换一批基于机器学习建立老年慢性心力衰竭患者1年全因死亡预测模型
Development of a machine learning-based model to predict one-year all-cause mortality in elderly patients with chronic heart failure
摘要目的 基于机器学习建立老年慢性心力衰竭(CHF)患者1年全因死亡预测模型.方法 回顾性分析902例老年CHF患者(782例训练集和120例验证集)1年全因死亡的影响因素,随访1年,根据是否全因死亡分为死亡组和存活组,并建立5种机器学习预测模型.采用受试者操作特征(ROC)曲线、校准曲线、决策曲线对模型进行验证.结果 训练集782例老年CHF患者1年全因死亡率为12.28%;验证集120例老年CHF患者1年全因死亡率为10.83%.LASSO回归和多因素Logistic回归分析显示:体重指数增加、左室射血分数升高为老年CHF患者1年全因死亡的独立保护因素,纽约心脏协会心功能分级Ⅳ级、C反应蛋白升高、D-二聚体升高、氨基末端脑钠肽前体(NT-proBNP)升高为独立危险因素(P<0.05).ROC曲线显示,训练集和验证集极端梯度提升(XGBoost)预测模型的曲线下面积(AUC)分别为0.897、0.864,均优于多因素Logistic回归(0.860、0.822)、决策树(0.767、0.761)、随机森林(0.875、0.818)、支持向量机(0.859、0.788)预测.验证集校准曲线显示,XGBoost预测模型的预测概率与实际曲线贴合,预测概率>0.10可为临床带来净收益.结论 体重指数、纽约心脏协会心功能分级、左室射血分数、C反应蛋白、NT-proBNP为老年CHF患者1年全因死亡的独立影响因素,基于此建立的XGBoost预测模型的预测效能最佳.
更多相关知识
关键词
老年慢性心力衰竭机器学习全因死亡预测模型极端梯度提升算法左室射血分数elderlychronic heart failuremachine learningall-cause mortalitypredictive modelextreme gradient boosting algorithmleft ventricular ejection fraction
栏目名称
DOI
10.13885/j.issn.2097-681X.M20251161
发布时间
2026-04-24（万方平台首次上网日期，不代表论文的发表时间）
基金项目
首都全科医学与社区卫生研究专项资助项目（2023-2Y-014）
- 浏览2
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
