急性心肌梗死病人再入院風(fēng)險(xiǎn)預(yù)測模型的方法學(xué)應(yīng)用現(xiàn)狀

邢文惠，李 琪，樸京京，谷巖梅

河北中醫(yī)藥大學(xué)護(hù)理學(xué)院，河北 050000

急性心肌梗死（acute myocardial infarction,AMI）具有高復(fù)發(fā)的特點(diǎn)[1]，超過25%的病人在AMI 后出現(xiàn)再次入院[2]。在美國，近20%的醫(yī)療保險(xiǎn)受益人AMI后30 d 再入院，平均每年AMI 病人再入院的醫(yī)療費(fèi)用超過10 億美元[3]。有研究顯示，AMI 病人第1 次再入院的住院時間為（26.3±25.5）d[4]，30 d 再入院率與病人的住院死亡率存在顯著關(guān)聯(lián)[5]。AMI 病人再入院風(fēng)險(xiǎn)預(yù)測模型有助于準(zhǔn)確評估高風(fēng)險(xiǎn)人群，采取干預(yù)措施降低AMI 病人再入院率[6]?，F(xiàn)對國內(nèi)外AMI 病人再入院風(fēng)險(xiǎn)模型的方法學(xué)進(jìn)行綜述，旨在為我國臨床構(gòu)建風(fēng)險(xiǎn)預(yù)測模型提供理論依據(jù)。

1 國外心肌梗死再入院研究

常用的構(gòu)建風(fēng)險(xiǎn)預(yù)測模型的方法有Logistic 回歸、Cox 比例風(fēng)險(xiǎn)回歸分析、機(jī)器學(xué)習(xí)等[7]。隨著機(jī)器學(xué)習(xí)技術(shù)不斷提高，電子病歷逐漸應(yīng)用于臨床風(fēng)險(xiǎn)預(yù)測。現(xiàn)有研究中，美國學(xué)者進(jìn)行的模型構(gòu)建研究最多，韓國、印度、加拿大等國家也有學(xué)者構(gòu)建了多因素風(fēng)險(xiǎn)預(yù)測模型[8-10]。

1.1 Logistic 回歸模型

Logistic 回歸模型可用于篩選危險(xiǎn)因素、預(yù)測疾病的發(fā)生與預(yù)后，該模型不僅能控制混雜因素，還能對危險(xiǎn)因素與結(jié)局事件做出定量描述[7]，實(shí)際中二分類Logistic最常用，由于其操作簡便、預(yù)測準(zhǔn)確性較高，目前已被廣泛應(yīng)用于AMI 病人再入院風(fēng)險(xiǎn)預(yù)測模型中。John等[11]將美國94 家醫(yī)院的3 006 例年齡≥75 歲AMI 病人按2∶1 分為衍生隊(duì)列和對照隊(duì)列，使用Bayesian 法與多變量Logistic 回歸建立老年AMI 病人30 d 再入院風(fēng)險(xiǎn)模型，最終納入功能活動度、射血分?jǐn)?shù)、慢性阻塞性肺疾?。–OPD）、心律失常、急性腎損傷、首次舒張壓、P2Y12 抑制劑使用、一般健康狀況共8 個預(yù)測因子，首次將功能性活動度納入再入院風(fēng)險(xiǎn)模型。數(shù)據(jù)演算模型C 統(tǒng)計(jì)值為0.65，具有較好的區(qū)分度。然而，僅依據(jù)納入的病人水平特征不能充分預(yù)測再入院風(fēng)險(xiǎn)，還需納入病人層面特征以外的因素。2021 年，John 等[12]在先前的研究基礎(chǔ)上將病人自我報(bào)告的健康狀況納入研究，用相同隊(duì)列與方法建立了老年AMI 病人180 d 再入院風(fēng)險(xiǎn)模型，該模型包括功能性移動與自我健康狀況兩個有力指標(biāo)，且模型C 統(tǒng)計(jì)值為0.68，可以提供短中期的風(fēng)險(xiǎn)預(yù)測，由于模型缺少外部驗(yàn)證，限制了其推廣應(yīng)用。

近年來，醫(yī)療信息系統(tǒng)的不斷發(fā)展為臨床研究積累了大量電子病歷，隨著數(shù)據(jù)分析方法愈發(fā)成熟，基于電子健康記錄的研究受到廣泛關(guān)注。Nguyen 等[3]對得克薩斯州6 家醫(yī)院的826 例AMI 住院病人的電子健康記錄進(jìn)行分析，采用多變量Logistic 回歸分別建立“第1 天”和“全住院”AMI 模型進(jìn)行再入院風(fēng)險(xiǎn)預(yù)測，第1天AMI 模型使用了住院前24 h 的數(shù)據(jù)，而全住院AMI模型包含整個住院期間的數(shù)據(jù)。第1 天AMI 模型包括腎功能、腦利鈉肽升高、年齡、糖尿病、女性、及時經(jīng)皮冠狀動脈介入治療和低收縮壓7 個預(yù)測因素，C 統(tǒng)計(jì)值為0.73 且校正良好。全住院AMI 模型在此基礎(chǔ)上增加靜脈利尿劑的使用、出院時貧血狀態(tài)和出院后急性護(hù)理3 個額外預(yù)測因素，其C 統(tǒng)計(jì)值為0.75，模型性能較好。但是該模型尚未在單獨(dú)隊(duì)列中進(jìn)行外部驗(yàn)證，臨床有效性有待驗(yàn)證。

Dannis 等[10]使用Logistic 回歸模型來估計(jì)AMI 病人再入院情況，在國家健康信息數(shù)據(jù)庫中選取153 523例AMI 病人，以30 d 內(nèi)出現(xiàn)AMI 再入院為結(jié)果，納入人口統(tǒng)計(jì)學(xué)資料、臨床表現(xiàn)、共病及共病評分等13 個變量建立了適用于加拿大人口的30 d 再入院風(fēng)險(xiǎn)模型，模型C 統(tǒng)計(jì)值0.679，具有較好的識別能力。Ansari等[9]對印度三級護(hù)理機(jī)構(gòu)的2 849 例AMI 病人醫(yī)療健康記錄進(jìn)行回顧性研究，使用正規(guī)化的彈性網(wǎng)Logistic回歸預(yù)測電子病例（EMR）與國際疾病分類（ICD）-10診斷、入院、病理、程序和用藥數(shù)據(jù)對180 d 再入院的影響，分為全特征、未服藥和全特征的糖尿病病人3 個特征組，對不同特征組分別建模進(jìn)行性能比較，結(jié)果顯示各模型性能為0.61～0.69，特征組為糖尿病病人的模型鑒別效果略好，表明添加共病指標(biāo)可能會提高模型性能。

以上基于電子健康病歷的風(fēng)險(xiǎn)預(yù)測模型對數(shù)據(jù)提取與分析能力要求較高，在一定程度上限制了其推廣。根據(jù)上述研究可知，Logistic 回歸簡單高效，對模型的解釋性好，然而在處理詳細(xì)臨床數(shù)據(jù)的危險(xiǎn)因素之間非線性或多重共線性問題，回歸方法表現(xiàn)并不突出。

1.2 Cox 比例風(fēng)險(xiǎn)回歸模型

Cox 比例風(fēng)險(xiǎn)回歸模型在醫(yī)學(xué)研究中常用于調(diào)查結(jié)局事件或生存時間與1 個或多個預(yù)測變量之間的關(guān)系，該模型可描述不隨時間變化的多個特征及其相互作用對某一時刻死亡率或發(fā)病率的影響。自變量可以為定量資料也可為分類資料，且不要求估計(jì)資料的生存分布類型，已被應(yīng)用于隨訪隊(duì)列研究中[13]。Vinay等[13]通過醫(yī)療保險(xiǎn)受益人的信息登記，將86 849 例出院診斷為AMI 病人的年齡、第1 次接觸醫(yī)療時心臟情況、病史和危險(xiǎn)因素納入研究，運(yùn)用Cox 比例風(fēng)險(xiǎn)回歸建立AMI 病人90 d 再入院風(fēng)險(xiǎn)預(yù)測模型，結(jié)果表明，老年、糖尿病、心力衰竭史是再入院的主要影響因素，該模型C 統(tǒng)計(jì)值為0.662，且校準(zhǔn)良好，故該模型鑒別能力較好。然而，Vinay 等[13]僅納入65 歲以上的病人，數(shù)據(jù)僅來源于定點(diǎn)醫(yī)院的登記信息且只考慮了第1 次再入院的情況，這些因素均限制了模型的推廣性和準(zhǔn)確性。因此，AMI 病人90 d 再入院風(fēng)險(xiǎn)預(yù)測模型還需進(jìn)一步外部驗(yàn)證。Noringriis 等[14]使用Cox 比例風(fēng)險(xiǎn)回歸模型探究機(jī)械不同步對ST 段抬高型的心肌梗死（STEMI）病人心力衰竭病人再入院的作用，研究對象為哥本哈根大學(xué)托爾特醫(yī)院接受了前瞻性登記的373 例被診斷為STEMI 且接受了經(jīng)皮冠狀動脈介入術(shù)（PCI）治療的病人，結(jié)果表明縱向應(yīng)變峰時間標(biāo)準(zhǔn)差是預(yù)測STEMI病人心力衰竭再入院的顯著預(yù)測因子。Logistic 回歸模型和Cox 比例風(fēng)險(xiǎn)回歸模型均為多因素分析模型，當(dāng)結(jié)局變量是時間和二分類資料時優(yōu)先考慮Cox 回歸模型，該模型的局限性在于分析過多截尾數(shù)據(jù)容易影響結(jié)果的準(zhǔn)確性[15]。

1.3 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)作為人工智能在醫(yī)療領(lǐng)域的關(guān)鍵技術(shù)，受到廣泛關(guān)注。機(jī)器學(xué)習(xí)可以最大限度提高整合數(shù)據(jù)性能，與傳統(tǒng)模型相比，機(jī)器學(xué)習(xí)可以精確識別高風(fēng)險(xiǎn)人群及相關(guān)危險(xiǎn)因素，及時采取干預(yù)措施并優(yōu)化醫(yī)療資源的分配。

目前，在AMI 病人再入院風(fēng)險(xiǎn)預(yù)測中應(yīng)用較多的傳統(tǒng)機(jī)器學(xué)習(xí)算法有邏輯回歸、貝葉斯、支持向量機(jī)、隨機(jī)森林、梯度增強(qiáng)和深度神經(jīng)網(wǎng)絡(luò)等[16]。2019 年，Gupta 等[16]以圖表形式常規(guī)收集AMI 病人30 d 再入院的臨床數(shù)據(jù)，對以上6 種機(jī)器學(xué)習(xí)方法進(jìn)行了評估，使用C 統(tǒng)計(jì)值和Brier 評分分別表示模型鑒別能力和性能。結(jié)果顯示，所有30 d 再入院機(jī)器學(xué)習(xí)模型表現(xiàn)相似，C 統(tǒng)計(jì)值為0.63～0.64，鑒別能力中等。Sung 等[17]通過文獻(xiàn)檢索的形式，對機(jī)器學(xué)習(xí)與傳統(tǒng)統(tǒng)計(jì)模型進(jìn)行比較，納入的機(jī)器學(xué)習(xí)有人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、決策樹、支持向量機(jī)和貝葉斯技術(shù)，結(jié)果顯示，機(jī)器學(xué)習(xí)算法表現(xiàn)出了更好的鑒別能力。

機(jī)器學(xué)習(xí)根據(jù)有無特定的目標(biāo)函數(shù)形式可分為參數(shù)模型和非參數(shù)模型，非參數(shù)模型表現(xiàn)較好[18]。2021年，Matheny 等[18]基于電子健康記錄比較機(jī)器學(xué)習(xí)中參數(shù)模型與非參數(shù)模型在風(fēng)險(xiǎn)預(yù)測方面的效能，參數(shù)模型選擇彈性網(wǎng)、最小絕對收縮和選擇算子和嶺回歸，非參數(shù)模型選擇隨機(jī)森林與梯度提升，指出非參數(shù)模型性能要優(yōu)于參數(shù)模型（C 統(tǒng)計(jì)值分別為0.686～0.704和0.686～0.695）并選擇最小絕對收縮和選擇算子作為最佳模型。基于上述研究可知，現(xiàn)存的機(jī)器學(xué)習(xí)算法可以基本滿足風(fēng)險(xiǎn)預(yù)測的需要，其中非參數(shù)機(jī)器學(xué)習(xí)算法性能最佳。然而,數(shù)據(jù)源對機(jī)器學(xué)習(xí)的影響巨大，未來還需進(jìn)一步提高對數(shù)據(jù)的提取與分析能力。

深度學(xué)習(xí)是更為復(fù)雜的一種學(xué)習(xí)算法，在海量數(shù)據(jù)分類情況下比機(jī)器學(xué)習(xí)更為出色。Brett 等[19]使用量化的深度神經(jīng)網(wǎng)絡(luò)對Premier Healthcare Database(PHD)數(shù)據(jù)庫中1.15 億例住院病人信息進(jìn)行推理建模，將數(shù)據(jù)按8∶1∶1 隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測試集，其再入院預(yù)測模型的受試者工作特征曲線下面積（AUC）為0.71。Bat-Erdene 等[20]使用深度學(xué)習(xí)算法收集韓國52 家醫(yī)院數(shù)據(jù)，建立AMI 病人不同隨訪時間的再入院模型，并與傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行比較，該模型的AUC 為0.99，表明深度學(xué)習(xí)優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)。深度學(xué)習(xí)可以在大樣本數(shù)據(jù)中找尋不同變量間的非線性關(guān)系，然而深度學(xué)習(xí)的過程是未知的，且大量的數(shù)據(jù)需要多機(jī)構(gòu)數(shù)據(jù)互通，限制了深度學(xué)習(xí)的臨床應(yīng)用[21]。

1.4 LACE 指數(shù)

LACE 指數(shù)通常被用于內(nèi)科疾病的風(fēng)險(xiǎn)分層，該模型指標(biāo)包括住院時間(L)、入院的靈敏度(A)、病人的共病(C)和入院前6 個月的急診科就診次數(shù)(E)，西方國家常用LACE 指數(shù)作為預(yù)測30 d 再入院風(fēng)險(xiǎn)模型[22]，其分值區(qū)間為0～19 分，＞10 分則被認(rèn)為30 d 再入院高風(fēng)險(xiǎn)。Vasuki 等[22]對韓國3 607 例病人的電子健康檔案數(shù)據(jù)進(jìn)行回顧性隊(duì)列研究，使用多因素Logistic回歸分析確定指數(shù)相關(guān)性及風(fēng)險(xiǎn)預(yù)測能力，結(jié)果表明，LACE 指數(shù)具有良好鑒別能力，可用于預(yù)測30 d 再入院 風(fēng) 險(xiǎn)。隨 后，Vasuk 等[8]對LACE 指 數(shù) 與30 d 再 入 院數(shù)據(jù)進(jìn)行了Kaplan-Meier 生存分析，結(jié)果表明，不同LACE 變量之間的相關(guān)性可以作為30 d 內(nèi)發(fā)生再入院的依據(jù)，由于模型缺少外部驗(yàn)證，尚不能推廣至其他地區(qū)。

2 國內(nèi)AMI 再入院研究

我國AMI 病人30 d 再入院率為6.3%[23]，及時的風(fēng)險(xiǎn)預(yù)測是降低AMI 再入院率的有效途徑。我國關(guān)于AMI 再入院風(fēng)險(xiǎn)預(yù)測模型的研究較少，學(xué)者大多基于傳統(tǒng)的Logistic 回歸與Cox 比例風(fēng)險(xiǎn)回歸統(tǒng)計(jì)模型進(jìn)行研究，電子病歷數(shù)據(jù)與機(jī)器學(xué)習(xí)技術(shù)的臨床風(fēng)險(xiǎn)預(yù)測較少。

2.1 Logistic 回歸模型

隨著建模方法的不斷進(jìn)步，我國越來越多的學(xué)者致力于構(gòu)建適合我國人群的AMI 風(fēng)險(xiǎn)預(yù)測模型。龐琳琳等[7]將中醫(yī)癥候及要素與病癥相結(jié)合，基于Logistic多因素分析構(gòu)建了STEMI 病癥結(jié)合風(fēng)險(xiǎn)預(yù)測模型。迪力夏提·吾布力等[24]從吉林大學(xué)第一醫(yī)院心血管數(shù)據(jù)庫選取167 例確診為STEMI 后心臟破裂的病人，運(yùn)用單因素分析和二元Logistic 回歸建立風(fēng)險(xiǎn)模型以預(yù)測病人再入院風(fēng)險(xiǎn)，模型AUC 為0.771，具有較好區(qū)分度，該模型將既往腦卒中病史、年齡大、女性、此次入院未行PCI、入院時Killip 分級Ⅲ級或Ⅳ級列為獨(dú)立危險(xiǎn)因素。張萌等[25]采用多因素Logistic 回歸分析247 例AMI 病人經(jīng)PCI 術(shù)后1 年再入院的影響因素，以列線圖形式展示，結(jié)果顯示，年齡、糖尿病、總膽固醇、三酰甘油為獨(dú)立影響因素，模型AUC 為0.843，接近理想曲線。王欲清等[1]基于電子病歷系統(tǒng)便利抽樣收集了270 例AMI 病人資料，應(yīng)用Logistic 篩選再入院的影響因素并構(gòu)建風(fēng)險(xiǎn)預(yù)測模型，獨(dú)立影響因素包括吸煙史、高血壓、婚姻狀況、住院時間、既往PCI 史和合并心力衰竭史，模型的AUC 為0.840。由于以上研究的樣本量較少，且均未進(jìn)行外部驗(yàn)證，其結(jié)果可能存在偏倚。

2.2 Cox 比例風(fēng)險(xiǎn)回歸模型

為幫助中國醫(yī)生識別高風(fēng)險(xiǎn)病人，Li 等[23]從中國53 所不同地理位置的醫(yī)院，收集AMI 病人的人口學(xué)、臨床特征和社會經(jīng)濟(jì)學(xué)等數(shù)據(jù)，運(yùn)用Cox 比例風(fēng)險(xiǎn)回歸構(gòu)建了30 d 再入院風(fēng)險(xiǎn)預(yù)測模型，模型內(nèi)部驗(yàn)證結(jié)果C 統(tǒng)計(jì)值為0.72，研究表明住院期間病情嚴(yán)重度、急性疾病和血管重建的標(biāo)志物與30 d 的非計(jì)劃再入院相關(guān)。由于中國缺乏國家級相關(guān)數(shù)據(jù)庫，數(shù)據(jù)來源受限，限制了其預(yù)測的準(zhǔn)確性。

2.3 機(jī)器學(xué)習(xí)

由于目前尚未有各方面性能表現(xiàn)均穩(wěn)定的模型，Zhang 等[26]提出一種堆疊模型（stacking），并與其他機(jī)器學(xué)習(xí)模型進(jìn)行比較。stacking 是一種性能強(qiáng)大的集成機(jī)器學(xué)習(xí)方法，它使用了多個機(jī)器學(xué)習(xí)的特征結(jié)果訓(xùn)練出一個新的模型。Zhang 等[26]將四川華西醫(yī)院3 283 例AMI 病人的人口學(xué)資料、住院情況、用藥史、既往史、并發(fā)癥、實(shí)驗(yàn)室檢查等作為變量納入模型訓(xùn)練，結(jié)果表明該模型在各評價(jià)指標(biāo)上表現(xiàn)較好，其中AUC 最高為0.720。因此，stacking 模型能夠整合不同模型的優(yōu)勢以提高預(yù)測性能。但是，機(jī)器學(xué)習(xí)算法復(fù)雜，如何根據(jù)臨床實(shí)際情況和人群特征選擇最佳預(yù)測模型，仍需進(jìn)一步研究。

綜上所述，國內(nèi)AMI 再入院風(fēng)險(xiǎn)預(yù)測模型已有一定的研究基礎(chǔ)，但是臨床泛化性略有欠缺，在繼續(xù)開發(fā)不同危險(xiǎn)因素與結(jié)局事件的再入院風(fēng)險(xiǎn)模型的同時，也要重視模型的外部驗(yàn)證。其次，新興的機(jī)器學(xué)習(xí)技術(shù)在我國應(yīng)用較少，未來應(yīng)積極研究基于大數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測技術(shù)。

3 AMI 病人再入院風(fēng)險(xiǎn)預(yù)測模型的比較分析

對AMI 后病人再入院風(fēng)險(xiǎn)進(jìn)行預(yù)測和評估，并依據(jù)其風(fēng)險(xiǎn)進(jìn)行個體化干預(yù)對AMI 病人預(yù)后改善有重要意義。本研究歸納總結(jié)了目前研究中廣泛使用的再入院風(fēng)險(xiǎn)預(yù)測模型，不論是線性回歸模型還是機(jī)器學(xué)習(xí)模型，其表現(xiàn)均未達(dá)到很高的預(yù)測精度，提示以后再入院風(fēng)險(xiǎn)模型構(gòu)建研究還有廣泛空間。

Logistic 回歸是概率模型，可以對因變量預(yù)測分類，在疾病診斷方面廣泛應(yīng)用。然而很多模型在大樣本訓(xùn)練時表現(xiàn)并不好，這是由于模型出現(xiàn)了過擬合的現(xiàn)象，因此需要調(diào)整參數(shù)以防止模型過度依賴訓(xùn)練集的數(shù)據(jù)，常用正則化避免邏輯回歸過擬合這一趨勢[27]。Cox 比例風(fēng)險(xiǎn)回歸作為一種半?yún)?shù)回歸模型，廣泛用于醫(yī)學(xué)研究中，當(dāng)結(jié)局變量是時間和二分類資料時Cox 回歸表現(xiàn)要優(yōu)于Logistic 回歸，然而Cox 回歸對協(xié)變量的納入并不嚴(yán)格，且該模型亦分析了過多的截尾數(shù)據(jù)，因此難以實(shí)現(xiàn)對風(fēng)險(xiǎn)的有效預(yù)測。

回歸模型存在諸多局限性，近年來機(jī)器學(xué)習(xí)方法作為一種有前景的技術(shù)，從機(jī)器學(xué)習(xí)模型不斷發(fā)展到深度學(xué)習(xí)模型，提示使用機(jī)器學(xué)習(xí)方法可能會提高預(yù)測和評估的準(zhǔn)確性和時效性。相比傳統(tǒng)的預(yù)測方法，基于結(jié)構(gòu)化電子病歷的機(jī)器學(xué)習(xí)預(yù)測方法準(zhǔn)確率更高，但目前仍缺乏非結(jié)構(gòu)化數(shù)據(jù)的AMI 病人再入院風(fēng)險(xiǎn)的預(yù)測，未來機(jī)器學(xué)習(xí)結(jié)合非結(jié)構(gòu)化數(shù)據(jù)可能會進(jìn)一步提升預(yù)測模型準(zhǔn)確性。

有研究表明，深度學(xué)習(xí)模型優(yōu)于機(jī)器學(xué)習(xí)[16]，然而國外深度學(xué)習(xí)模型大多用于AMI 早期診斷，基于深度學(xué)習(xí)模型的再入院風(fēng)險(xiǎn)預(yù)測很少。此外，機(jī)器學(xué)習(xí)中單一分類器的預(yù)測性能往往具有局限性，集成模型為心血管疾病風(fēng)險(xiǎn)預(yù)測提供了新思路，未來可以嘗試集合方法來建立更多層次的結(jié)構(gòu)，以提升模型分類精確度。

4 小結(jié)

AMI 是全球性的健康問題，AMI 病人再入院風(fēng)險(xiǎn)預(yù)測模型對于及早識別危險(xiǎn)人群，制定妥善可行的干預(yù)措施，促進(jìn)病人健康具有重要作用。國外Logistic回歸模型、Cox 比例風(fēng)險(xiǎn)回歸模型、機(jī)器學(xué)習(xí)技術(shù)的研究日趨成熟，大多數(shù)模型因?yàn)槿狈ν獠框?yàn)證或作為單中心研究導(dǎo)致鑒別能力受限，目前尚無能有效預(yù)測再入院率的風(fēng)險(xiǎn)預(yù)測模型[28]。國內(nèi)對于機(jī)器學(xué)習(xí)技術(shù)構(gòu)建AMI 病人再入院風(fēng)險(xiǎn)預(yù)測模型的探索仍處于初級階段，未來在基于大數(shù)據(jù)分析的模型構(gòu)建方面仍需努力。