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(guò)25%的病人在AMI 后出現(xiàn)再次入院[2]。在美國(guó)，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(guò)10 億美元[3]。有研究顯示，AMI 病人第1 次再入院的住院時(shí)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(cè)模型有助于準(zhǔn)確評(píng)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(duì)國(guó)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(guó)臨床構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型提供理論依據(jù)。

1 國(guó)外心肌梗死再入院研究

常用的構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)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(cè)?，F(xiàn)有研究中，美國(guó)學(xué)者進(jìn)行的模型構(gòu)建研究最多，韓國(guó)、印度、加拿大等國(guó)家也有學(xué)者構(gòu)建了多因素風(fēng)險(xiǎn)預(yù)測(cè)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(cè)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(duì)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(jiǎn)便、預(yù)測(cè)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(cè)模型中。John等[11]將美國(guó)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(duì)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(dòng)度、射血分?jǐn)?shù)、慢性阻塞性肺疾病（COPD）、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(gè)預(yù)測(cè)因子，首次將功能性活動(dòng)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(cè)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(dòng)與自我健康狀況兩個(gè)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(cè)，由于模型缺少外部驗(yàn)證，限制了其推廣應(yīng)用。

近年來(lái)，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(duì)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(cè)，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(gè)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(shí)經(jīng)皮冠狀動(dòng)脈介入治療和低收縮壓7 個(gè)預(yù)測(cè)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(shí)貧血狀態(tài)和出院后急性護(hù)理3 個(gè)額外預(yù)測(cè)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(lái)估計(jì)AMI 病人再入院情況，在國(guó)家健康信息數(shù)據(jù)庫(kù)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(píng)分等13 個(gè)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(shí)別能力。Ansari等[9]對(duì)印度三級(jí)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(cè)電子病例（EMR）與國(guó)際疾病分類（ICD）-10診斷、入院、病理、程序和用藥數(shù)據(jù)對(duì)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(gè)特征組，對(duì)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(huì)提高模型性能。

以上基于電子健康病歷的風(fēng)險(xiǎn)預(yù)測(cè)模型對(duì)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(jiǎn)單高效，對(duì)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(wèn)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(shí)間與1 個(gè)或多個(gè)預(yù)測(cè)變量之間的關(guān)系，該模型可描述不隨時(shí)間變化的多個(gè)特征及其相互作用對(duì)某一時(shí)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(guò)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(shí)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(cè)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(lái)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(cè)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(duì)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(duì)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(dòng)脈介入術(shù)（PCI）治療的病人，結(jié)果表明縱向應(yīng)變峰時(shí)間標(biāo)準(zhǔn)差是預(yù)測(cè)STEMI病人心力衰竭再入院的顯著預(yù)測(cè)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(shí)間和二分類資料時(shí)優(yōu)先考慮Cox 回歸模型，該模型的局限性在于分析過(guò)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(shí)別高風(fēng)險(xiǎn)人群及相關(guān)危險(xiǎn)因素，及時(shí)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(cè)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(duì)以上6 種機(jī)器學(xué)習(xí)方法進(jìn)行了評(píng)估，使用C 統(tǒng)計(jì)值和Brier 評(píng)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(guò)文獻(xiàn)檢索的形式，對(duì)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(wú)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(cè)方面的效能，參數(shù)模型選擇彈性網(wǎng)、最小絕對(duì)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(duì)收縮和選擇算子作為最佳模型?；谏鲜鲅芯靠芍?，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(cè)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(duì)機(jī)器學(xué)習(xí)的影響巨大，未來(lái)還需進(jìn)一步提高對(duì)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(duì)Premier Healthcare Database(PHD)數(shù)據(jù)庫(kù)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(cè)試集，其再入院預(yù)測(cè)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(guó)52 家醫(yī)院數(shù)據(jù)，建立AMI 病人不同隨訪時(shí)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(guò)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(shí)間(L)、入院的靈敏度(A)、病人的共病(C)和入院前6 個(gè)月的急診科就診次數(shù)(E)，西方國(guó)家常用LACE 指數(shù)作為預(yù)測(cè)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(duì)韓國(guó)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(cè)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(cè)30 d 再入院 風(fēng) 險(xiǎn)。隨 后，Vasuk 等[8]對(duì)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(guó)內(nèi)AMI 再入院研究

我國(guó)AMI 病人30 d 再入院率為6.3%[23]，及時(shí)的風(fēng)險(xiǎn)預(yù)測(cè)是降低AMI 再入院率的有效途徑。我國(guó)關(guān)于AMI 再入院風(fēng)險(xiǎn)預(yù)測(cè)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(cè)較少。

2.1 Logistic 回歸模型

隨著建模方法的不斷進(jìn)步，我國(guó)越來(lái)越多的學(xué)者致力于構(gòu)建適合我國(guó)人群的AMI 風(fēng)險(xiǎn)預(yù)測(cè)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(cè)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(kù)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(cè)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(shí)Killip 分級(jí)Ⅲ級(jí)或Ⅳ級(jí)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(cè)模型，獨(dú)立影響因素包括吸煙史、高血壓、婚姻狀況、住院時(shí)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(guó)醫(yī)生識(shí)別高風(fēng)險(xiǎn)病人，Li 等[23]從中國(guó)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(huì)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(cè)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(guó)缺乏國(guó)家級(jí)相關(guān)數(shù)據(jù)庫(kù)，數(shù)據(jù)來(lái)源受限，限制了其預(yù)測(cè)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(gè)機(jī)器學(xué)習(xí)的特征結(jié)果訓(xùn)練出一個(gè)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(píng)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(shì)以提高預(yù)測(cè)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(cè)模型，仍需進(jìn)一步研究。

綜上所述，國(guó)內(nèi)AMI 再入院風(fēng)險(xiǎn)預(yù)測(cè)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(shí)，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(guó)應(yīng)用較少，未來(lái)應(yīng)積極研究基于大數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測(cè)技術(shù)。

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

對(duì)AMI 后病人再入院風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)和評(píng)估，并依據(jù)其風(fēng)險(xiǎn)進(jìn)行個(gè)體化干預(yù)對(duì)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(cè)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(cè)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(duì)因變量預(yù)測(cè)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(shí)表現(xiàn)并不好，這是由于模型出現(xiàn)了過(guò)擬合的現(xiàn)象，因此需要調(diào)整參數(shù)以防止模型過(guò)度依賴訓(xùn)練集的數(shù)據(jù)，常用正則化避免邏輯回歸過(guò)擬合這一趨勢(shì)[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(shí)間和二分類資料時(shí)Cox 回歸表現(xiàn)要優(yōu)于Logistic 回歸，然而Cox 回歸對(duì)協(xié)變量的納入并不嚴(yán)格，且該模型亦分析了過(guò)多的截尾數(shù)據(jù)，因此難以實(shí)現(xiàn)對(duì)風(fēng)險(xiǎn)的有效預(yù)測(cè)。

回歸模型存在諸多局限性，近年來(lái)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(huì)提高預(yù)測(cè)和評(píng)估的準(zhǔn)確性和時(shí)效性。相比傳統(tǒng)的預(yù)測(cè)方法，基于結(jié)構(gòu)化電子病歷的機(jī)器學(xué)習(xí)預(yù)測(cè)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(cè)，未來(lái)機(jī)器學(xué)習(xí)結(jié)合非結(jié)構(gòu)化數(shù)據(jù)可能會(huì)進(jìn)一步提升預(yù)測(cè)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(guó)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(cè)很少。此外，機(jī)器學(xué)習(xí)中單一分類器的預(yù)測(cè)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(cè)提供了新思路，未來(lái)可以嘗試集合方法來(lái)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(wèn)題，AMI 病人再入院風(fēng)險(xiǎn)預(yù)測(cè)模型對(duì)于及早識(shí)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(guó)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(wú)能有效預(yù)測(cè)再入院率的風(fēng)險(xiǎn)預(yù)測(cè)模型[28]。國(guó)內(nèi)對(duì)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(cè)模型的探索仍處于初級(jí)階段，未來(lái)在基于大數(shù)據(jù)分析的模型構(gòu)建方面仍需努力。