STEMI院内死亡预测模型

8个变量即用

一个可解释、灵活的XGBoost模型，仅需少量常规临床变量即可在入院早期准确评估STEMI患者院内死亡风险，辅助临床分层管理。

Yang, Jingang · Li, Xiang · Zhang, Yuan · Xie, Guotong · 许海燕 · 高晓津 · 杨跃进

JMIR Public Health and Surveillance 2024

参数信息

CAMI验证集AUC

0.896

外部验证AUC（China PEACE）

0.840

技术优势

变量少也能用

外部验证仅需10个常规临床变量，AUC仍达0.840，优于GRACE和TIMI全变量模型。

比传统评分更准

CAMI验证集AUC达0.896，远高于GRACE的0.809和TIMI的0.782。

能解释预测结果

采用SHAP方法解释复杂关系，揭示HDL-C与死亡率呈U型，帮助临床理解并信任模型输出。

应用场景

• 心血管疾病风险预测：用常规临床指标快速计算STEMI院内死亡风险，辅助分层。
• 临床决策支持：提供高精度且可解释的死亡风险评分，帮助医生决定监护强度与干预时机。
• 急性心肌梗死管理：在入院早期识别高危STEMI患者，优化再灌注策略和资源配置。
• 医疗人工智能：SHAP解释揭示非线性的风险-特征关系，推动可解释AI在心血管领域的落地。