摘要目的 构建并验证一个基于机器学习的预测模型,用于评估心肌梗死(MI)合并心力衰竭(HF)患者在经皮冠状动脉介入治疗(PCI)后的院内死亡风险.方法 回顾性分析2019年1月至2023年1月在新疆医科大学第一附属医院就诊并接受PCI治疗的MI合并HF患者.收集患者的人口学特征、生命体征、实验室检查、影像学参数以及药物治疗情况,按7∶3的比例分为训练集和验证集.利用极限梯度提升(XGBoost)模型筛选对院内死亡有显著影响的变量,并采用Shapley加法解释(SHAP)模型评估变量重要性,通过单因素和多因素Logistic回归分析构建预测模型.模型性能通过受试者工作特征(ROC)曲线、曲线下面积(AUC)、校准曲线和决策曲线进行评估,最终生成诺莫图用于直观评估风险.结果 共纳入1 214例MI合并HF患者数据,中位年龄为64岁,其中院内死亡90例,病死率为7.41％.经过XGBoost模型特征选择,最终筛选出10个显著变量,包括年龄、肌红蛋白、白蛋白、空腹血糖、N末端B型利钠肽原(NT-ProBNP)、合并糖尿病、肌酐、胱抑素-C、降钙素原和射血分数.基于这10个变量进一步建立Logistic回归模型,最终得出7个关键指标:年龄、合并糖尿病、肌酐、空腹血糖、胱抑素-C、NT-ProBNP和白蛋白.模型在训练集和验证集的AUC分别为0.869(95％CI:0.84～0.89)和0.827(95％CI:0.79～0.85),显示出较高的预测准确性.校准曲线显示预测概率与实际观察结果一致,决策曲线分析表明在不同决策阈值下,模型均具有较高的净收益.结论 所构建的基于机器学习和Logistic回归的预测模型能够有效评估MI合并HF患者在PCI术后的院内死亡风险,并提供了一种直观的个体化风险评估工具(诺莫图).该模型可辅助临床早期识别高危患者,优化干预策略,以改善患者预后.