本研究由来自北京安贞医院（首都医科大学附属）、东南大学、首都医科大学和中国人民解放军总医院等多个机构的Chenglong Guo、Binyu Gao等学者合作完成，并于2025年发表在《BMC Cardiovascular Disorders》期刊上。研究聚焦心血管疾病领域，旨在开发一种可解释的人工智能（AI）模型，用于预测急性心肌梗死（acute myocardial infarction, AMI）后心力衰竭（heart failure, HF）的严重程度。
学术背景
急性心肌梗死（AMI）是全球范围内导致死亡和残疾的主要原因之一，而心力衰竭（HF）是AMI后常见的严重并发症。Killip分级是临床常用的AMI后HF严重程度评估工具，但其依赖主观判断，且难以全面反映HF发展的复杂机制。近年来，人工智能技术在医学领域的应用日益广泛，尤其是深度学习模型在处理复杂临床数据方面展现出优势。然而，现有研究多集中于HF的二元预测（是否发生HF），而针对Killip多分类预测的研究较少，且模型的可解释性不足。因此，本研究旨在利用多维临床数据构建可解释的AI模型，以更准确地预测AMI后HF的严重程度，并通过SHAP（Shapley Additive Explanations）方法增强模型的可解释性。
研究流程
数据收集与预处理
- 研究对象：回顾性纳入2017年至2022年在北京宣武医院确诊为I型AMI的2993例患者，最终筛选出1574例具备完整关键特征（如NT-proBNP、左心室射血分数LVEF、GRACE/TIMI评分）的患者。
- 数据内容：涵盖人口统计学特征（年龄、性别、BMI）、临床评分（GRACE评分、TIMI评分）、病史（高血压、糖尿病、房颤等）、实验室检查（血常规、生化指标、炎症标志物等）、影像学指标（超声心动图参数）及住院时长等41项特征。
- 数据预处理：连续变量标准化（均值为0，方差为1）；针对Killip分类不平衡问题（Killip 1占63.8%，Killip 4仅1.8%），采用SMOTE（Synthetic Minority Over-sampling Technique）过采样技术生成少数类合成样本。
模型构建与优化
- 模型选择：对比两种机器学习模型（随机森林RF、XGBoost）和两种深度学习模型（多层感知机MLP、TabNet）。
- 模型训练：数据集按80:20划分为训练集和测试集，采用五折交叉验证和网格搜索优化超参数。
- 评估指标：以AUROC（受试者工作特征曲线下面积）、AUPRC（精确率-召回率曲线下面积）、F1分数和精确率为主要评价指标。
模型解释与可视化
主要结果
模型性能
- TabNet在四分类（Killip 1-4）和二元分类（Killip 1 vs. 2-4）任务中均表现最佳，AUROC分别为0.827和0.831，显著优于其他模型（MLP、RF、XGBoost）。
- 深度学习模型整体优于传统机器学习模型，表明其对复杂临床数据的高维特征捕捉能力更强。
关键预测因子
- SHAP分析显示，GRACE评分、TIMI评分、NT-proBNP、肌酐、住院时长与HF严重程度呈正相关；LVEF和CCR（肌酐清除率）则呈负相关。
- 例如，GRACE评分≤150或LVEF≥48%的患者更可能被预测为Killip 1级，而NT-proBNP>2500 pg/mL或TIMI评分>3分则提示更高Killip分级。
临床应用验证
- 模型通过网页平台实现便捷的临床部署，医生输入患者数据后可即时获得Killip分级预测及关键影响因素的可视化解释。
结论与价值
科学价值
- 首次将TabNet模型应用于AMI后HF的Killip多分类预测，填补了现有研究空白。
- 通过SHAP方法揭示了HF发展的关键临床因素（如炎症标志物IL-6、hs-CRP与肾功能指标），为病理机制研究提供新线索。
应用价值
- 模型可早期识别高风险患者，指导个体化干预（如强化抗炎或肾功能保护），改善预后。
- 开源平台降低了AI技术的使用门槛，促进临床转化。
研究亮点
方法创新
- 结合TabNet的注意力机制与SMOTE过采样技术，有效解决医学数据不平衡问题。
- 首次在HF预测中实现Killip四分类的高精度建模（AUROC>0.82）。
临床意义
- 模型超越传统Killip分级的主观局限性，整合多维数据提供客观风险评估。
- 可解释性设计增强医生对AI结果的信任，推动其在临床决策中的应用。
局限性
- 单中心数据可能限制模型泛化能力，需多中心外部验证。
- SHAP解释为相关性分析，需进一步实验验证因果机制。
- 未纳入影像组学或基因组学数据，未来可扩展多模态分析。
该研究为AMI后HF的精准预测提供了创新工具，兼具学术前沿性与临床实用性，有望成为心血管风险分层的重要辅助手段。