基于机器学习的冠心病稳定型心绞痛痰浊闭阻证诊断模型研究

Study on the Diagnosis Model of Phlegm-Dampness Obstruction Syndrome in Patients with Stable Angina Pectoris Due to Coronary Heart Disease Based on Machine Learning

二维码有效期 120s

摘要目的构建冠心病稳定型心绞痛(CSAP)痰浊闭阻证诊断模型,为临床辨证提供参考.方法收集2022年5月-2024年1月于山东中医药大学附属东营医院心内科就诊的305例CSAP患者临床资料,运用最小绝对收缩和选择算法(LASSO)筛选特征,通过机器学习(ML)算法构建多个模型并进行比较,筛选出最优ML模型进行训练、验证与测试.通过沙普利加性解释(SHAP)的方法对最优模型的运行逻辑进行解释,并提供2个典型示例,帮助使用者理解模型的运行逻辑.结果 LASSO回归显示胸部闷痛、体质量指数(BMI)、肢体困重、饮酒史、年龄、三酰甘油(TG)、总胆固醇(TC)和低密度脂蛋白胆固醇(LDL-C)为纳入模型中的特征.经过多模型比较,高斯朴素贝叶斯(GNB)模型展现出的效能最为优异.最终构建的GNB模型在训练集的平均AUC为0.938(95%CI:0.903～0.972),验证集的平均AUC为0.927(95%CI:0.851～0.992),测试集的AUC为0.856(95%CI:0.751～0.961).学习曲线显示,模型中训练集和验证集之间的误差随训练样本数量增加而收敛,校准曲线显示模型对观察到的痰浊闭阻证患者的预测概率具有较好的一致性,临床决策曲线(DCA)显示模型在<0.7的决策阈值下能为患者提供临床获益.SHAP重要性排名特征依次为胸部闷痛、BMI、LDL-C、TG、肢体困重、TC、饮酒史和年龄.结论本研究构建的CSAP痰浊闭阻证诊断模型能够辅助医师对患者进行辨证,从而制定中西医结合的临床治疗方案,帮助患者获得更好的疗效.