亮点
- 我们使用美国GWTG-CAD注册研究数据训练和验证了新的急性心肌梗死死亡率模型
- LightGBM实现了最高的AUROC 0.874，且在各组中校准效果优异
- 新模型在总样本和2023年验证队列中均优于传统的ACTION和GLMM模型
- 合并症、运输方式和社会脆弱指数(SVI)提供了传统输入之外的预测价值
摘要
背景
心血管疾病仍然是全球死亡的主要原因，急性心肌梗死(AMI)每年在美国导致超过10万人死亡。准确的院内死亡风险分层对于指导临床决策、改善结果和优化医院资源至关重要。然而，现有模型通常依赖有限的预测因子集、过时的数据和线性方法，可能无法反映当前的临床实践。
目标
开发并验证一个当代的AMI患者院内死亡风险模型，该模型包含临床、人口统计学和健康的社会决定因素，并与传统的ACTION Registry–GWTG模型进行性能比较。
方法
我们使用美国心脏协会(AHA)Get with The Guidelines®–冠状动脉疾病(GWTG-CAD)注册研究的数据。2019年10月1日至2022年12月31日入院的201,191名患者(来自605家医院)用于开发院内死亡率预测模型。2023年入院的70,302名患者作为独立验证队列。我们纳入了27个预测因子，并与传统的ACTION Registry–GWTG模型进行基准测试。亚组和敏感性分析评估了模型在性别、种族/民族、STEMI状态和时间段上的性能。
结果
基于Light Gradient Boosting Machine (LightGBM)的GWTG-CAD模型实现了最高的区分度(AUROC 0.874，95% CI: 0.867–0.880)和跨亚组的卓越校准，优于ACTION Registry–GWTG模型(AUROC 0.859，95% CI: 0.852–0.867)。合并症、运输方式和社区层面的社会经济因素提供了超越传统预测因子的有意义的预测价值。广义线性混合模型(GLMM，AUROC 0.865)提供了可解释的比值比和校准概率估计，适用于风险调整的基准测试和质量改进。
结论
GWTG-CAD模型套件通过两种互补方法推进了AMI死亡率预测：LightGBM模型为在不同亚组中识别高风险患者提供了卓越的区分度，而GLMM则为机构基准测试和质量改进提供了一个透明的工具。在临床应用前需要更广泛的外部验证。
介绍
每年，急性心肌梗死(AMI)影响约100万美国人，仍然是美国和全球死亡的主要原因。准确且校准良好的AMI后院内死亡率预测模型对于临床决策、患者咨询、资源分配和医院基准测试至关重要。值得注意的是，参与Get With The Guidelines®-冠状动脉疾病(GWTG-CAD)注册研究的医院(美国最大的AMI注册研究之一)依赖此类死亡率预测模型来支持质量改进和跨医院比较。
尽管现有的风险模型是为AMI院内死亡率预测而开发的，包括2013年急性冠状动脉治疗和干预结果网络(ACTION)Registry–GWTG模型和GRACE风险评分，但这些模型使用较旧的数据和传统统计方法开发，可能无法反映当前的临床实践或捕捉预测因子与结果之间的非线性关系。人口健康的变化，包括肥胖和糖尿病患病率的增加以及医院系统的改变，进一步限制了它们的相关性。此外，许多模型继续使用种族作为风险的代理，尽管越来越多的共识认为种族是一种社会建构，而健康的社会决定因素提供了更精确和公平的预测因子。
为解决这些局限性，我们使用传统统计和机器学习模型，在GWTG-CAD注册研究的当代数据上开发了一个可推广的死亡风险模型。研究的目标是：1)测试更广泛的临床预测因子和健康社会决定因素的纳入是否能提高预测性能；2)确定与传统线性模型相比，机器学习方法的使用是否能提高模型性能；3)开发用于质量改进工作中的风险调整的新模型。
数据来源
美国心脏协会(AHA)GWTG-CAD注册研究是美国全国性的自愿质量改进计划。参与医院上传连续入院的ST段抬高型心肌梗死(STEMI)或非ST段抬高型心肌梗死患者的临床数据。
研究人群
从GWTG-CAD注册研究的初始571,331名患者数据集中，确定了305,779名患者在2019年10月1日至2022年12月31日期间出院。在应用排除标准后，30,258名患者因缺失人口统计学或临床数据(包括种族、民族、性别、运输方式、出院状态或肌钙蛋白单位)或年龄在18–100岁范围之外而被排除。此外，27,483名患者因转院而被排除。
讨论
准确的AMI院内风险预测仍然是一个关键任务，对临床决策和医院质量评估具有重大意义。临床实践的动态性、不断变化的患者人口统计学特征以及健康社会决定因素的转变，需要持续开发和验证当代风险分层工具。本研究通过使用当代全国数据和最先进的机器学习方法满足了这一需求，为急性心肌梗死患者提供了更精准的风险评估工具。
【全文结束】
