壹生资讯-基于机器学习的稳定性胸痛患者阻塞性冠心病预测试验概率模型研究

您已通过HCP身份认证和信息审核

(

基于机器学习的稳定性胸痛患者阻塞性冠心病预测试验概率模型研究 | 心血管研究展播

2026-03-09作者：论坛报木易资讯

原创

2.35.jpg

研究名称：基于机器学习的稳定性胸痛患者阻塞性冠心病预测试验概率模型研究

发表期刊：《美国心脏病学会杂志：亚洲刊》（JACC Asia）

通讯作者：陈韵岱、杨俊杰

主要作者单位：解放军总医院

推荐理由

本研究基于中国多中心前瞻性队列，首次构建了适用于国人的机器学习阻塞性冠心病（CAD）预测试验概率模型，弥补了现有国际模型在华人人群中效能不足的缺陷，显著提升了稳定性胸痛患者的风险分层准确性，为临床下游检查决策提供了精准工具，也为心血管疾病的智能诊断提供了高质量的中国证据。

研究解读

本研究旨在构建一个基于机器学习的稳定型胸痛患者验前概率（PTP）模型，并对比其与 ESC2019、RF-CL模型的效能。研究依托中国冠状动脉斑块早期检测与风险分层注册研究（C-STRAT），纳入全国13家医院的27652名稳定性胸痛患者，采用7:3比例随机分为训练集与测试集，以冠状动脉CT血管造影显示主支狭窄≥70%或左主干狭窄≥50%为阻塞性CAD诊断标准。

研究选取年龄、性别、BMI、胸痛类型及高血压、糖尿病等11项临床变量，通过集成机器学习算法XGBoost构建 C-STRAT评分模型，并与传统逻辑回归模型（LOGISTIC）、RF-CL、ESC2019模型进行多维度对比。结果显示，C-STRAT评分在测试集中鉴别效能最优，AUC达0.769（95%CI：0.753-0.784），显著高于其他模型；其综合鉴别改善度（IDI）和净重新分类改善度（NRI）均为正值，校准斜率1.077、Brier评分0.081，校准效果良好。SHAP分析表明，年龄、男性、典型心绞痛、糖尿病等为预测阻塞性CAD的核心特征。此外，决策曲线和净减少曲线证实，该模型在不同阈值下均能带来更高的临床净获益，可有效减少不必要的冠脉CTA检查。

研究也指出存在数据缺失、未行外部验证等局限性，需进一步前瞻性研究验证。

每一项临床研究都倾注着研究团队的心血结晶。学习过后，您是否有所收获？或有疑问想与主创团队分享？请在评论区留言，期待与您交流！

END

200 评论

知情同意书

基于机器学习的稳定性胸痛患者阻塞性冠心病预测试验概率模型研究 | 心血管研究展播

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接