Page 19 - 《南京医科大学学报》自然科学版2026年第2期
P. 19

第46卷第2期          杨 玥，葛 愿，李明辉，等. 基于机器学习的心脏术后衰弱预测模型的构建与验证［J］.
                  2026年2月                    南京医科大学学报（自然科学版），2026，46（2）：173-180，187                     ·175 ·


                白水平。                                              布的计量资料采用均数±标准差（x ± s）表示，组间比
                1.2.2  患者术后衰弱的评估与分组                               较采用独立样本t检验；偏态分布数据以中位数（四
                    依据《老年心血管疾病合并衰弱评估与管理中                          分位数）［M（P25，P75）］表示，组间比较采用 Mann⁃
                国专家共识》推荐，采用 FRAIL 量表评估心脏疾病                        Whitney U 检验；计数资料以频数（百分比）［n（%）］
                患者的衰弱状态。该量表耗时较短、客观且重复性                            描述，组间比较采用χ 检验。使用“randomForest”
                                                                                       2
                好，目前在许多心血管疾病的研究中表现出优异的                           “glmnet”和“xgboostR”等 R 包进行机器学习分析；
                评估性能    ［12-14］ 。FRAIL量表共包含5个条目，如果患              “pROC”包 计 算 ROC 值 ，“ggplot2”包 绘 制 图 片 ；
                者有 3 个及以上的回答为“是”，则可诊断为衰弱。                        “rms”包进行预测模型验证和列线图构建及验证；
                评估选择在术后 1 个月左右，患者门诊复查时进                          “ggDCA”包分析临床决策曲线。双侧检验，P < 0.05
                行。该时间点的选择基于以下考量：①避开了住院                            为差异有统计学意义。
                期间急性手术应激、疼痛以及麻醉药物影响的急性
                                                                  2 结    果
                期，能更真实地反映患者中期的恢复趋势；②此时
                患者常规进行随访，避免电话随访带来不准确性；                            2.1  患者基线特征
                ③术后1~3个月是评估心脏手术后中期并发症与功                               训练集及内部验证集纳入235例患者，按照7∶3
                能恢复的关键时间窗口，有学者也采用术后1个月设                           的比例随机分为训练集165例，验证集70例。训练
                为评估衰弱的第一个正式随访点 。FRAIL评分≥3分                        集与验证集的基线特征比较显示，各组间变量分布
                                           ［15］
                者纳入衰弱组，FRAIL评分<3分者纳入非衰弱组。                         均衡，无显著差异（表1）。在训练集中，44例患者发
                1.2.3  基于机器学习的变量筛选                                生衰弱，发生率为26.7%。单因素分析显示，衰弱组
                    采用最小绝对收缩和选择算子（least absolute                  与非衰弱组在年龄、糖尿病、LVDd、LVEF 及白蛋白
                shrinkage and selection operator，LASSO）、随机森林      水平上差异均有统计学意义（P均 < 0.05，表2）。
               （random forest，RF）以 及 极 限 梯 度 提 升（extreme          2.2  机器学习结果
                gradient boosting，XGBoost）3种机器学习算法筛选共                 LASSO模型（AUC为0.795，95%CI：0.698~0.892）
                同预测因子。所有模型均使用 10 折交叉验证进行                          在λ.1se 下选择了 7 个非零系数变量（图 2A~D），
                评估。RF模型使用500棵决策树训练，通过平均下                          XGBoost 模型（AUC 为 0.839，95%CI：0.757~0.921，
                降Gini指数对变量重要性进行排序，保留前10个最                         图 2E~G）以及 RF 模型（AUC=0.838，95%CI=0.756~
                重要变量。对于LASSO回归，通过二项式惩罚将非                          0.920，图2H~J）则分别根据变量重要性排序选取前
                信息变量压缩至零系数，使用最小准则和 1 个标准                          10个特征。3种机器学习方法共同筛选出4个关键
                误规则选择最优正则化参数；将λ.1se准则下系数非                         变量，包括年龄、术前白蛋白、术前 LVEF 和 LVDd
                零的变量视为显著预测因子。在 XGBoost 中，计算                       值，其方差膨胀系数（variance inflation factor，VIF）均
                沙 普 利 加 和 解 释（Shapley additive explanation，       远小于 4，表明这些预测因子之间不存在显著的多
                SHAP）以量化各变量对模型预测的贡献度，并选择                          重共线性，确保了模型估计的稳定性和结果的可靠
                按增益排序的前 10 个变量。最终通过韦恩图可视                          性（图2K）。
                化3种方法确定共同变量。                                      2.3 列线图构建与验证
                1.2.4  列线图构建                                          将上述 4 个因子纳入 Logistic 回归，构建列线
                    基于 3 种机器学习方法确定的共同变量，构建                        图模型。每个因素都可以查询到 1 个分数，通过将
                Logistic回归模型以开发列线图，作为个体化风险预                       4 个分数相加并在总评分轴上定位总和来计算

                测的可视化工具。采用受试者工作特征（receiver                        总分和（图 3）。该列线图在训练集和内部验证
                operating characteristic，ROC）曲线及其曲线下面积            数 据 集 中 均 表 现 出 稳 健 的 预 测 性 能 。 训 练 集
               （area under the curve，AUC）评估模型的区分度、校               AUC 为 0.846（95%CI：0.763~0.928），最大约登指

                准曲线评估模型的一致性、决策曲线分析（decision                       数 对 应 的 临 界 值 为 0.247，校 准 曲 线 Brier 值 为
                curve analysis，DCA）评估该模型的临床价值，并在                  0.144。将训练集模型置于内部验证集中进行验证，
                内部验证集以及时间分层验证集中予以验证。                              内部验证集 AUC 为 0.821（95%CI：0.701~0.940），最

                1.3  统计学方法                                        大约登指数对应的临界值为 0.315，校准曲线 Brier
                    使用 RStudio 4.4.2 进行统计分析，符合正态分                 值为 0.131。
   14   15   16   17   18   19   20   21   22   23   24