基于机器学习的瓣膜病心房颤动患者心脏血栓形成预测和特征分析

目的 评估机器学习算法在心脏瓣膜病心房颤动患者心脏血栓形成的预测和表征中的应用.方法 本研究从四川大学华西医院及其分院收集2016-2021年心脏瓣膜病伴心房颤动患者的临床数据,从2 515例接受瓣膜手术的患者中筛选出886例瓣膜病伴心房颤动患者纳入研究,其中男545例(61.5％)、女341例(38.5％),平均年龄(55.62±9.26)岁,192例患者术中证实有心脏血栓形成.采用5种监督机器学习算法来预测患者的血栓形成.基于患者的临床数据(特征筛选后的33个特征),采用10折嵌套交叉验证方法,通过曲线下面积、F1分数以及马修斯相关系数等评价指标对模型的预测效果进行评价.最后,使用SHAP解释方法来解释模型,并以患者为例分析模型的特征.结果 随机森林模型各项综合评估指标最佳,受试者工作特征曲线下面积为0.748±0.043,准确率79.2％.对模型的解释和分析表明,每搏输出量、二尖瓣E波峰值流速和三尖瓣压力梯度等是影响预测的重要因素.结论 随机森林模型实现了最好的预测性能,有望被临床医生用作一种辅助决策工具,用于筛查患有瓣膜病心房颤动的高栓塞风险患者.