机器学习在急性冠脉综合征风险评估中的应用

如心肌梗死溶栓(thrombolysisin和全球急性冠状动脉事件注册研究(globalregistryofacutecardiacevents,GRACE)评分[1-2]采用了患者的部分临床指标进行评估。然而，这类基他预后相关信息的可能性[3]。既往研究报道TIMI和GRACE评分的受试者工作特征曲线下面积分别为0.60~0.70和0.80~0.85[4],预测效能并未达到预期。来完善猜测[5]。它通过在数据中运行迭代学习的算法来自动建立分析模型，数据内部的潜在关系来创建模型并对模型进行不断修正[6]。机器学习目前已局预测中较为成熟，如识别和诊断肺癌、乳腺癌和前列腺癌[7-9],检测糖尿病视网膜病变、皮肤癌分级，预测患者院内心脏骤停发生率等[10-12]。机器学习按照学习形式可分为监督学习和无监督学习，其分类如图1所示。监督学习机器学习机器学习监督学习半监督学习无监督学习强化学习线性回归随机森林K均值聚类主成分分析非线性回归逻辑回归层次聚类奇异值分解朴素贝叶斯支持向量机1.监督学习：监督学习是指利用一组已知类别的样本对模型的参数进行调整，使其达到所要求性能的过程。它是一种通过对训练集数据进行标签式标记，从而进行结果推断的机器学习任务。在监督学习中，算法使用人工预先标记特征的数据集来预测研究者所期望的结果，通常将预测结果分为1个或多个类别。监督学习可大致分为回归和分类两种，其中回归可分为线性回归和非线性回归；而常见的分类算法包括逻辑回归(logisticregression,LR)、K近邻(K-nearestneighbors,KNN)、随机森林(randomforest,RF)、朴素贝叶斯(naiveBayes,NB)、支持向量机等。在既往医学研究中，LR和RF是使用最广泛的机器学习方法。LR是一种探索1个二分类或多分类变量(因变量)与多个影响因素(自变量)之间关系的多重回归分析方法，可检测并筛选出主要的危险或保护因素，通过建立回归模型来预测临床结局发生的概率。决策树是一种多分类方法，通过在离散分割点上分割变量对样本数据进行划分，通常以树形图表示[13]。在分类任务中，森林中的每棵决策树产生1个分类预测结结果中预测最多的类别，将作为整体RF模型的预测结果[14]。LR和RF在一的性能[6,15],但此类机器学习方法在建立预测模型前需要进行特征筛选，即删除那些与预测结果相关性低的变量，但这可能会导致部分信息丢失[16]。研究表明，NB的精确度要高于其他分类器[17-18]。KNN是最早和最简单的分类算法之一[19],其原理为，对于给定的训练集，当输入新样本时，在训练集样本分类到这个类别中，其中“K”是指选取的最近邻聚类的数量，也可利用设它与每个当前样本的相似性对其进行分类[20]。该分类器对发病率预测十分有效，研究表明它在预测心脏病发生率中表现尤为出色[21]。矩阵分解、张量分解[22]、拓扑数据分析[23]和深度学习[24]等。无监督聚类算法是一种计算机根据数据的基础模式和属性进行自我驱动式应用之一[25-26]。Cikes等[27]、Sweatt等[28]和Guo等[29]使用无使用了各种聚类算法来识别射血分数保留型心力衰竭疾病亚型[30-32]。但目前极少有在ACS患者中使用无监督聚类分析的研究[33]。领域的应用至少要追溯到1995年[34]。这些模型由以网络形式布局的神经元存在1个或多个隐藏层。与生物神经元相似，当输入信息元继续向下一层神经元传递信号，直到最后的输出层(图2)。浅层神经网络通1n1n2图2深层神经网络结构示意图他深度学习模型还有人工神经网络和递归神经网络等。LeCun等[35]在其著作6]。但与RF相比，训练神经网络所需数据量更大，这是深度学习的一个缺陷。ACS的不良预后与未能对高风险患者进行早期识别并进行强化诊疗密切相关。机器学习通过在大型数据集中发掘有效信息并进行预测建模[37],避免了2017年，Shouval等[6]选取了以色列冠心病注册研究(AcuteCoronarySyndromeIsraeliSurveyregistry,ACSIS)中的2782例ACS患者，采用RF在内的机器学习方法来预测ST段抬高型心肌梗死(ST-segmentelevationmyocardialinfarction2019年，Kwon及其团队利用韩国心肌梗死工作组(Koreanworkinggroupofmyocardialinfarction,KorMI)登记的包含全国22875例急性心肌梗死(acutemyocardialinfarction,AMI)患者的大型数据，开发并验证了一种基于于传统的风险预测模型(TIMI和GRACE评分)[39]。2020年，Lee等[40]同样入选了KorMI和韩国急性心肌梗死注册研究(KorfarctionRegistry,KAMIR)登记的22182例AMI患者，对其进行为期1年的随访，运用机器学习建立了患者1年后死亡风险预测模型，其研究结果显示机器学纳入1244例急性前壁心肌梗死患者，比较6种常见的监督性机器学习模型[NB、LR、KNN、DT、RF和极度梯度提升树(extremegradientboosting,XGBoost)]2021年，Shouval团队重建了此前研发的RF模型[6],并在ACSIS和心肌缺血审计项目(MyocardialIschemiaNationalAuditProject,MINAP)两个大型独立数据集(分别包括2782和22963例患者)中做了外部验证，此次研究TEMI死亡率的机器学习模型[42]。同年，Sherazi等[43]基于KAMIR数据库中出院后2年的STEMI(5389例)和非ST段抬高心肌梗死(5800例)共11189assifier,SVE),用于对ACS患者发生主要不良心血管事件进行早期预测。其研究结果显示SVE的表现优于RF、额外树(extratree,ET)、梯度提升机(gradientboostingmachine,GBM)这几种机器学习算法。Xue等[33]使用机广泛并具有高度准确性的方法。而XGBoost作为2016年发布的一种新型算法，已在计算机领域得到广泛关注，虽由RF衍生而来，但XGBoost可有效减少建模[1]FoxKA,DabbousOH,Goldberhacutecoronarysyndrome:prospectiveudy(GRACE)[J].BMJ,2006,333(7578):1091.DOI:10.1136/bmj.3898[2]MorrowDA,AntmST-elevationmyocardialinfarction:aconve[3]SunGW,ShookTL,KayGL.InappropriateuseofbEpidemiol,1996,49(8):907-916.DOI:10.1016/0895-4356(96)00025-[4]D'AscenzoF,Biondi-ZoccaiG,alternativeriskscoresinacutecoronarysyndromes:ameta-analysisof40derivationstudiesonstudieson31,625patients[J].ContempClinTrials,2012,33(-514.DOI:10.1016/j.cct.2012.01.001.95(5):1015-1039.DOI:10.1016/j.mayocp.2020.01.038.ctionof30-daymortalityafterSTelevationmyCardiol,2017,246:7-13.DOI:10.1016/j.ijcard.2017.05.067.tiononradiologistperformanceinthedetectioniouslymissedonachestradiograph[J].JThoracImaging,2013244-252.DOI:10.1097/RTI.0[8]BöttcherJ,RenzDM,ZahmDM,etal.Responsetoneoadjuvatmentofinvasiveductalbreast[9]LeMH,ChenJ,WangL,etal.Automateddiagnosiscerinmulti-parametricMRIbasedonmultimodalnetworks[J].PhysMedBiol,2017,62(16):6497-6514.DOI:10.1088/1361-6560/aa7731.[10]GulshanV,PengL,CoramM,etal.Developmentandvadeeplearningalgorithmfordetectionofdiabeticretinopathyinretinalfundusphotographs[J].JAMA,2016,316(22):2402-2410.DOI:10.1001/jama.2016.17216.[11]EstevaA,Kupficationofskincancerwithdeepneuralnetworks[J].Nature,2017,542(7639):115-118.DOI:10.1038/nature21056.[12]KwonJM,LeeY,LeeY,etal.gforpredictingin-hospitalcardiacarrest[J].JAmHeartAssoc,18,7(13):e008678.DOI:10.1161/JAHYork:Springer,2013.earn,2015,99(1):75-118.DOI:10.1007/s10994-014-5451-2.MachineLearningMethodsandConventionalRegressionforPredicting68-374.DOI:10.1097/CCM.O000000000001571.England:MorganKaufmann,2012.[18]SubbalakshmiG,RameshK,RaoMeasepredictionsystemusingnaivebaerScienceandEngineering,2011,2(2):170-176.IEEETransInfTheory,1967,13(1):21-27.DOI:10.1109/tit.1967.105[20]LopezdeMantarasR,ArmengolE.Mainductiveandlazymethods[J].DataKnowlEng,1998,25(1-2):99-123.DOI:10.1016/s0169-023x(97)00053-0.arison[J].ComputBiolMed,2021,136:10[22]LuoY,AhmadFS,ShahSJ.TensorFactorizationforPreicineinHeartascTranslRes,2017,10(3):305-312.iabetessubgroupsthroughtopologicalanalysisofpatientsimilarity[J].SciTranslMed,2015,7(311):311ra174.DOI:10.1126/d.aaa9364.[24]MiottoR,LiL,KiddBA,etal.DeepresentationtoPredicttheFutureofPatientsalthRecords[J].SciRep,2016,6:26094.DOI:10.1038/srep26094.[26]JohnsonKW,ShameerK,GlCardiologyThroughMultiscaleBiologyandSystemsMediciasicTranslSci,2017,2(3):311-32[27]CikesM,Sanchez-Marting-basedphenogroupinginheartfailuretoidentifyresponderstocardiacresynchronizationtherapy[J].EurJHear[28]SweattAJ,HedlinHK,BalasubramanianV,etal.DiscoveryofHypertension[J].CircRes,2019,124(6):904-919.DOI:10.1161/CIRCREidentificationofunderlyingriskfactorsforcoronaryarterydiseaseinessentialhypertensivepatients[J].SciRep,2017,7:43965.DOI:[30]KatzDH,DeoRC,AguilarFG,etal.PhenomappicationofHypertensiveartFailurewithRes,2017,10(3):275-284.DOI:10.1007/s12265-0[31]ShahSJ,KitzmantmentofHeartFailureWithPreservedEject[32]ShahSJ,KatzDH,DeoRC.Pithpreservedejection-418.DOI:10.1016/j.hfc.2014.04.008. elevationmyocardialinfarction(STEMI)patientsusingmaOI:10.1186/s12944-02[34]AtienzaF,Martinez-AlzamoraN,Detificationinheartfailureusingartificialneuralnetworks[J].ProcAMIASymp,2000:32-36.[35]LeCunY,BengioY,HintonG.Deeplearning[J].Nature,2015,521(7553):436-444.DOI:10.1038/n[36]BengioY,CourvilleA,VincentP.Representationlearning:a3,35(8):1798-1828.DOI:10.1109/TPAMI.2