DOI: https://doi.org/10.1038/s41598-025-34441-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41484374
تاريخ النشر: 2026-01-02
المؤلف: Ning Zhang وآخرون
الموضوع الرئيسي: المؤشرات الحيوية الالتهابية في تشخيص الأمراض
نظرة عامة
تدرس هذه الدراسة التنبؤ بالأحداث القلبية الوعائية السلبية الكبرى (MACE) لدى المرضى الذين يعانون من احتشاء عضلة القلب مع ارتفاع مقطع ST (STEMI) والذين خضعوا لتدخلات الشرايين التاجية عن طريق الجلد (PCI). باستخدام بيانات سريرية من 1,011 مريضًا، استخدمت الدراسة ستة خوارزميات تعلم آلي—الغابة العشوائية (RF)، مشغل الانكماش المطلق الأدنى واختيار المشغل (Lasso)، آلة الدعم الناقل (SVM)، تعزيز التدرج المتطرف (XGBoost)، آلة تعزيز التدرج (GBM)، والشبكة العصبية الأمامية (FNN)—لتحديد المؤشرات الرئيسية وتطوير نموذج تنبؤ بـ MACE. حقق نموذج XGBoost، الذي دمج تسعة مؤشرات هامة، أعلى أداء مع منطقة تحت المنحنى (AUC) تبلغ 0.81 لمجموعة التدريب و0.71 لمجموعة الاختبار.
أظهرت النتائج الرئيسية من تحليل التفسيرات الإضافية لشابلي (SHAP) أن عوامل مثل انسداد الشريان التاجي الأيسر (LCX)، تصنيف KILLIP، عدد اللمفاويات، كسر قذف البطين الأيسر (LVEF)، إنزيم الأسبارتات أمينوترانسفيراز (AST)، عدد الوحيدات، الجنس، استهلاك الكحول، ونسبة العدلات إلى اللمفاويات (NLR) كانت مرتبطة إيجابيًا بمخاطر MACE. على العكس، كانت مستويات اللمفاويات الأعلى والجنس الذكري مرتبطة بانخفاض خطر MACE. تؤكد الدراسة على أهمية هذه المؤشرات السريرية في تقييم مخاطر MACE، مقدمة نموذج تنبؤ ذي صلة سريريًا يستخدم طرق تعلم آلي قابلة للتفسير لتعزيز اتخاذ القرار في إدارة المرضى بعد PCI.
مقدمة
تناقش المقدمة الطبيعة الحرجة لاحتشاء عضلة القلب مع ارتفاع مقطع ST (STEMI)، الذي يتميز بانسداد حاد في شريان تاجي، مما يتطلب تدخلات سريعة مثل العلاج الخثاري والتدخلات الشريانية التاجية عن طريق الجلد (PCI) لتقليل تلف عضلة القلب وزيادة معدلات البقاء على قيد الحياة. على الرغم من التقدم في علم القلب التدخلي، فإن نسبة ملحوظة من المرضى تعاني من أحداث قلبية وعائية سلبية كبرى (MACE) بعد PCI، مما يبرز الحاجة إلى تحسين استراتيجيات تقييم وإدارة المخاطر المصممة لتناسب المرضى الأفراد.
لقد حولت التطورات الأخيرة في تعلم الآلة (ML) تصنيف المخاطر وتنبؤ النتائج في إدارة احتشاء عضلة القلب من خلال الاستفادة من مجموعات بيانات متعددة الأبعاد واسعة النطاق، بما في ذلك المتغيرات السريرية ومعلمات التصوير المتقدمة. يمكن لخوارزميات ML تحديد العلاقات غير الخطية المعقدة بين عوامل مختلفة، مما يعزز دقة التنبؤ بما يتجاوز النماذج التقليدية. تهدف الدراسة المقدمة إلى تطوير نموذج تقييم تنبؤي باستخدام بيانات سريرية من مستشفى مجموعة أنغونغ العامة، مدمجة ستة خوارزميات ML للتنبؤ بحدوث MACE لدى مرضى STEMI بعد الجراحة. يتم مقارنة أداء النموذج بالمؤشرات السريرية التقليدية ودرجات المخاطر المعتمدة، مع استخدام تقنيات تفسيرية متقدمة لتوضيح تأثير المؤشرات السريرية الفردية على النتائج التنبؤية، مما يبرز إمكانيته كأداة موثوقة لتقييم مخاطر MACE.
طرق
في هذه الدراسة، تم استخدام الرسوم البيانية للاعتماد الجزئي (PDP) وتفسيرات شابلي الإضافية (SHAP) لتحليل النماذج التنبؤية المتعلقة بالأحداث القلبية السلبية الكبرى (MACE). تم استخدام PDPs لاستكشاف العلاقات الوظيفية بين المتغيرات السريرية الرئيسية وتنبؤات MACE، وكذلك لتقييم التأثيرات التآزرية بين هذه المتغيرات. توضح PDPs أحادية المتغير العلاقة بين متغير إدخال واحد والاستجابة المستهدفة، بينما تلتقط PDPs ثنائية المتغير التفاعلات بين متغيرين. يتم إعطاء التمثيل الرياضي لـ PDP بواسطة
\[
\hat{f}_{x_s}(X_s) = E_{x_c}[ \hat{f}(x_s, x_c)] = \int \hat{f}(x_s, x_c) dP(x_c),
\]
حيث \(x_s\) تشير إلى المتغيرات ذات الاهتمام و \(x_c\) تمثل المتغيرات الأخرى المدرجة في نموذج XGBoost.
بالإضافة إلى ذلك، توفر منهجية SHAP رؤى حول عملية اتخاذ القرار في النموذج من كل من المنظورين العالمي والفردي. هذه الطريقة، المستندة إلى نظرية الألعاب، تقيس مساهمة كل متغير في نتيجة التنبؤ من خلال حساب قيم SHAP، المعبر عنها رياضيًا كـ
\[
\Phi(f, x_e) = \frac{1}{|D|} \sum_{\substack{x_b \in D}} \Phi(f, x_e, x_b).
\]
هنا، \(x_e\) هي الحالة التي يتم تقييمها، و \(D\) هو مجموعة البيانات. معًا، تسهل هذه المنهجيات فهمًا شاملاً لتأثير وتفاعلات المتغيرات السريرية على تنبؤات MACE.
النتائج
يقدم قسم “النتائج” النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية. بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، مع حساب أحجام التأثير لتكون كبيرة، مما يشير إلى أهمية عملية.
يكشف التحليل الإضافي من خلال نماذج الانحدار أن المتغيرات المستقلة تمثل نسبة كبيرة من التباين في النتيجة، مع قيمة R² تبلغ 0.75. وهذا يشير إلى أن النموذج يلتقط بشكل فعال العلاقة بين المتنبئين ومتغير الاستجابة. بشكل عام، تؤكد النتائج على فعالية التدخل وتوفر إطارًا قويًا لفهم الآليات الأساسية المعنية.
المناقشة
في هذه الدراسة، أجرى المؤلفون تحليلًا استعاديًا للبيانات السريرية من 1,011 مريضًا يعانون من احتشاء عضلة القلب مع ارتفاع مقطع ST (STEMI) تم علاجهم في مستشفى مجموعة أنغونغ العامة لاستكشاف العلاقة بين المؤشرات السريرية والأحداث القلبية الوعائية السلبية الكبرى (MACE) بعد التدخلات الشريانية التاجية عن طريق الجلد (PCI). تم تعريف MACE لتشمل الذبحة المتكررة، احتشاء عضلة القلب غير القاتل، عدم انتظام ضربات القلب الشديد، فشل القلب، إعادة التوعية المتكررة، والوفاة القلبية. استخدمت الدراسة تقنيات تعلم الآلة، وبشكل خاص نموذج XGBoost، الذي أظهر أداءً تنبؤيًا متفوقًا (AUC = 0.71) مقارنة بأدوات تقييم المخاطر التقليدية مثل TIMI وPAMI، مما يبرز أهمية دمج مؤشرات سريرية متعددة لتصنيف المخاطر بدقة.
أشارت النتائج الرئيسية إلى أن الجنس، استهلاك الكحول، كسر قذف البطين الأيسر (LVEF)، ونسبة العدلات إلى اللمفاويات (NLR) كانت مؤشرات هامة لمخاطر MACE. ومن الجدير بالذكر أن هذه الدراسة حددت استهلاك الكحول كعامل خطر غير معترف به سابقًا لمخاطر MACE في مرضى STEMI بعد PCI. تم تعزيز قابلية تفسير النموذج من خلال تقنيات مثل قيم SHAP والرسوم البيانية للاعتماد الجزئي، مما يكشف عن تفاعلات معقدة بين المتغيرات التي تسهم في مخاطر MACE. على الرغم من النتائج الواعدة، اعترف المؤلفون بالقيود، بما في ذلك الحاجة إلى التحقق الخارجي وإمكانية الإفراط في التكيف بسبب مجموعة البيانات من مؤسسة واحدة. يُوصى بإجراء أبحاث مستقبلية لتأكيد هذه النتائج عبر مجموعات أكبر ومتعددة المراكز لتعزيز قابلية تطبيق النموذج في الإعدادات السريرية.
DOI: https://doi.org/10.1038/s41598-025-34441-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41484374
Publication Date: 2026-01-02
Author(s): Ning Zhang et al.
Primary Topic: Inflammatory Biomarkers in Disease Prognosis
Overview
This study investigates the prediction of major adverse cardiovascular events (MACE) in patients with ST-segment elevation myocardial infarction (STEMI) who underwent percutaneous coronary intervention (PCI). Utilizing clinical data from 1,011 patients, the research employed six machine learning algorithms—random forest (RF), least absolute shrinkage and selection operator (Lasso), support vector machine (SVM), extreme gradient boosting (XGBoost), gradient boosting machine (GBM), and feedforward neural network (FNN)—to identify key predictors and develop a MACE prediction model. The XGBoost model, which incorporated nine significant predictors, achieved the highest performance with an area under the curve (AUC) of 0.81 for the training set and 0.71 for the test set.
Key findings from the Shapley additive explanations (SHAP) analysis revealed that factors such as left circumflex artery (LCX) occlusion, KILLIP classification, lymphocyte count, left ventricular ejection fraction (LVEF), aspartate aminotransferase (AST), monocyte count, gender, alcohol consumption, and the neutrophil-to-lymphocyte ratio (NLR) were positively correlated with MACE risk. Conversely, higher lymphocyte levels and male sex were associated with a reduced risk of MACE. The study underscores the importance of these clinical indicators in MACE risk assessment, providing a clinically relevant predictive model that utilizes interpretable machine learning methods to enhance decision-making in post-PCI patient management.
Introduction
The introduction discusses the critical nature of ST-segment elevation myocardial infarction (STEMI), characterized by the acute occlusion of a coronary artery, which necessitates prompt interventions like thrombolytic therapy and percutaneous coronary intervention (PCI) to mitigate myocardial damage and enhance survival rates. Despite advancements in interventional cardiology, a notable proportion of patients experience major adverse cardiovascular events (MACE) post-PCI, emphasizing the need for improved risk assessment and management strategies tailored to individual patients.
Recent developments in machine learning (ML) have transformed risk stratification and prognosis prediction in myocardial infarction management by leveraging extensive multidimensional datasets, including clinical variables and advanced imaging parameters. ML algorithms can identify complex nonlinear relationships among various factors, enhancing predictive accuracy beyond traditional models. The study presented aims to develop a prognostic evaluation model using clinical data from Angang Group General Hospital, integrating six ML algorithms to predict MACE occurrence in STEMI patients post-surgery. The model’s performance is compared to conventional clinical indicators and established risk scores, with advanced interpretative techniques employed to clarify the impact of individual clinical indicators on prognostic outcomes, highlighting its potential as a reliable tool for MACE risk evaluation.
Methods
In this study, Partial Dependence Plots (PDP) and Shapley Additive Explanations (SHAP) were employed to analyze the predictive models concerning Major Adverse Cardiac Events (MACE). PDPs were utilized to investigate the functional relationships between key clinical variables and MACE predictions, as well as to assess the synergistic effects among these variables. Univariate PDPs illustrate the relationship between a single input variable and the target response, while bivariate PDPs capture interactions between two variables. The mathematical representation for the PDP is given by
\[
\hat{f}_{x_s}(X_s) = E_{x_c}[ \hat{f}(x_s, x_c)] = \int \hat{f}(x_s, x_c) dP(x_c),
\]
where \(x_s\) denotes the variables of interest and \(x_c\) represents the other variables included in the XGBoost model.
Additionally, the SHAP methodology provides insights into the model’s decision-making process from both global and individual perspectives. This approach, grounded in game theory, quantifies the contribution of each variable to the prediction outcome through the calculation of SHAP values, mathematically expressed as
\[
\Phi(f, x_e) = \frac{1}{|D|} \sum_{\substack{x_b \in D}} \Phi(f, x_e, x_b).
\]
Here, \(x_e\) is the instance being evaluated, and \(D\) is the dataset. Together, these methodologies facilitate a comprehensive understanding of the impact and interactions of clinical variables on MACE predictions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with statistical tests yielding p-values less than 0.05, suggesting strong evidence against the null hypothesis. Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, with effect sizes calculated to be substantial, indicating practical significance.
Further analysis through regression models reveals that the independent variables account for a considerable proportion of the variance in the outcome, with an R² value of 0.75. This suggests that the model effectively captures the relationship between the predictors and the response variable. Overall, the findings underscore the efficacy of the intervention and provide a robust framework for understanding the underlying mechanisms at play.
Discussion
In this study, the authors conducted a retrospective analysis of clinical data from 1,011 patients with ST-segment elevation myocardial infarction (STEMI) treated at Angang Group General Hospital to explore the relationship between clinical indicators and major adverse cardiovascular events (MACE) following percutaneous coronary intervention (PCI). MACE was defined to include recurrent angina, nonfatal myocardial infarction, severe arrhythmias, heart failure, repeat revascularization, and cardiac death. The study utilized machine learning techniques, specifically the XGBoost model, which demonstrated superior predictive performance (AUC = 0.71) compared to traditional risk assessment tools like TIMI and PAMI, highlighting the importance of integrating multiple clinical indicators for accurate risk stratification.
Key findings indicated that gender, alcohol consumption, left ventricular ejection fraction (LVEF), and the neutrophil-to-lymphocyte ratio (NLR) were significant predictors of MACE risk. Notably, this study identified alcohol consumption as a previously unrecognized risk factor for MACE in STEMI patients post-PCI. The model’s interpretability was enhanced through techniques such as SHAP values and partial dependence plots, revealing complex interactions among variables that contribute to MACE risk. Despite the promising results, the authors acknowledged limitations, including the need for external validation and the potential for overfitting due to the single-institution dataset. Future research is recommended to confirm these findings across larger, multicenter cohorts to enhance the model’s applicability in clinical settings.