基于随机森林的冠状动脉狭窄风险识别模型

Abstract

目的采用机器学习方法构建冠状动脉狭窄风险识别模型，分析影响冠状动脉狭窄的主要因素。方法连续纳入2013年1月至2020年5月就诊于山西省两所医院，经冠状动脉造影确诊为冠心病的患者。以患者临床资料为自变量，Gensini积分为结局变量，采用Logistic回归、反向传播神经网络（BPNN）和随机森林（RF）算法构建冠状动脉狭窄风险识别模型。通过灵敏度（TPR）、特异度（TNR）、准确率（ACC）、阳性预测值（PV+）、阴性预测值（PV-）、受试者工作特征曲线下面积（AUC）和校准曲线进行模型评价。并对最佳模型进行特征重要性排序。结果Logistic回归、反向传播神经网络和随机森林模型的TPR分别为75.76%、74.30%和93.70%，ACC分别为74.05%、72.30%和79.49%，AUC分别为0.739 9、0.723 1、0.752 2，随机森林模型综合效能表现最佳。随机森林模型结果表明，胸痛症状、心电图提示ST段异常、室性早搏、合并高血压、房颤、心脏彩超提示节段性室壁运动异常、主动脉瓣关闭不全、肺动脉瓣关闭不全、心血管疾病家族史、体质量指数是冠脉狭窄的前10位重要变量。结论在识别冠状动脉狭窄方面，随机森林模型表现出最佳的综合性能，可较为准确地评估冠脉狭窄的程度，为临床干预提供科学依据。

Keywords

• Gensini积分
• 反向传播神经网络
• 随机森林
• 冠状动脉狭窄
• 机器学习