机器学习预测锁骨下动脉支架术后再狭窄风险模型
RSS 订阅 · 介入放射学杂志 · 2026-09-10
回顾性纳入212例锁骨下动脉支架植入患者，构建7种机器学习模型预测术后1年内支架内再狭窄风险。多因素分析显示慢性阻塞性肺疾病、术前狭窄长度、钙化斑块和残余狭窄是独立危险因素。7种模型在测试集中AUC均在0.850以上，支持向量机模型AUC最高达0.962，可辅助识别高危患者。
要点
- 锁骨下动脉支架术后1年内再狭窄发生率10.37%，残余狭窄是最强预测因素(OR=28.67)
- 术前评估需关注狭窄长度、钙化斑块程度，合并慢性阻塞性肺疾病者再狭窄风险增加6.43倍
- 支持向量机等机器学习模型预测效能优秀(AUC 0.912～0.962)，可辅助术后随访决策
核心结论
- 机器学习模型对锁骨下动脉支架术后再狭窄预测效能较高，可辅助临床医生识别高危患者并制定随访策略
研究设计与样本
- 单中心回顾性研究，纳入2018年1月至2023年3月锁骨下动脉支架植入患者212例
- 训练集148例用于建模，测试集64例用于验证，按7:3比例随机分割
- 构建逻辑回归、K-最近邻、支持向量机、随机森林、决策树、反向传播神经网络和梯度提升机共7个模型
- 术后1年内发生支架内再狭窄22例(10.37%)作为结局事件
关键影像表现/征象
- 术前钙化斑块是再狭窄的独立影响因素(OR=3.79, 95%CI:1.01～14.23, P=0.049)
- 术前狭窄长度与再狭窄风险相关(OR=4.04, 95%CI:1.18～13.90, P=0.027)
- 残余狭窄是再狭窄最强预测因素(OR=28.67, 95%CI:2.02～406.61, P=0.013)
诊断标准与关键数值
- 支持向量机模型AUC最高为0.962(95%CI:0.879～1.000)
- 随机森林模型AUC为0.954(95%CI:0.889～1.000)
- 逻辑回归、决策树和反向传播神经网络模型AUC均为0.929(95%CI:0.837～0.992)
- 梯度提升机模型AUC为0.912(95%CI:0.816～0.988)，K-最近邻模型AUC为0.850(95%CI:0.484～1.000)
- Delong检验显示7个模型预测效能差异无统计学意义(均P>0.05)
临床应用与阅片要点
- 术前需评估狭窄长度和钙化斑块程度，详细询问慢性阻塞性肺疾病病史
- 术后即刻评估残余狭窄程度，存在残余狭窄的患者应列为高危随访对象
- 合并慢性阻塞性肺疾病患者再狭窄风险增加(OR=6.43, 95%CI:1.60～25.82, P=0.009)，需加强随访
- 机器学习模型可辅助术后1年内再狭窄风险分层，指导个体化随访策略
局限性
- 单中心回顾性研究，样本量相对有限(212例)，结论需多中心前瞻性研究验证
- 再狭窄发生率较低(10.37%)，可能影响模型在阳性病例的预测稳定性
引用
- 介入放射学杂志：基于机器学习构建锁骨下动脉支架植入术后再狭窄的风险预测模型
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。