DOI:10.20047/j.issn1673-7210.25121768
中图分类号:R542.22
黄艳群1, 周丽华1, 甘辛1, 唐森胡2, 梁惠3
| 【作者机构】 | 1广西医科大学第一附属医院医疗设备科; 2柳州市人民医院心血管内科; 3广西医科大学第一附属医院神经外科 |
| 【分 类 号】 | R542.22 |
| 【基 金】 | 广西壮族自治区卫生健康委员会自筹经费科研课题(Z-A20250407)。 |
心肌梗死起病急且致死率高,重症住院死亡率达7%~14%,给家庭与社会带来沉重负担[1-3]。早期识别高死亡风险患者,对制订救治方案、优化医疗资源配置至关重要。患者死亡风险与心率、血压等无创生理指标的动态变化密切相关[4]。现有预测模型多依赖静态特征或存在可解释性差、数据获取难等问题[5-7]。本研究聚焦重症监护室(intensive care unit,ICU)心肌梗死患者的早期死亡风险预测,结合无创时序生理指标,提出融合深度学习与可解释方法的方案,为临床救治决策提供参考。
采用回顾性研究方法,收集当前可公开获取的全部MIMIC-Ⅳ数据库(https://mimic.physionet.org/)中2008年1月至2022年12月的心肌梗死患者数据[8]。数据提取已获得事先批准,认证编号为57439457;此外,本研究已通过广西医科大学第一附属医院医学伦理委员会审查批准(2025-S0318)。纳入标准:①年龄 ≥18岁;②确诊心肌梗死;③首次入住ICU(具备呼吸频率、心率、体温、收缩压、舒张压及血氧饱和度的测量记录)。排除标准:①ICU住院时间<48 h;②入ICU后48 h内上述指标测量时间点<2次。最终纳入7 788例,采用分层随机抽样法按7∶3比例划分训练集与测试集。
遵循临床规范与机器学习要求进行预处理。①异常值处理。基于P0.5~P99.5分位数界定正常范围,超出按缺失值处理。②时序数据规整。对48 h监测指标进行等间隔时间窗聚合。经预实验对比1、2、3、4 h时窗宽,1 h窗噪声与冗余过高,3~4 h窗易丢失关键生理信息,最终选定2 h为最优窗宽,将数据划分为24个时序节点。同时,尝试窗内重复测量值的均值、最大值、最小值聚合方式,因2 h窗内测量次数少、变异性小,不同聚合方式对模型性能无明显差异,因此,采用窗内均值作为特征值。③缺失值填充。采用前向、后向填充及均值填充策略处理缺失值。填充后整体缺失率由23.72%降至0%。原始数据中除体温缺失率较高(55.8%)外,其余均<20%。最终为每位患者生成24×6维时序数据矩阵(24个时间节点×6项生理指标)作为模型输入,以患者出院结局作为模型输出。
构建卷积神经网络(convolutional neural network,CNN)-门控循环单元(gated recurrent unit,GRU)-注意力(Attention)混合深度学习模型,实现局部特征提取、时序依赖建模、核心信息聚焦、分类预测的递进式特征挖掘与预测。见图1。
图1 CNN-GRU-Attention混合深度学习模型
①输入层接收24×6维时序数据矩阵。②CNN模块提取局部特征。基于一维卷积层,输入通道数为6(与特征维度一致),输出通道数设为64。卷积后接入ReLU激活函数引入非线性变换,提取局部关联特征,如指标短期波动模式。③GRU模块实现时序依赖建模。采用单向GRU网络,输入特征维度为64,隐藏层维度设为64,引入dropout正则化抑制过拟合。借助门控机制,对24个时间节点之间的长时依赖关系进行自适应学习,将局部特征转化为包含时序演化信息的全局特征序列。④Attention层提取核心信息。两层全连接网络经softmax归一化生成注意力权重,加权融合GRU输出特征,实现核心信息强化与冗余信息抑制。⑤分类输出层。单层全连接网络映射全局特征至二分类空间,Sigmoid激活输出死亡概率预测值。模型训练参数采用Adam优化器;选用带类别权重交叉熵损失函数;训练轮次设为50,批量大小为64;采用早停策略防止模型过拟合,动态调整学习率,保障模型训练的收敛。
为验证模型各核心模块的作用,设计4组消融变体模型。①变体1(GRU-Attention),移除卷积特征提取模块,直接输入24×6维时序数据矩阵,验证局部特征提取的作用。②变体2(CNN-Attention),剔除GRU时序依赖建模层,卷积模块输出直接传入Attention层,评估长时依赖建模的必要性。③变体3(CNN-GRU),去除Attention加权模块,GRU输出直接接入输出分类层,验证核心信息聚焦的作用。④变体4[CNN-长短期记忆(long short-term memory,LSTM)-Attention],将GRU网络替换为LSTM网络,探究不同时序建模单元的影响。此外,为评估高缺失率体温及静态特征的作用,构建去除体温的模型;并引入人口学、合并症及经皮冠脉介入术(percutaneous coronary intervention,PCI)等静态特征构建联合模型。
采用曲线下面积(area under curve,AUC)、F1值、准确率、灵敏度、特异度综合评估模型。设置两类参照模型,包括经典时序深度学习模型(T-LSTM、GRU-D、TFT、TCN、Transformer-LSTM-Attention)和传统机器学习模型(逻辑回归、随机森林、多层感知机和支持向量机)[9-13]。使用传统机器学习方法进行建模时,采用时序数据的展平拼接为特征输入。利用沙普利加和解释(SHapley Additive exPlanations,SHAP)分析模型可解释性,采用SHAP量化各指标与时序节点的贡献度,识别关键特征与时间节点,并通过热力图可视化典型样本的预测逻辑。
正态分布计量资料以均值±标准差
表示,采用独立样本t检验;非正态分布计量资料以中位数(四分位数)[M(P25,P75)]表示,采用Mann-Whitney U检验。计数资料采用例数(百分率)[例(%)]表示,组间比较采用χ2检验。训练集与测试集分布均衡性比较、死亡组与存活组基线差异分析均采用上述方法。以P<0.05为差异有统计学意义。所有数据分析与建模基于Python 3.9实现,深度学习模型采用PyTorch 1.12框架,机器学习模型使用Scikit-learn1.2.2库,统计学方法基于Scipy1.7.3库和SPSS 21.0实现,可解释性分析通过SHAP 0.41.0库完成。为降低随机初始化的影响,每个深度学习模型独立运行10次。
本研究共纳入7 788例患者(表1),按7∶3分为训练集(5 451例,死亡746例)与测试集(2 337例,死亡299例)。训练集与测试集各基线指标分布比较,差异无统计学意义(P>0.05),基线均衡无分组偏倚。被排除组共9 225例,相较纳入组,年龄偏低,ST段抬高占比更低,心力衰竭、慢性肾病、糖尿病、脑梗死占比均偏低,住院死亡率为5.5%。纳入的心肌梗死患者中,总死亡率为13.4%(表2)。存活组与死亡组年龄、男性占比、心率、呼吸频率、血氧饱和度、舒张压、收缩压,ST段抬高、PCI、心力衰竭、慢性肾病、心房颤动、脑梗死占比方面比较,差异有统计学意义(P<0.01)。
表1 心肌梗死患者训练集与测试集基线信息比较
项目训练集(5 451例)测试集(2 337例)Z/χ2值P值被排除组(9 225例)年龄[岁,M(P25,P75)]70.0(61.0,79.0)70.0(61.0,78.0)0.3510.72669.0(59.0,79.0)男性[例(%)]3 468(63.6)1 492(63.8)0.0350.8525 436(58.9)心率[次/min,M(P25,P75)]82.0(72.0,94.0)82.0(73.0,94.0)0.9770.32882.0(70.5,96.6)呼吸频率[次/min,M(P25,P75)]19.0(16.0,22.0)18.0(16.0,22.0)1.3400.17919.7(17.1,22.6)血氧饱和度[%,M(P25,P75)]98.0(96.0,100.0)98.0(96.0,100.0)0.2880.77096.0(93.9,97.4)舒张压[mmHg,M(P25,P75)]62.0(53.0,73.0)62.0(53.0,72.0)1.8490.06461.6(53.0,70.4)收缩压[mmHg,M(P25,P75)]114.0(102.0,128.0)114.0(102.0,128.0)0.0650.948108.1(96.2,122.4)体温[℃,M(P25,P75)]36.7(36.4,36.9)36.6(36.4,36.9)0.0330.97497.9(96.2,98.4)ST段抬高[例(%)]2 363(43.3)1 017(43.5)0.0190.8913 045(33.0)PCI[例(%)]1 087(19.9)484(20.7)0.6010.4382 128(23.1)心力衰竭[例(%)]2 909(53.4)1 267(54.2)0.4730.4914 069(44.1)慢性肾病[例(%)]2 756(50.6)1 143(48.9)1.7830.1823 780(41.0)心房颤动[例(%)]2 375(43.6)1 004(43.0)0.2470.6192 667(28.9)糖尿病[例(%)]2 447(44.9)1 030(44.1)0.4420.5063 891(42.2)脑梗死[例(%)]393(7.2)162(6.9)0.1910.662277(3.0)高血压病[例(%)]3 733(68.5)1 588(68.0)0.2140.6436 386(69.2)死亡[例(%)]746(13.7)299(12.8)1.1190.290504(5.5)住院天数[d,M(P25,P75)]8.6(5.2,13.9)8.5(5.4,13.8)0.1710.8643.0(1.8,5.8)
注 PCI:经皮冠脉介入术。1 mmHg=0.133 kPa。
表2 心肌梗死患者存活组与死亡组基线资料比较
项目存活组(6 743例)死亡组(1 045例)Z/χ2值P值年龄[岁,M(P25,P75)]69.0(60.0,78.0)74.0(64.0,82.0)9.378<0.001男性[例(%)]4 336(64.3)624(59.7)8.2450.004心率[次/min,M(P25,P75)]82.0(72.0,93.0)86.0(74.0,99.0)6.259<0.001呼吸频率[次/min,M(P25,P75)]18.0(16.0,22.0)20.0(17.0,24.0)9.614<0.001血氧饱和度[%,M(P25,P75)]98.0(96.0,100.0)98.0(95.0,100.0)2.9080.003舒张压[mmHg,M(P25,P75)]62.0(53.5,73.0)61.0(52.0,71.0)2.7400.006收缩压[mmHg,M(P25,P75)]115.0(102.0,129.0)112.0(99.0,126.0)3.995<0.001体温[℃,M(P25,P75)]36.7(36.4,36.9)36.6(36.4,36.9)0.4050.685 ST段抬高[例(%)]2 850(42.3)530(50.7)26.310<0.001 PCI[例(%)]1 476(21.9)95(9.1)92.035<0.001心力衰竭[例(%)]3 496(51.8)680(65.1)63.636<0.001慢性肾病[例(%)]3 143(46.6)756(72.3)239.934<0.001心房颤动[例(%)]2 792(41.4)587(56.2)80.318<0.001糖尿病[例(%)]3 002(44.5)475(45.5)0.3200.572脑梗死[例(%)]428(6.3)127(12.2)46.079<0.001高血压病[例(%)]4 634(68.7)687(65.7)3.7160.054住院天数[d,M(P25,P75)]8.6(5.4,13.6)8.4(4.6,16.2)0.0980.922
注 PCI:经皮冠脉介入术。1 mmHg=0.133 kPa。
本研究提出的CNN-GRU-Attention模型综合预测性能最优,AUC达0.812、F1值达0.449,均优于所有参照模型及消融模型(表3)。深度学习参照模型中,TFT模型表现较佳,AUC为0.795、F1值为0.416;机器学习参照模型里,随机森林模型性能最佳,AUC为0.796、F1值为0.442。
表3 心肌梗死患者死亡预测模型结果
模型类型模型AUCF1值准确率(%)灵敏度(%)特异度(%)本研究提出的模型CNN-GRU-Attention0.812±0.0050.449±0.01281.5±2.058.9±6.584.8±3.1深度学习参照模型TFT0.795±0.0120.416±0.02682.1±3.250.0±9.886.8±5.0 TCN0.788±0.0040.400±0.02285.8±1.237.4±5.692.8±2.1 T-LSTM0.749±0.0040.346±0.00581.4±1.338.4±2.487.7±1.8 GRU-D0.756±0.0070.268±0.10482.8±4.527.5±18.191.4±7.8 Transformer-LSTM0.771±0.0170.400±0.02380.2±1.749.4±4.485.0±2.4机器学习参照模型逻辑回归0.6520.31982.831.490.3随机森林0.7960.44284.448.289.7多层感知机0.7210.37179.846.584.7支持向量机0.7340.38782.642.888.5消融模型GRU-Attention0.776±0.0050.407±0.01281.2±1.650.5±5.185.8±2.5 CNN-Attention0.777±0.0090.424±0.01681.2±2.353.9±5.785.2±3.3 CNN-GRU0.806±0.0080.432±0.02080.4±4.358.2±10.483.6±6.3 CNN-LSTM-Attention0.801±0.0050.423±0.01582.0±2.451.8±8.886.4±4.0敏感性分析移除体温0.802±0.0030.434±0.02481.6±2.455.6±9.885.4±4.1联合静态数据0.812±0.0050.448±0.01281.3±2.159.2±6.684.6±3.2
注 AUC:曲线下面积;CNN:卷积神经网络;GRU:门控循环单元;Attention:注意力;LSTM:长短期记忆。
消融实验验证了本研究模型各核心模块的关键作用,其AUC与F1值均优于所有消融变体模型(表3)。移除CNN特征提取模块或GRU时序依赖建模模块后,模型AUC分别降至0.776、0.777,F1值降至0.407、0.424;无Attention模块的CNN-GRU模型虽性能较好(AUC为0.806、F1为0.432),但仍低于原模型;而将GRU替换为LSTM后模型指标降至0.801、0.423。
移除体温特征后,模型AUC降至0.802,F1值降至0.434(表3)。此外,融合静态特征的模型AUC为0.812,F1值为0.448,与原模型结果几乎一致(表3),提示静态临床特征对模型预测的影响有限。
基于SHAP值的特征重要性分析显示(图2A),呼吸频率和心率较高时,SHAP值较大,对模型预测目标(死亡)呈现较强的正向驱动;较低的血氧饱和度和体温,SHAP值较小,越容易将患者预测为死亡;舒张压和收缩压的高低值对模型的贡献度相对较低。时间点层面(图2B),进入ICU后第44~<46 h等后期时间窗口的SHAP值最高,对死亡风险预测的贡献度高于早期时间窗口(如1~<2 h)。进一步分析44~<46 h核心生理指标的变化规律发现,该时间窗口内死亡组患者血氧饱和度更低[死亡组(95.2±8.3)% vs. 存活组(96.3±3.0)%,Z=8.145,P<0.001]、心率波动幅度更大(死亡组和存活组的变异系数为27.0%和19.2%,Z=5.492,P<0.001)、死亡组体温异常(<36.0 ℃或>37.2 ℃)占比达33.1%,高于存活组的19.0%(χ2=109.594,P<0.001),提示该时间窗口内血氧饱和度降低,心率、体温持续异常与死亡风险升高相关。
图2 基于CNN-GRU-Attention模型的生理指标层面和时间点层面的特征重要性
随机选取1例死亡、1例存活患者,可视化其生理指标在各时间点的SHAP值,解释模型对单例患者的局部预测逻辑。对于死亡患者(图3A),第42~44 h呼吸频率升高至30次/min(SHAP值较高)、40~<42 h血氧饱和度降至91%、1~<2 h舒张压达109 mmHg(1 mmHg=0.133 kPa)、38~<40 h收缩压达159 mmHg,这些异常指标通过模型的时序特征融合与Attention加权,成为预测死亡风险的关键因素,提示患者可能存在多系统功能紊乱,死亡风险增加。对于该存活患者(图3B),第28~<30 h出现呼吸频率升高(26次/min)、血氧饱和度降低(90%)、血压异常升高(舒张压90 mmHg、收缩压150 mmHg)等异常,但后续时间内指标逐渐恢复正常,模型通过捕捉异常指标的可逆性,最终预测为低死亡风险,与患者实际结局一致。
图3 死亡和存活患者的生理指标-时间点SHAP值举例
心肌梗死起病急且致死率高,早期精准识别高危患者是优化救治的关键,但现有预测方法多依赖有创指标或人工提取静态特征,且可解释性差,临床适用性受限。因此本研究选取6项无创生理指标,采用CNN-GRU-Attention混合架构构建死亡预测模型。通过CNN捕捉早期微小异常波动,利用GRU学习时序演化规律并整合全局信息,结合注意力机制强化对病情恶化关键时间窗口的识别。这种局部特征与长时依赖的协同机制使模型能够自动识别异常持续升高及多指标同步异常等复杂危重模式,突破了传统特征工程的局限[14-15]。
此外,本研究利用SHAP方法提升模型可解释性,识别出呼吸频率、体温、心率、血压为死亡风险关键指标,结果与临床认知一致[16]。呼吸频率升高可能提示缺氧;尽管体温缺失率高,移除后模型性能仍下降,提示异常体温可能更能反映感染或应激状态,模型具备从高缺失背景数据中精准捕捉关键信号的能力;心率异常关联循环系统功能;血压波动是心血管事件及靶器官损害的重要预警信号。上述指标的联合异常为死亡风险的早期识别提供多维度参考。此外,入ICU后44~<46 h的生理数据对预测结果的贡献度较高,可能与该时段恰处于心肌梗死后常见并发症的潜在演进期有关,模型更易捕捉到此阶段生理指标的异常波动[17-18]。提示临床应加强该时间窗口的生理指标监护,及时干预。单样本的可解释结果显示,模型能够捕捉异常指标的不可逆性、多系统指标同步异常等特征,这些特征往往提示预后不良,可作为临床识别高风险患者的参考。
本研究存在以下局限性:①样本选择与数据特征偏倚。受时序建模的数据要求限制,本研究排除9 225例入ICU 48 h内死亡或转出的患者,导致研究队列无法代表全体心肌梗死入院人群,引入潜在选择偏倚;同时,受限于数据库,模型仅能纳入是否实施PCI,未能捕获手术时机、术中情况等变量,对治疗干预的预后价值挖掘不够充分。②模型性能与临床效用局限。尽管模型判别力良好(AUC为0.812),但灵敏度偏低,提示漏诊风险较高。同时,因数据库缺失Killip分级等核心指标,未能与全球急性冠状动脉事件注册风险评分开展直接效能比对[19]。因此,本模型现阶段更适合作为动态预后监测的补充工具,尚不足以独立指导临床决策。③模型缺乏外部验证,泛化能力未知。本研究数据仅来源于以欧美人群为主的MIMIC-Ⅳ数据库,未开展外部验证,其跨地域、跨人种的泛化性能有待验证。
综上所述,本研究构建了一种融合CNN-GRU-Attention的ICU心肌梗死患者死亡预测模型,基于48 h内6项无创生理指标时序数据实现风险预测与临床解释,可为患者早期死亡风险评估提供参考,补充传统风险评估体系。
利益冲突声明:所有作者均声明不存在利益冲突。
[1] Szummer K,Wallentin L,Lindhagen L,et al. Improved outcomes in patients with ST-elevation myocardial infarction during the last 20 years are related to implementation of evidence-based treatments:experiences from the SWEDE-HEART registry 1995-2014 [J]. Eur Heart J,2017,38(41):3056-3065.
[2] Reed G W,Rossi J E,Cannon C P. Acute myocardial infarction [J]. Lancet,2017,389(10065):197-210.
[3] Henry T D,Tomey M I,Tamis-Holland J E,et al. Invasive management of acute myocardial infarction complicated by cardiogenic shock:a scientific statement from the American Heart Association [J]. Circulation,2021,143(15):e815-e829.
[4] Figtree G A,Vernon S T,Hadziosmanovic N,et al. Mortality in STEMI patients without standard modifiable risk factors:a sex-disaggregated analysis of SWEDEHEART registry data [J]. Lancet,2021,397(10279):1085-1094.
[5] Mohd Faizal A S,Thevarajah T M,Khor S M,et al. A review of risk prediction models in cardiovascular disease:conventional approach vs. artificial intelligent approach [J].Comput Meth Prog Bio,2021,207:106190.
[6] Khera R,Haimovich J,Hurley N C,et al. Use of machine learning models to predict death after acute myocardial infarction [J]. JAMA Cardiol,2021,6(6):633-641.
[7] 施景文,孙颖. 急性冠脉综合征预后模型研究进展[J].中国实用内科杂志,2024,44(7):607-610.
[8] Johnson A E W,Bulgarelli L,Shen L,et al. MIMIC-Ⅳ,a freely accessible electronic health record dataset [J]. Sci Data,2023,10(1):1.
[9] Baytas I M,Xiao C,Zhang X S,et al. Patient subtyping via Time-Aware LSTM Networks [J]. Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,2017:65-74.
[10] Che Z,Purushotham S,Cho K,et al. Recurrent neural networks for multivariate time series with missing values [J].Sci Rep,2018,8(1):6085.
[11] Lim B,Arık S Ö,Loeff N,et al. Temporal Fusion Transformers for interpretable multi-horizon time series forecasting [J]. Int J Forecasting,2021,37(4):1748-1764.
[12] Bednarski B P,Singh A D,Zhang W,et al. Temporal convolutional networks and data rebalancing for clinical length of stay and mortality prediction [J]. Sci Rep,2022,12(1):21247.
[13] Bian Q,As’Arry A,Cong X,et al. A hybrid Transformer-LSTM model apply to glucose prediction [J]. PLoS One,2024,19(9):e0310084.
[14] 齐戈尧,徐进,金志超. 基于循环神经网络模型的创伤重症患者临床结局的动态预测[J]. 第二军医大学学报,2024,45(10):1241-1249.
[15] Chen P,Dong W,Wang J,et al. Interpretable clinical prediction via attention-based neural network [J]. Bmc Med Inform Decis,2020,20(3):131.
[16] Rao S V,O’Donoghue M L,Ruel M,et al. 2025 ACC/AHA/ACEP/NAEMSP/SCAI Guideline for the Management of Patients With Acute Coronary Syndromes:a report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines [J]. Circulation,2025,151(13):e771-e862.
[17] 李媛媛,荣晶晶,潘宏伟. 急性心肌梗死后缺血性脑卒中的研究进展[J]. 临床心血管病杂志,2025,41(1):14-19.
[18] 许秀婷,朱盼,邹莹莹,等. 急诊PCI术中冠状动脉损伤的并发症及管理[J]. 中国中西医结合急救杂志,2024,31(1):121-125.
[19] 万招飞,张苏梅,樊艳,等. GRACE评分对实施PCI的STEMI患者冠脉无复流和MACE事件的预测价值[J].西安交通大学学报,2023,44(2):251-256.
A deep learning-based mortality prediction model and its interpretability study for patients with myocardial infarction in intensive care unit
X