为死亡组(151例)和存活组(167例)。此外，另选取2015年4—7月入院的60岁及以上房颤合并冠心病患者60例为外部数据验证集。采集人口统计学参数、合并疾病、辅助检查和临床治疗情况。随访至少6年，记录包括死亡在内的主要不良心脑血管事件(MACCE)。最后将入组患者按9∶1的比例随机分为训练集和测试集，通过机器学习算法建立不同模型预测房颤合并冠心病患者远期死亡率，并通过外部数据(60例)验证比较确立最优模型，利用Shapley加法解释算法对变量的重要性进行排序，得出排名前20位的特征变量，以确定危险因素。结果:329例患者中，总体中位随访时间77.0月(95%
CI：54.0~84.0)，失访11例(3.3%)，死亡151例(45.9%)。通过分析得出支持向量机模型、k-近邻算法(KNN)模型、决策树模型、随机森林模型、ADABoost模型、XGBoost模型、Logistic回归模型预测远期死亡率的受试者工作特征曲线(ROC)下面积(AUC)分别为0.76、0.75、0.75、0.91、0.86、0.85和0.81。其中随机森林模型预测效能最高，其准确率达0.789，F1值高达0.806，且优于传统的Logistic回归模型(AUC：0.91比0.81，
P<0.05)。D-二聚体、年龄、MACCE次数、左心室射血分数、人血白蛋白水平、贫血、纽约心脏病协会心功能分级、陈旧性心肌梗死病史、估测肾小球滤过率(eGFR)及静息心率是预测远期死亡率的重要危险因素。
结论:基于机器学习方法建立的随机森林模型可预测老年房颤合并冠心病患者的远期死亡率，具有较好的识别能力，其准确性高于传统的Logistic回归模型。可通过干预患者的D-二聚体水平、纠正低蛋白血症和贫血、改善心功能和控制静息心室率降低远期死亡率，改善患者远期预后。
文献关键词：
心房颤动;冠状动脉疾病;预测
中图分类号：
作者姓名：
董敏;邹彤;彭炳锋;史继筠;徐蕾;裴作为;曲祎玫;张美慧;汪芳;杨杰孚
作者机构：
北京医院心内科 国家老年医学中心 中国医学科学院老年医学研究院，北京 100730;北京理工大学 计算机学院 北京 100081;北京医院神经内科 国家老年医学中心 中国医学科学院老年医学研究院，北京 100730;大连理工大学附属中心医院 心内科，大连 116089
文献出处：
引用格式：
[1]董敏;邹彤;彭炳锋;史继筠;徐蕾;裴作为;曲祎玫;张美慧;汪芳;杨杰孚-.机器学习方法构建老年心房颤动合并冠心病患者远期死亡的预测模型研究)[J].中华老年医学杂志,2022(07):804-810
A类：
ADABoost
B类：
机器学习方法,老年心房颤动,合并冠心病,冠心病患者,死亡预测,回顾性队列研究,北京医院,上房,失访,生存结局,另选,月入,外部数据,数据验证,验证集,人口统计学,合并疾病,辅助检查,检查和,治疗情况,主要不良心脑血管事件,MACCE,训练集,测试集,机器学习算法,最优模型,Shapley,加法,特征变量,随访时间,支持向量机模型,近邻算法,KNN,决策树模型,随机森林模型,XGBoost,受试者工作特征曲线,预测效能,二聚体,左心室射血分数,人血白蛋白,白蛋白水平,贫血,纽约心脏病协会心功能分级,陈旧性心肌梗死,估测,肾小球滤过率,eGFR,静息心率,基于机器学习,识别能力,低蛋白血症,改善心功能,心室率,远期预后,冠状动脉疾病
AB值：
0.261148
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
