背景 心血管疾病（CVD）仍然是全球主要的死亡原因，其中急性心肌梗死（AMI）每年在美国导致超过10万人死亡。准确的风险分层对于指导临床决策、改善患者预后和优化医院资源至关重要。然而，现有的模型通常依赖有限的预测因子集、过时的数据以及线性方法，可能无法反映当前的临床实践或复杂的交互关系。
目的 使用现代统计和机器学习方法，结合临床、人口统计和社会健康决定因素，开发并验证一种用于急性心肌梗死（AMI）患者的当代住院死亡率风险模型。
方法 我们利用了美国心脏协会（AHA）Get With The Guidelines® - 冠状动脉疾病（GWTG-CAD）注册数据。纳入2019年10月1日至2022年12月31日期间入院的急性心肌梗死患者（来自605家医院的201,191名患者），用于开发住院死亡率预测模型。独立验证队列包括2023年入院的70,302名患者。我们纳入了27个预测因子，包括人口统计学特征、共病、生命体征、实验室检测值和社会健康决定因素。评估的模型包括广义线性混合模型（GLMM）和机器学习算法，并以传统的ACTION Registry-GWTG模型作为基准。亚组和敏感性分析评估了模型在性别、种族/民族、ST段抬高型心肌梗死（STEMI）状态和时间段上的表现。
结果 基于LightGBM的GWTG-CAD模型实现了最高的区分度（AUROC 0.874，95% CI：0.867-0.880），并在所有亚组中表现出优异的校准能力。GLMM和LightGBM均优于ACTION Registry-GWTG模型，其中LightGBM在2023年的验证队列中表现最为一致。除了传统预测因子外，共病、交通方式和社区层面的社会经济因素增加了预测价值。
结论 新的GWTG-CAD风险模型结合了临床、院前和社会因素预测因子以及机器学习方法，增强了对当代急性心肌梗死患者住院死亡率的预测能力。
(全文结束)
