一种整合临床参数的可解释机器学习模型用于非瓣膜性房颤患者左心耳血栓的识别

《Ultrasound in Medicine & Biology》:An Explainable Machine Learning Model Integrating Clinical Parameters for Identifying Left Atrial Appendage Thrombus in Non-valvular Atrial Fibrillation

【字体: 大 中 小 】 时间:2026年10月11日 来源:Ultrasound in Medicine & Biology 2.4

编辑推荐:

   摘要目的本研究旨在利用机器学习算法整合临床和超声心动图特征,为非瓣膜性心房颤动患者开发左心耳血栓(LAAT)的预测模型。应用SHapley可加性解释方法(SHAP)框架来解释模型并量化每个预测变量的贡献,从而提高LAAT风险预测的准确性和临床可解释性。方法本研究为回顾性研究,

  

摘要

目的

本研究旨在利用机器学习算法整合临床和超声心动图特征,为非瓣膜性心房颤动患者开发左心耳血栓(LAAT)的预测模型。应用SHapley可加性解释方法(SHAP)框架来解释模型并量化每个预测变量的贡献,从而提高LAAT风险预测的准确性和临床可解释性。

方法

本研究为回顾性研究,共纳入2022年9月至2024年10月期间在我院接受经食管超声心动图检查的325例非瓣膜性心房颤动患者。仅在训练队列内进行最小绝对收缩和选择算子(LASSO)回归配合五折交叉验证以筛选候选特征,随后进行多变量logistic回归以量化独立关联。然后训练并评估六种机器学习算法——logistic回归、支持向量分类器、随机森林、GradientBoosting、极端梯度提升(XGBoost)和Light Gradient Boosting Machine(LightGBM)——用于模型构建。随后采用SHAP分析可视化并解释各特征对模型预测的影响。

结果

多变量logistic回归显示,较低的左心耳血流速度(比值比0.805;p < 0.001)和持续性心房颤动(比值比4.344;p = 0.005)是LAAT的独立预测因子。在六种模型中,logistic回归表现出最佳的预测性能,训练队列中曲线下面积(AUC)为0.958,测试队列中AUC为0.913。SHAP解释分析表明,左心耳血流速度、心房颤动类型、左心房内径、CHA?DS?-VASc评分(充血性心力衰竭、高血压、年龄≥75岁、糖尿病、卒中/短暂性脑缺血发作、血管疾病、年龄65–74岁、性别[女性])、左心室射血分数和纤维蛋白原是对血栓风险预测贡献最大的特征。

结论

本研究通过将机器学习算法与SHAP可解释性框架相结合,成功开发了一种高效且具有可解释性的模型,用于预测非瓣膜性心房颤动患者的LAAT。所提出的模型整合了易于获取的临床和超声心动图变量,为个体化抗凝管理和临床决策提供了实用工具。

引言

心房颤动(房颤)是缺血性卒中和全身性血栓栓塞的主要独立危险因素[[1],[2],[3]]。在非瓣膜性心房颤动(NVAF)患者中,超过90%的血栓栓塞事件源于左心耳(LAA)[4,5]。电复律、射频消融和左心耳封堵等治疗手段已被证实能有效降低血栓栓塞事件的发生率;然而,左心耳血栓(LAAT)的存在仍然是这些操作的重要禁忌证。
目前,CHA?DS?-VASc评分(充血性心力衰竭、高血压、年龄≥75岁、糖尿病、卒中/短暂性脑缺血发作、血管疾病、年龄65–74岁、性别[女性])被广泛用于评估房颤患者的血栓栓塞风险[6]。然而,该评分系统并不能涵盖所有与左心耳血栓形成相关的因素[7]。新近证据已识别出与LAAT相关的额外结构性、血液学和炎症性预测因子。例如,左心房内径(LAD)和左心耳体积的增大与血栓栓塞事件相关,可为CHA?DS?-VASc评分提供补充价值。形态学研究还表明,菜花型左心耳与较高的卒中和血栓发生率相关[8],而Wang等人[9]证明非鸡翅型左心耳形态是NVAF患者左心房/左心耳血栓的强独立预测因子。此外,系统性炎症似乎也发挥作用,中性粒细胞与淋巴细胞比值(NLR)被报道为房颤患者血栓栓塞风险的潜在生物标志物[10,11]。
尽管取得了上述进展,现有的LAAT预测工具仍然有限,因为它们未能充分纳入新型危险因素,从而导致预测准确性欠佳。这一局限性降低了其在个体化风险分层和临床决策中的实际应用价值。为克服这些挑战,需要一种综合的、数据驱动的方法,能够同时分析多个相互关联的临床变量,全面评估NVAF患者的LAAT风险。
机器学习算法已成为强大的分析工具,能够识别高维数据集中的复杂非线性模式和隐含关联[12]。基于机器学习的模型已成功应用于疾病诊断、分层、治疗反应预测和预后评估[13,14]。然而,样本量有限和机器学习模型的黑箱特性这两大挑战仍阻碍了其在临床实践中的广泛应用。近年来,SHapley可加性解释方法(SHAP)框架作为一种有效的可解释性工具被提出,能够量化每个特征对模型输出的贡献[15]。SHAP框架结合了严谨的理论基础和直观的可视化,为模型决策过程提供了透明的理解[16]。
因此,本研究旨在利用多种机器学习算法,整合临床、实验室和超声心动图参数,为NVAF患者开发LAAT预测模型。比较不同算法的模型性能,并运用SHAP分析阐明最优模型中各危险因素的相对重要性和方向。本研究希望提高非侵入性LAAT预测的准确性,并提供具有临床可解释性的见解,以辅助个体化风险评估和管理策略。

章节摘要

患者

本研究为回顾性研究,经机构伦理委员会批准,并获得免除知情同意的许可。2022年9月至2024年10月期间,连续纳入在梅州人民医院诊断为NVAF并接受经食管超声心动图(TEE)检查的患者。纳入标准为:(i) 根据2024年欧洲心脏病学会房颤管理指南[17],通过心电图或24小时动态心电图监测确认房颤;(ii) 年龄

患者基线特征

2022年9月至2024年10月期间,共有325例在梅州人民医院接受TEE检查的NVAF患者入组(图2)。基线患者特征汇总见表1。与非LAAT组(n = 218)相比,LAAT组(n = 107)患者左心房内径显著增大、左心耳血流速度显著降低、左心室射血分数显著降低、凝血酶原时间和国际标准化比值水平显著升高以及CHA?DS?-VASc评分显著更高(所有p < 0.01)。持续性心房颤动在LAAT组中显著更为

讨论

在本研究中,我们比较了六种机器学习算法在评估NVAF患者LAAT风险方面的预测性能。为确保方法学严谨性,在进行任何特征选择或模型拟合之前,将数据集划分为独立的训练集和保留测试集,从而消除了数据泄漏的风险并防止高估模型性能。在六种模型中,logistic回归模型在测试队列中实现了最高的预测效率,

结论

本研究开发并验证了一种机器学习模型,利用临床、实验室和超声心动图数据预测NVAF患者的LAAT风险。在六种算法中,logistic回归模型获得了最佳的整体性能。较低的左心耳血流速度和持续性心房颤动被确定为LAAT的独立预测因子。SHAP分析解释了每个变量的贡献,增强了模型的透明度和临床适用性。该可解释的logistic回归模型提供了一种简单可靠的工具,用于

数据可用性声明

支持本研究结果的去标识化数据可在合理书面请求下从通讯作者处获取,但须符合机构数据治理要求、适用情况下的伦理批准以及患者隐私法规。

利益冲突

作者声明不存在利益冲突。

致谢

作者衷心感谢梅州人民医院(梅州医学科学院)超声科各位同事在本研究过程中提供的宝贵支持和专业帮助。
周建辉|曾林辉|陈林|张友红
梅州人民医院(梅州医学科学院)超声医学科,中国广东省梅州市
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号