2025年4月24日，王曉旭等人在《Ren Fail》雜志上發(fā)表了一篇題為《Development and external validation of a machine learning model for cardiac valve calcification early screening in dialysis patients: a multicenter study》的文章。 心臟瓣膜鈣化（CVC）在透析患者中很常見，并且與心血管風(fēng)險增加有關(guān)。然而，早期篩查受到成本問題的限制。該文獻(xiàn)旨在開發(fā)和驗證機器學(xué)習(xí)模型，以增強CVC的早期檢測。

一、研究背景

二、數(shù)據(jù)來源

2020年1月至2023年6月期間，在中國四家臨床中心共招募了2681例年齡在18至80歲之間的終末期腎病患者。這些患者在腎內(nèi)科和血液凈化中心接受常規(guī)血液透析（HD）或腹膜透析（PD）。所有患者在住院期間均接受了超聲心動圖評估。研究排除了之前診斷患有心臟瓣膜病、風(fēng)濕性心臟病、心律失?；蛴行呐K手術(shù)史的參與者（圖1）。

三、研究方法

將蘇州醫(yī)院的患者以7：3的隨機分為訓(xùn)練集和驗證集。東南醫(yī)院的患者作為外部驗證集來評估模型。采用六種機器學(xué)習(xí)算法，包括類別提升（CatBooth）、極端梯度提升（XGBooth）、決策樹、支持向量機（SVM）、隨機森林和邏輯回歸，基于特征選擇的結(jié)果來構(gòu)建風(fēng)險模型。使用10倍交叉驗證評估預(yù)測性能。通過接收者操作特征曲線下面積（ROC）和精確度召回曲線（AUPRC）評估模型性能。同時計算準(zhǔn)確性、精確性和F-1評分等指標(biāo)。使用校準(zhǔn)曲線和Brier評分評估校準(zhǔn)，決策曲線分析來評估臨床適用性。如果邏輯回歸優(yōu)于其他方法，根據(jù)其結(jié)果構(gòu)建諾模圖以供實際應(yīng)用。使用約登（Youden）指數(shù)和內(nèi)部驗證數(shù)據(jù)集中預(yù)測風(fēng)險概率的分布來確定風(fēng)險閾值，以將參與者分為高、中和低風(fēng)險組，然后在外部驗證數(shù)據(jù)集中驗證這些閾值。（圖2）

四、結(jié)果

該研究共有2140名透析患者。中位年齡為56歲，其中男性1259人（58.8%）。在這些患者中，782名（36.5%）被診斷出患有CVC。超聲心動圖顯示，CVC患者的IVST和LVEF較低，左心室后壁厚度（LVPW）較高，左心室質(zhì)量（LVM）、左心室質(zhì)量指數(shù)（LVMI）和左心室擴(kuò)張功能障礙（LVDD）患病率增加，見表1。

在852名參與者中，32.9%被診斷出患有CVC。與無CVC的參與者相比，患有CVC的參與者通常年齡較大，透析持續(xù)時間較長，收縮壓（SBP）、天冬氨酸轉(zhuǎn)氨酶（AST）、堿性磷酸酶（ALP）、γ-谷氨酰轉(zhuǎn)移酶（GGT）和空腹血糖（FPG）較高，但收縮壓（DBP）和白蛋白（ALB）水平較低。此外，CVC組糖尿病、冠狀動脈粥樣硬化性心臟?。–HD）和高脂血癥的患病率以及抗糖尿病和降血脂藥物的使用率較高（表2）。

基于來自四個中心的數(shù)據(jù)，調(diào)查了獨立影響CVC的因素。通過單因素回歸分析，確定了20個CVC的潛在危險因素。p <0.05的變量包括年齡、DBP、透析方式（血液透析）、透析持續(xù)時間以及糖尿病、高血壓、CHD、高脂血癥和中風(fēng)病史。最后，多元邏輯回歸分析確定了7個CVC獨立風(fēng)險因素，如表3所示。

LASO回歸分析確定了與透析患者CVC風(fēng)險相關(guān)的12個預(yù)測變量，如圖2所示。使用單變量和多元邏輯回歸進(jìn)一步分析了通過LASO回歸確定的12個預(yù)測變量。最終，確定了五個關(guān)鍵特征：年齡、透析持續(xù)時間、糖尿病、CHD、高血脂癥、中風(fēng)、不含鈣的磷酸鹽結(jié)合劑、抗糖尿病藥物、ALP、FPG、Apo-A1和iPTH（表4）。然后將這些變量用作預(yù)測因子來構(gòu)建CVC存在的風(fēng)險預(yù)測模型。

如圖3所示，Catboost提供了最高的臨床預(yù)測準(zhǔn)確性，AUROC為0.719（95%CI：0.667-0.765），邏輯回歸模型隨后的AUROC為0.710（95%CI：0.619-0.755）。在此基礎(chǔ)上，在內(nèi)部和外部驗證數(shù)據(jù)集上對六種預(yù)測模型的穩(wěn)定性和通用性進(jìn)行了系統(tǒng)驗證。邏輯回歸模型表現(xiàn)出最高的性能，內(nèi)部驗證數(shù)據(jù)集中的AUROC為0.806（95%CI：0.750-0.863），外部驗證數(shù)據(jù)集中的AUROC為0.757（95%CI：0.720-0.793），優(yōu)于所有其他模型（圖4）。

兩個驗證集的模型校準(zhǔn)結(jié)果表明，邏輯回歸模型的校準(zhǔn)曲線更接近理想線，內(nèi)部驗證數(shù)據(jù)集中的Brier評分為0.170，外部驗證數(shù)據(jù)集中的Brier評分為0.221，表明與其他模型相比具有更好的校準(zhǔn)性（圖5）。此外，決策曲線分析表明，基于內(nèi)部和外部驗證集的綜合預(yù)測性能，從邏輯回歸中得出的臨床預(yù)測可實現(xiàn)最高的總體凈效益，并為患者提供跨越大多數(shù)風(fēng)險閾值水平的益處（圖6）。

考慮到邏輯回歸模型在內(nèi)部和外部驗證數(shù)據(jù)集中都顯示出更好的臨床預(yù)測價值，因此將其選為最佳模型，并使用動態(tài)諾模圖進(jìn)行描述（圖7）。

使用Youden指數(shù)來區(qū)分高?；颊吆头歉呶；颊?，根據(jù)62%的比例將患者分為這兩組。圖8結(jié)果顯示，高、中、低風(fēng)險人群CVC的患病率分別為65.6%、20.2%和7.5%。當(dāng)將這些定義的臨界值應(yīng)用于外部驗證數(shù)據(jù)集時，高、中、低風(fēng)險組中CVC的患病率分別為68.9%、43.2%和14.2%。風(fēng)險分層在內(nèi)部和外部驗證組中均表現(xiàn)出良好的差異（所有p值均< 0.001）。（圖8）

五、總結(jié)