基于随机森林的冠状动脉狭窄风险识别模型

作     者：吕勇峰 王钰婧 张乐怡 李一心 原娜 田晶 LV Yongfeng;WANG Yujing;ZHANG Leyi;LI Yixin;YUAN Na;TIAN Jing

作者机构：山西医科大学第一临床医学院山西太原030000 山西医科大学医学科学院山西太原030000 公共卫生学院卫生统计学教研室山西太原030000 山西医科大学第一医院心血管内科山西太原030000 重大疾病风险评估山西省重点实验室山西太原030000 

出 版 物：《中山大学学报(医学科学版)》 (Journal of Sun Yat-Sen University:Medical Sciences)

年 卷 期：2025年第46卷第1期

页      面：138-146页

核心收录：

学科分类：1002[医学-临床医学] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 10[医学] 

基　　金：国家自然科学基金(82103958) 山西省创新人才团队专项计划项目(202204051001026) 山西省留学人员科技活动择优资助项目(20210022) 

主　　题：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 

摘      要：【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0.7399、0.7231、0.7522,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。