-
生物通官微
陪你抓住生命科技
跳動的脈搏
生物通官微
陪你抓住生命科技
跳動的脈搏
使用三維超聲心動圖預測擴張型心肌病的不良結局：懲罰性Cox回歸與機器學習方法的比較
《BMC Cardiovascular Disorders》：Predicting adverse outcomes in dilated cardiomyopathy using 3D echocardiography: penalised Cox regression versus machine learning
【字體： 大 中 小 】 時間：2026年02月24日 來源：BMC Cardiovascular Disorders 2.3
編輯推薦：
本研究比較了常規Cox回歸、Lasso-Cox回歸及多種機器學習模型在擴張型心肌病（DCM）預后預測中的表現。結果顯示，ML模型（如隨機森林）在 discrimination 上表現最佳，但存在校準偏差；Lasso-Cox模型在 discrimination、校準和可解釋性間取得最佳平衡，推薦用于臨床風險分層。
擴張型心肌病（DCM）的風險預測目前仍不盡理想，關于新型機器學習（ML）方法與傳統回歸方法在臨床預測建模方面的優劣仍存在不確定性。先進的三維（3D）超聲心動圖測量技術，尤其是對右心室功能的測量，結合常規收集的臨床數據，可能會提高模型性能。本研究旨在比較傳統Cox回歸、懲罰Cox回歸和ML方法在DCM預測建模中的效果，并確定在區分度、校準性和可解釋性方面達到最佳平衡的模型。
我們進行了一項回顧性隊列研究，納入了2021年至2023年間在三級心臟病中心就診的196名DCM患者。隨訪指標包括全因死亡率、心力衰竭再住院或左心室輔助裝置（LVAD）植入等復合結局。研究考慮了41個候選預測因子，包括人口統計學和臨床變量以及3D超聲心動圖參數（如4D右心室射血分數[4D-RVEF]、三尖瓣環平面收縮期位移[TAPSE]、右心室全局縱向應變[RVGLS]、左心房容積指數[LAVI]和肺動脈收縮壓[PASP]）。共開發了12個預測模型，包括傳統Cox回歸、懲罰Cox回歸（Lasso-Cox）和幾種ML模型，并通過內部評估和不同預測時間點（最長24個月）的性能評估來評價這些模型的效果。性能評估采用了接收者操作特征曲線下面積（AUC）、校準圖和基于SHAP的特征重要性等方法。
在12個月時，表現最佳的ML模型具有最高的區分度（AUC 0.990），其次是GBDT和Lasso-Cox（AUC 0.825）。隨著預測時間的延長，模型區分度有所下降，但Lasso-Cox模型在24個月時仍保持可接受的性能（AUC 0.729）。盡管RF和GBDT表現出優異的區分度，但校準分析顯示在風險極端值處存在系統性低估或高估的情況。相比之下，Lasso-Cox在不同風險區間內的校準更為穩定且表現良好。在各模型中，4D-RVEF、LAVI、PASP和TAPSE始終是關鍵的預測因子。
在本DCM隊列研究中，ML模型（尤其是RF模型）雖然提高了區分度，但存在校準問題。懲罰回歸模型（Lasso-Cox）在區分度、校準性和可解釋性之間實現了最佳的平衡，因此推薦其作為臨床風險分層和未來DCM公共衛生相關研究的首選方法。
擴張型心肌病（DCM）的風險預測目前仍不盡理想，關于新型機器學習（ML）方法與傳統回歸方法在臨床預測建模方面的優劣仍存在不確定性。先進的三維（3D）超聲心動圖測量技術，尤其是對右心室功能的測量，結合常規收集的臨床數據，可能會提高模型性能。本研究旨在比較傳統Cox回歸、懲罰Cox回歸和ML方法在DCM預測建模中的效果，并確定在區分度、校準性和可解釋性方面達到最佳平衡的模型。
我們進行了一項回顧性隊列研究，納入了2021年至2023年間在三級心臟病中心就診的196名DCM患者。隨訪指標包括全因死亡率、心力衰竭再住院或左心室輔助裝置（LVAD）植入等復合結局。研究考慮了41個候選預測因子，包括人口統計學和臨床變量以及3D超聲心動圖參數（如4D右心室射血分數[4D-RVEF]、三尖瓣環平面收縮期位移[TAPSE]、右心室全局縱向應變[RVGLS]、左心房容積指數[LAVI]和肺動脈收縮壓[PASP]。共開發了12個預測模型，包括傳統Cox回歸、懲罰Cox回歸（Lasso-Cox）和幾種ML模型，并通過內部評估和不同預測時間點（最長24個月）的性能評估來評價這些模型的效果。性能評估采用了接收者操作特征曲線下面積（AUC）、校準圖和基于SHAP的特征重要性等方法。
在12個月時，表現最佳的ML模型具有最高的區分度（AUC 0.990），其次是GBDT和Lasso-Cox（AUC 0.825）。隨著預測時間的延長，模型區分度有所下降，但Lasso-Cox模型在24個月時仍保持可接受的性能（AUC 0.729）。盡管RF和GBDT表現出優異的區分度，但校準分析顯示在風險極端值處存在系統性低估或高估的情況。相比之下，Lasso-Cox在不同風險區間內的校準更為穩定且表現良好。在各模型中，4D-RVEF、LAVI、PASP和TAPSE始終是關鍵的預測因子。
在本DCM隊列研究中，ML模型（尤其是RF模型）雖然提高了區分度，但存在校準問題。懲罰回歸模型（Lasso-Cox）在區分度、校準性和可解釋性之間實現了最佳的平衡，因此推薦其作為臨床風險分層和未來DCM公共衛生相關研究的首選方法。
生物通微信公眾號
知名企業招聘
