梯度提升决策树在预测急性心肌梗死患者PCI后住院期间发生心力衰竭中的应用价值

作者：胡文标^*; 刘礼敬; 林晓峰; 宋清华; 陆元喜; 韦佳玲

来源：实用心脑肺血管病杂志, 2023, 31(05): 14-19.

• 心肌梗死
• 心力衰竭
• 决策树
• 梯度提升决策树
• Logistic模型
• 预测

目的 探讨梯度提升决策树（GBDT）在预测急性心肌梗死（AMI）患者PCI后住院期间发生心力衰竭（HF）中的应用价值。方法 回顾性选取2021—2022年于南宁市第二人民医院行PCI的AMI患者200例为研究对象。将患者分为训练集（145例）和测试集（55例）。根据PCI后住院期间HF发生情况，将训练集患者分为HF组（48例）和非HF组（97例）。收集患者一般资料及PCI前实验室检查指标、心脏彩超检查指标。基于单因素分析结果，采用R4.1.2软件分别构建预测AMI患者PCI后住院期间HF发生风险的GBDT算法模型和Logistic回归模型；分别采用ROC曲线、校准曲线分析GBDT算法模型、Logistic回归模型的区分度、准确性。结果 HF组年龄大于非HF组，有糖尿病病史者占比、超敏C反应蛋白（hs-CRP）、白细胞计数（WBC）、中性粒细胞计数、肌酸激酶同工酶（CK-MB）高于非HF组（P<0.05）。将单因素分析中差异有统计学意义的指标纳入GBDT算法模型，通过GBDT算法获得这6项指标的相对重要性，由小到大依次为糖尿病病史（2.220）、中性粒细胞计数（7.713）、年龄（14.734）、CK-MB(16.819)、WBC(24.828)、hs-CRP(33.686)。多因素Logistic回归分析结果显示，年龄、hs-CRP、WBC、中性粒细胞计数、CK-MB是训练集AMI患者PCI后住院期间发生HF的影响因素（P<0.05），构建Logistic回归模型，其具体公式为：logit(P)=-18.182+0.147×年龄+0.233×hs-CRP+0.438×WBC+0.242×中性粒细胞计数+0.003×CK-MB。ROC曲线分析结果显示，GBDT算法模型、Logistic回归模型预测训练集AMI患者PCI后住院期间发生HF的AUC分别为0.989[95%CI(0.974,1.000)]、0.864[95%CI(0.786,0.942)]；GBDT算法模型、Logistic回归模型预测测试集AMI患者PCI后住院期间发生HF的AUC分别为0.900[95%CI(0.817,0.982)]、0.763[95%CI(0.639,0.888)]。校准曲线分析结果显示，GBDT算法模型、Logistic回归模型预测训练集、测试集AMI患者PCI后住院期间发生HF的概率分别与本组AMI患者PCI后住院期间HF的实际发生率一致。结论 本研究基于年龄、糖尿病病史、hs-CRP、WBC、中性粒细胞计数和CK-MB 6个指标构建的GBDT算法模型对AMI患者PCI后住院期间发生HF有较好的预测价值，且优于传统Logistic回归模型，这可为AMI患者PCI后预后的评估及干预治疗提供参考依据。

• 单位
  南宁市第二人民医院