摘要
目的: 随着医疗科技的发展，PCI手术广泛应用于冠心病患者的治疗中，但是PCI手术后具有一定的创伤性，可能导致患者在术后的恢复过程中产生相关的并发症，使得PCI患者术后结局的主要不良心血管事件发生日益受到临床的关注。然而，PCI患者术后的预后模型多为单一结局，没有从多维角度进行预后模型的建立。因此，本研究将从PCI患者术后多维结局出发，结合多标签深度森林算法构建冠心病患者PCI术后不良结局的预测模型。 方法: 数据的收集来自于山西医科大学第二医院2017年1月至2020年5月收治的住院患者，筛选符合标准的首次入院诊断为冠心病并进行PCI术后的521名患者纳入研究队列。结局指标为PCI术后心力衰竭、恶性心律失常、再发性心肌梗死、支架内血栓形成、术后出血事件五项，通过使用多标签Relief-F算法对特征进行筛选并用ML-ROS(multi-label-randomoversampling)算法对数据不平衡问题进行处理，最后结合多标签深度森林算法构建预测模型与构建的BR、CC、LP、RAkEL、ML-KNN多标签模型进行模型性能的比较。 结果: 通过多标签Relief-F算法进行变量的筛选，最终纳入模型为重要性排序前20的变量，分别是B型钠尿肽、肌酸激酶同工酶、血红蛋白、同型半胱氨酸、C反应蛋白、血清间接胆红素、载脂蛋白LP(a)、钾、尿酸、白蛋白、BMI、肌钙蛋白、红细胞分布宽度、低密度脂蛋白胆固醇、血清总胆红素、谷草转氨酶、甘油三酯、年龄、血小板、肌酐。采用多标签不平衡算法MLROS对冠心病PCI术后患者的结局标签:心力衰竭、恶性心律失常、再发性心肌梗死、支架内血栓形成、术后出血事件进行不平衡处理。结果显示，该算法对多标签数据的不平衡情况进行了一定程度的改进，整体标签的不平衡程度有一定程度的降低，相比较不平衡前整体标签的不平衡程度(meanIR)3.937降低为2.668。之后利用不平衡处理后的数据，构建了BR、CC、LP、RAkEL、ML-KNN、MLDF的多标签预测模型，进行模型比较。最终结果显示，MLDF模型在基于样本评价指标中，准确率0.587(0.535,0.661)、平均精度0.414(0.359,0.437)、汉明损失0.134(0.125,0.265)、1-错误率0.475(0.461,0.651)、排序损失0.182(0.170,0.215)均表现优于其他对比的预测模型。MLDF模型在基于标签评价指标中，Micro_AUC:0.623(0.606,0.681)、Macro_AUC:0.654(0.602,0.695)、Micro_F1:0.326(0.293,0.415)、Macro_F1:0.386(0.217,0.419)、Macro_recall:0.369(0.256,0.409)也表现得优于其他对比预测模型。 结论: 本研究将多标签深度森林算法结合PCI术后患者的不良结局进行建模，相比BR、CC、LP、RAkEL、ML-KNN所构建的多标签预后模型具有良好的效果。并且考虑到多标签的特征选择和数据不平衡的问题，使用多标签Relief-F对特征进行筛选、MLROS解决了数据不平衡的问题。充分考虑到临床的实际情况PCI术后患者可能同时出现多种结局的情况，更符合现代医学的要求，有利于临床医生更好的了解PCI术后患者的预后，提供精准化医疗。
NETL