换一批基于机器学习算法的超声心动参数在冠心病患者PCI术后心血管不良事件中的价值分析
Value Analysis of Echocardiography Parameters Based on Machine Learning Algorithm for Cardiovascular Adverse Events in Patients with Coronary Heart Disease and PCI
摘要目的 基于超声心动参数构建机器学习模型,预测冠心病患者经皮冠状动脉介入治疗(PCI)术后主要心血管不良事件(MACE)风险.方法 回顾性纳入450例行PCI手术的冠心病患者,并进行为期1年术后随访,根据随访结果分为MACE组和非MACE组.按7∶3划分训练集和验证集,以42个特征参数为自变量,最小绝对收缩和选择算子(LASSO)回归算法和10倍交叉验证筛选与术后1年发生MACE最相关变量;极端梯度提升算法(XGBoost)、K近邻算法(KNN)和随机森林(RF)对筛选变量排序;取交集后进行Logistic回归分析并生成列线图预测模型,受试者工作特征(ROC)曲线、校准曲线和决策曲线评估该模型的预测效能.结果 LASSO回归共筛选出18个相关参数;取交集经Logistic分析得到8个重要参数:左心室收缩末期内径(LVEF)、左心室舒张末期内径(LVEDd)、左心室质量指数(LVMI)、心内膜下整体纵向应变(GLSendo)、心肌整体纵向应变(GLSmyo)、心肌整体有效做功(GCW)、整体做功效率(GWE)及置入支架数量;ROC曲线显示基于8个参数构建的列线图预测效能良好,训练集曲线下面积(AUC)为0.94,验证集AUC为0.93;模型在训练集(P=0.48)与验证集(P=0.21)中均通过Hosmer-Lemeshow检验,校准度良好;决策曲线显示阈值在10％～90％正向净获益高.结论 基于机器学习算法构建的超声心动参数预测模型对冠心病患者PCI术后MACE发生风险有良好预测价值,可为预测提供理论参考.
更多相关知识
关键词
机器学习算法超声心动参数冠心病主要不良心血管事件Machine learning algorithmsEchocardiographic parametersCoronary heart diseaseMajor ad-verse cardiovascular events
栏目名称
DOI
10.3969/j.issn.1002-0101.2025.12.016
发布时间
2026-01-07（万方平台首次上网日期，不代表论文的发表时间）
基金项目
宁夏自然科学基金项目（No.2025AAC030883）
- 浏览9
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
