1、中国循证心血管医学杂志2022年11月第14卷第11期 Chin J Evid Based Cardiovasc Med,November,2022,Vol.14,No.11 1334 论著 决策树模型对糖尿病合并急性心肌梗死行急诊PCI患者术后不良事件的预测价值刘志煜1,2，孔亚伟3，张扬辉1，张亚豪1，王喆4，路新源5，郑颖颖1,2，沈德良1,2，张金盈1,2基金项目：国家自然科学基金(81570274;81870328)作者单位：1 450052 郑州,郑州大学第一附属医院心血管内科;2 450052 郑州,河南省心脏损伤修复重点实验室;3 100045 北京,首都医科大学附属北京儿童医
2、院慢病管理中心,国家儿童医学中心;4 100730 北京,中国医学科学院,北京协和医学院,中日友好医院心脏【摘要】目的 应用决策树卡方自动交互检测（CHAID）算法和二分类Logistic回归分析法分别构建罹患糖尿病（DM）的急性心肌梗死（AMI）患者行急诊冠状动脉介入治疗（PCI）术后院外2年内的不良终点事件的风险预测模型，并对模型的预测结果进行对比分析。方法 回顾性纳入2016年1月至2017年1月于郑州大学第一附属医院心脏重症科（CCU）的DM-AMI行急诊PCI术后患者（信息采集来自CORFCHD-ZZ研究），并对其院外2年内的不良终点事件进行随访，应用CHAID法和二分类 Logis
3、tic回归分析分别建立风险预测模型，通过受试者工作特征曲线（ROC）的曲线下面积（AUC）对两种模型的预测效果进行对比评价。结果 纳入分析患者525例，其中2年发生不良终点事件203例（38.7%）；CHAID法和Logistic回归分析法均显示“年龄60岁”、“BNP350 ng/L”、“CRP8.3 mmol/L”、“不使用降糖药物”和“糖尿病病程大于5年”是不良终点的重要危险因素，并且在决策树中“年龄”是首要影响因素；决策树模型风险预测的正确率为69.1%，模型拟合效果较好；Logistic回归模型Hosmer-Lemeshow拟合优度检验显示模型拟合较好（2=11.976，P0.05）
4、。决策树模型AUC为0.765（95%CI：0.7270.801），Logistic回归模型AUC为0.784（95%CI：0.7460.818），两模型预测价值均为中等，其存在的差异无统计学意义；决策树模型灵敏度高于Logistic回归预测模型，二者分别为77.6%和73.9%。结论 决策树分析结果能更为直观、形象地反映DM-AMI行PCI手术人群的术后生存风险特征，“年龄60岁”、“BNP350 ng/L”、“CRP8.3 mmol/L”、“不使用降糖药物”和“糖尿病病程大于5年”参与不良终点事件的发生，并且年龄是首要危险因素，决策树有利于临床医师对高危人群进行风险预测和制定随访方案。【关
5、键词】急性心肌梗死；糖尿病；不良终点事件；决策树模型；Logistic回归【中图分类号】R542.22 【文献标志码】A 开放科学（源服务）标识码（OSID）Predictive value of decision tree model to post-operative adverse endpoint events in patients with acute myocardial infarction complicated by diabetes after emergency PCI Liu Zhiyu*,Kong Yawei,Zhang Yanghui,Zhang Yahao,Wa
6、ng Zhe,Lu Xinyuan,Zheng Yingying,Shen Deliang,Zhang Jinying.*Department of Cardiovascular Medicine,First Affiliated Hospital of Zhengzhou University,Zhengzhou 450052,China.Corresponding author:Zhang Jinying,E-mail:Abstract Objective To establish the risk predictive models of adverse endpoint events
7、respectively by using decision tree Chi-square automatic interactive detection(CHAID)algorithm and binary Logistic regression analysis in patients with acute myocardial infarction(AMI)complicated by diabetes(DM-AMI)within 2 y after emergency PCI,and to compare and analyze the predictive results of t
8、he models.Methods DM-AMI patients undergone emergency PCI(data collected from CORFCHD-ZZ study)were retrospectively chosen from Cardiac Care Unit in the First Affiliated Hospital of Zhengzhou University from Jan.2016 to Jan.2017,and followed up on adverse endpoint events within 2 y after discharged.
9、The risk predictive models were established respectively by using CHAID and binary Logistic regression analysis.The predictive efficacy of 2 models was compared and reviewed by using the area under curve(AUC)of receiver operating characteristic(ROC)curve.Results There were totally 525 patients inclu
10、ded in the analysis,and adverse endpoint events occurred in 203 cases(38.7%)within 2 y after PCI.The results of CHAID and binary Logistic regression analysis all showed that age60,BNP350 ng/L,CRP8.3 mmol/L,without the usage of antidiabetics,and diabetes course5 y were important risk factors of adver
11、se endpoint events,and age was a primary influence factor.The correct rate of risk prediction was 69.1%in the CHAID model,and the model fitting effect was good.Hosmer-lemeshow test in the Logistic regression model showed that the model fitting was good(2=11.976,P0.05).AUC was 0.765(95%CI:0.7270.801)
12、in the CHAID model,and 科;5 200032 上海,复旦大学公共卫生学院 卫生部卫生技术评估重点实验室通讯作者：张金盈,E-mail:doi：10.3969/j.issn.1674-4055.2022.11.11 1335 中国循证心血管医学杂志2022年11月第14卷第11期 Chin J Evid Based Cardiovasc Med,November,2022,Vol.14,No.11AUC was 0.784(95%CI:0.7460.818)in the Logistic regression model.The predictive value of bo
13、th models was moderate and the difference had no statistical significance.The sensitivity of the CHAID model was higher than that of the Logistic regression model(77.6%vs.73.9%).Conclusion The results of CHAID can reflect more vividly postoperative survival risk characteristics in DM-AMI patients un
14、dergone PCI.The factors of age60,BNP350 ng/L,CRP8.3 mmol/L,without the usage of antidiabetics,and diabetes course5 y take part in the occurrence of adverse endpoint events,and age is a primary risk factor.The decision tree is helpful for clinicians to predict risks and set out follow-up plan in high
15、-risk population.Key words Acute myocardial infarction;Diabetes;Adverse endpoint events;Decision tree model;Logistic regression糖尿病（DM）是冠状动脉粥样硬化性心脏病（CHD）最常见的高危因素，而急性心肌梗死（AMI）作为CHD最严重的发病分型，是全球排名前位的致死疾病1。冠状动脉介入治疗（PCI）是对AMI的有效治疗方式2，但目前研究发现，DM作为AMI人群中的极高危因素，行首次PCI后的DM人群仍有30%50%的患者在院外治疗期间可出现主要不良心脑血管事件（MAC
16、CE）事件并可导致如心血管死亡事件、心功能不全、脑卒中、再发急性心肌梗死（re-AMI）、恶性室性失常（VT/VF）等多种严重并发症3,4。因此对于PCI术后的DM-AMI患者进行早期筛查和制定强化治疗方案尤为重要5，既往多数研究采用 Logistic模型构建AMI患者的预测模型，但目前机器学习，尤其是决策树分析被逐渐运用到高危人群分层筛查中，如在脑卒中、肺动脉高压人群有较好的效果6,7。因此，本研究比较两种分析方法建立模型预测不良终点事件的作用，并进行后者的分层亚组风险计算，为AMI合并DM的患者行急诊PCI的术后人群不良终点事件建立预测模型提供较新的分析思路。1 资料和方法1.1 研究对象 选择2016年1月至2017年1月于郑州大学第一附属医院心脏重症科（CCU）住院AMI患者；信息采集来自一项大型研究“冠心病患者PCI术后临床结局及其影响因素分析：CORFCHD-ZZ研究（3561例CHD患者）”，注册信息、入组人群、临床收集资料信息见本研究已发表的前期报道8,9。本次分析对象纳入标准：年龄18岁；急诊冠状动脉（冠脉）造影证实急性心肌梗死，至少有一支冠脉血管狭窄程度95%10；