基于真实和合成数据的PCI患者心脏死亡率预测
机器学习
2025-12-30 v1
摘要
患者状态、血管造影和手术特征编码了预测经皮冠状动脉介入治疗后长期结果的关键信号。本研究旨在基于接受经皮冠状动脉介入治疗患者的真实和合成数据，开发一个用于评估心脏死亡风险的预测模型，并识别对死亡率影响最大的因素。我们分析了2044名因分叉病变接受经皮冠状动脉介入治疗的患者。主要结局是3年随访期间的心脏死亡。应用了几种机器学习模型来预测经皮冠状动脉介入治疗后的三年死亡率。为了解决类别不平衡问题并改善少数类的表示，生成了500个额外的合成样本并添加到训练集中。为了评估单个特征对模型性能的贡献，我们应用了排列特征重要性。还进行了一项额外实验，以评估在从训练和测试数据集中移除无信息特征后模型的预测将如何变化。在没有过采样的情况下，所有模型都达到了较高的总体准确率（0.92-0.93），但它们几乎完全忽略了少数类。在模型之间，数据增强一致地提高了少数类的召回率，同时AUROC损失最小，改善了概率质量，并在构建的严重病例谱上产生了更具临床合理性的风险估计。根据特征重要性分析，四个特征被确定为最具影响力的：年龄、射血分数、外周动脉疾病和脑血管疾病。这些结果表明，仅使用表格数据，通过真实和极端病例进行直接增强可以暴露、量化并减少不平衡临床预测中的脆弱性，并激励在主要指标之外常规报告概率质量和压力测试。
引用
@article{arxiv.2512.22259,
title = {Cardiac mortality prediction in patients undergoing PCI based on real and synthetic data},
author = {Daniil Burakov and Ivan Petrov and Dmitrii Khelimskii and Ivan Bessonov and Mikhail Lazarev},
journal= {arXiv preprint arXiv:2512.22259},
year = {2025}
}