An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction
本研究开发并验证了一种可解释的梯度提升决策树模型，该模型将常规临床信息与高敏心肌肌钙蛋白 I 相结合，与仅使用肌钙蛋白水平相比，显著提高了非 ST 段抬升型心肌梗死与不稳定型心绞血的早期鉴别能力和概率分层能力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年都有数百万人因胸痛涌入急诊室，这一症状预示着潜在的心肌梗死。医生面临着一个难题：如何区分心肌正在坏死的心肌梗死与一种被称为不稳定型心绞痛的情况——在后者中，心脏虽然处于缺氧状态，但肌肉尚未遭受永久性损伤。这项工作的标准工具是一项测量高敏心肌肌钙蛋白 I（high-sensitivity cardiac troponin I）这种蛋白质的血液检测。当心肌细胞受损时，这种蛋白质会渗入血液。虽然这项测试在发现严重损伤方面表现出色，但在指标仅轻微升高的时刻，往往会让医生陷入灰色地带。在这些不确定的时刻，单凭这种蛋白质无法总是告诉医生患者是在经历一场全面的心肌梗死，还是仅仅是严重的胸痛，从而难以决定谁需要立即进行积极治疗，谁可以进行更密切的观察。
北京积水潭医院的研究团队开发了一种新的方式来应对这种不确定性。他们创建了一个计算机模型，这个模型就像一名训练有素的助手，不仅观察单一的蛋白质检测，而是同时观察广泛的常规血液检查结果和患者病史。通过向计算机输入关于炎症、血液凝固、肾功能以及症状持续时间的信息，并结合标准的蛋白质检测，该模型能够学习识别人类肉眼可能忽略的细微模式。其目标并非取代医生，而是提供一个更清晰、更个性化的心肌梗死概率，将模糊的猜测转化为可以指导救命决策的计算风险。
研究人员首先收集了 2021 年至 2025 年间在他们医院就诊的近 3,700 名疑似心脏问题患者的数据。他们仔细审查了每个人的医疗记录，将他们分为两组：一组是最终被诊断为非 ST 段抬高型心肌梗死（即他们想要识别的特定类型心肌梗死），另一组是不稳定型心绞痛。从患者记录中 124 个可能的线索清单中，团队通过一个复杂的筛选过程找到了 16 个最有用的信息点。这些信息包括标准的蛋白质检测，还包括炎症标志物、血糖、肾脏健康状况以及患者在到达医院前感到疼痛的时间长短。
随后，他们训练了一个计算机算法，这是一种被称为梯度提升决策树（gradient boosting decision tree）的机器学习系统，以学习这两组之间的区别。该系统通过构建一系列简单的决策规则来工作，这些规则组合在一起便形成了一个强大的预测器。为了确保它能处理现实世界的情况，研究人员用一组从未见过的患者数据对计算机进行了测试。结果显示，该模型的准确性极高，能够正确识别绝大多数的心肌梗死病例。更重要的是，当研究人员将这种新模型与仅使用蛋白质检测的标准方法进行比较时，他们发现新方法在评估每个患者的实际风险方面明显更好。它减少了预测误差，并且在将患者重新分类到正确的风险组方面表现得更为出色，确保了更少的心肌梗死病例被漏诊。
这项工作的价值之一在于该模型具有可解释性。与许多给出答案却不说明原因的“黑箱”式计算机系统不同，该模型可以清楚地展示哪些因素推动了预测结果向某一方向移动。研究人员使用了一种方法来可视化计算机是如何权衡每项信息的。他们发现，虽然蛋白质检测仍然是最重要的线索，但其他因素在完善答案方面也起到了至关重要的作用。例如，如果一名患者的蛋白质水平轻微升高，计算机就会观察其炎症标志物和肾功能，以判断这种轻微升高是严重的心肌梗死信号，还是仅仅是一个微小的问题。模型学到，这些额外线索的重要性取决于蛋白质水平的高低。在蛋白质水平仅轻微升高的案例中，其他血液检测结果对于做出正确判断变得更加关键。
为了让医生能够使用这个工具，团队构建了一个简单的在线计算器。医生只需输入患者血液检测中的 16 个常规数值和病史，系统就会立即生成一个概率评分。随后，它将该评分细分为三个明确的类别：低风险、中风险和高风险。对于低风险组的患者，模型提示心肌梗死的概率极低，这可能允许更快速的出院或较少的监测。对于高风险组的患者，由于其概率极高，这支持了立即采取积极的治疗措施。中间组代表了相当一部分患者，他们会被标记为需要密切观察和进一步测试。这种方法帮助医生从简单的“是或否”的诊断转向提供一种更细致的风险视图，以匹配人体结构的复杂性。
该研究表明，通过将标准的蛋白质检测与患者整体健康的广泛视角相结合，医生可以在急诊室更早地做出更精准的决策。该模型并不声称自己是一个完美的预言球；它是一个旨在支持临床判断而非取代临床判断的工具。研究人员强调，他们的工作是基于单一医院的数据，该模型需要在其他环境下进行测试，以确认其在不同人群中的可靠性。然而，研究结果提供了一条充满希望的路径，表明未来心肌梗死的诊断可能在于将许多细小的、常规的信息综合成一幅清晰的患者风险图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。