JMIR（IF=6.0）| 使用基于冠状动脉造影的机器学习预测中度至重度冠状动脉钙化患者PCI的成功率：前瞻性队列研究



JMIR（IF=6.0）| 使用基于冠状动脉造影的机器学习预测中度至重度冠状动脉钙化患者PCI的成功率：前瞻性队列研究

瓴智医学AI

2025-07-29

导读：该研究为复杂冠状动脉病变患者的PCI策略优化提供了数据驱动决策工具，显著提升了手术成功率预测的精准性。

本文题为《Prediction of Percutaneous Coronary Intervention Success in Patients With Moderate to Severe Coronary Artery Calcification Using Machine Learning Based on Coronary Angiography: Prospective Cohort Study》，由Zixiang Ye、Zhangyu Lin、Enmin Xie、Chenxi Song、Rui Zhang、Hao-Yu Wang、Shanshan Shi、Lei Feng、Kefei Duo共同完成，作者单位包括中国医学科学院阜外医院心内科、心血管疾病国家重点实验室和心血管代谢医学中心，发表于《Journal of Medical Internet Research》。该研究针对中度至重度冠状动脉钙化（MSCAC）患者经皮冠状动脉介入治疗（PCI）成功率预测的临床挑战，开发了基于冠状动脉造影（CAG）特征的机器学习模型。研究纳入2017-2018年3271例MSCAC患者和17998例轻度或无钙化患者，通过比较6种机器学习算法（包括XGBoost、随机森林等），发现XGBoost模型性能最优（AUC 0.984），并利用SHAP方法识别出病变长度、最小管腔直径、TIMI血流分级等6个关键预测因素。模型在测试队列（AUC 0.972）和外部验证队列（AUC 0.810）中均表现稳健，同时发现改良球囊（切割/评分球囊）对MSCAC患者PCI成功具有特异性促进作用（SHAP值0.16）。该研究为复杂冠状动脉病变患者的PCI策略优化提供了数据驱动决策工具，显著提升了手术成功率预测的精准性。

01 摘要

鉴于经皮冠状动脉介入治疗（PCI）治疗严重钙化病变期间面临的挑战，准确预测 PCI 的成功对于改善患者治疗效果和优化手术策略至关重要。本研究旨在使用机器学习（ML）来识别与表现出中度至重度冠状动脉钙化（MSCAC）的患者 PCI 即时手术成功率相关的冠状动脉造影血管特征和 PCI 程序。

研究纳入2017-2018年3271例MSCAC患者和17998例无/轻度钙化患者作为训练集，构建了6种机器学习模型（k近邻、梯度提升决策树、XGBoost等），采用合成少数过采样技术处理数据不平衡问题。通过SHAP方法识别出6个关键预测因素：病变长度、最小管腔直径、TIMI血流分级、慢性完全闭塞、参考血管直径和弥漫性病变。结果显示，MSCAC患者PCI失败率为7.6%，显著高于无/轻度钙化患者的4.3%。XGBoost模型表现最优（AUC=0.984），在独立测试集（AUC=0.972）和外部验证集（AUC=0.810）中均保持良好性能。研究还发现改良球囊（切割/评分球囊）使用对PCI成功具有显著正向影响。

02 研究背景

1.治疗现状

冠状动脉钙化（CAC）与冠心病（CAD）患者的不良预后密切相关。相较于轻度钙化患者，MSCAC患者的主要不良心血管事件（MACEs）发生率显著增高。在严重钙化病变的PCI过程中，导丝操作和球囊/支架置入的难度明显高于正常冠状动脉。钙化病变常导致球囊扩张不全，且存在球囊破裂风险。通常需要更高的压力扩张钙化病变，这会显著增加血管夹层、穿孔、破裂及无复流等并发症的发生概率，最终导致MSCAC患者PCI手术失败率升高。

2.冠状动脉造影

冠状动脉造影（coronary angiography， CAG）是 PCI 前的常规检查，可清晰地观察冠状血管的形态特征，并可评估冠状动脉钙化程度。它被认为是诊断冠状动脉狭窄的金标准。因此，通过冠状动脉造影成像预测 PCI 手术的难度和成功率的能力对于 MSCAC 患者和心脏病专家都至关重要。

3.机器学习

ML 已广泛应用于心血管领域，包括 PCI 后血流储备分数的预测、计算机断层扫描衍生血流储备分数的估计、心肌血流量和缺血性心肌容积百分比的自动量化，以及急性冠脉综合征（ACS）后不良事件的预测。然而，其在探索 CAG 成像特征或 PCI 程序与 MSCAC 患者 PCI 成功率之间关系方面的应用有限。

03 模型设计

在这项研究中，根据来自开发队列的 ML 算法得出的 Shapley 加法解释（SHAP）值指示的变量重要性排名，选择了与立即 PCI 治疗成功最相关的前 6 个 CAG 成像特征，并在测试队列和外部验证队列中轻度 CAC 或没有 CAC 的患者中进行了验证（Figure 1 )。此外，我们进一步探讨了与无 CAC 或轻度 CAC 患者相比，MSCAC 患者的不同 PCI 程序与 PCI 成功率之间的关系。

1.相关标准定义

研究将PCI即刻手术成功定义为：术后达到心肌梗死溶栓治疗(TIMI)血流分级2级或3级，且残余狭窄(RS)小于50%，同时未发生显著术中并发症（包括术中支架血栓形成、冠状动脉夹层、冠状动脉穿孔）及院内主要不良心血管事件(MACE)。

冠状动脉钙化定义为无需使用造影剂，在透视下观察到的沿血管过程的异质高密度图像。

2.预测变量

研究收集了每位患者的人口统计数据和 CAG 以及干预信息。

人口统计学特征包括性别、年龄、BMI、吸烟和合并症。
冠状动脉造影成像特征（包括优势支、分叉病变、成角、钙化程度等）由经验丰富的心血管内科医生解释和记录。
病变长度、病变管腔最小直径和参考血管直径（RVD）等参数由经验丰富的作者使用血管造影导管作为参考，根据 CAG 图像测量得到。
参与冠状动脉介入治疗的心脏病专家记录冠状动脉 PCI 治疗的详细信息。

Figure 1A 说明了 CAG 特征数据和 PCI 治疗数据提取程序。

3.不平衡数据处理

PCI手术失败案例在总手术量中占比较小，导致数据存在不平衡问题。这种数据不平衡意味着少数类样本占比过低。为此，我们在训练每个模型前均采用合成少数类过采样技术(SMOTE)进行类别平衡处理。

该技术基于k近邻(KNN)算法原理，通过对现有少数类样本进行插值来生成新样本。为避免性能评估偏差，SMOTE算法仅应用于训练数据集。具体而言，该算法通过对少数类样本（包含原始样本和合成样本）进行过采样，同时对多数类样本进行欠采样，从而构建平衡的训练集。

4.机器学习模型构建与优化

研究基于冠状动脉造影（CAG）特征开发了六种分类算法：K近邻（KNN）、梯度提升决策树（GBDT）、极限梯度提升（XGBoost）、逻辑回归（LR）、随机森林和支持向量机。研究采用7:3的比例划分数据集，其中70%用于算法开发，30%用于内部验证。

针对XGBoost模型，研究团队系统性地优化了关键超参数。采用10折交叉验证方法（重复10次）对所有模型进行训练和调优：将训练数据随机分为10个子集，依次保留一个子集作为验证集，其余用于训练，并基于验证集的预测结果构建混淆矩阵以确定最优模型，有效避免了过拟合问题。此外，还应用了自适应重采样技术来优化模型超参数。

5.统计分析

分类变量以带有百分比的计数表示，连续变量以具有 IQR 的中位数的形式报告。采用卡方检验、Fisher 精确检验或 Wilcoxon 秩和检验比较不同属性。低于 0.05 的 2 侧P 值被认为具有统计学意义。

为了减轻不平衡数据对模型推荐的影响，研究使用多个性能指标来评估和比较不同的 ML 模型，包括受试者算子特征曲线下面积（AUC）、平均精度（AP）、灵敏度、特异性等。最终模型选择表现出最佳性能的分类器，并使用校准曲线和预测概率直方图对性能最佳的模型进行重新评估。

04 实验设置

1.CAG ML模型建立

纳入的 MSCAC 患者以 7：3 的比例随机分为模型训练集和内部验证集。基于 CAG 特征数据，开发 6 个 ML 模型来预测模型开发集中立即成功的 PCI，并在内部验证集中比较它们的预测性能。

2.SHAP解释的CAG XGBoost模型

SHAP 算法用于直观地说明 XGBoost 模型对预测 PCI 成功的每个因素的重要性。

3.ML 性能测试和外部验证

从 2013 年数据库中提取1437 例接受 PCI 的 MSCAC 患者，作为测试数据集，以验证所选 XGBoost 模型的预测准确性。

4.在无或轻度CAC患者的验证

为了进一步评估该模型的性能，在没有或轻度 CAC 的患者中对其进行了验证，该研究共纳入 17,998 名患者。

05 结果与分析

1.基线特征

PCI失败率：中重度钙化患者为7.6%（248/3271），无或轻度钙化患者为4.3%（774/17,998）。

PCI失败患者特征：年龄更大、钙化程度更严重、Syntax评分更高、血管迂曲更多、慢性完全闭塞（CTO）比例更高。

2.ML各模型性能

在内部验证队列评估的模型中，XGBoost模型展现出最高的预测准确度，其AUC达0.984，平均精度（AP）为0.986。Figure 2通过受试者工作特征曲线和精确率-召回率曲线展示了这些模型在10折交叉验证后的判别性能。

校准曲线和预测概率直方图表明XGBoost模型具有可靠的预测稳定性——双峰分布的预测概率直方图显示，该模型对大多数样本给出的预测概率趋近于0或1，体现出较高的决策置信度和优异的判别能力。

与传统逻辑回归相比，GBDT模型（AUC 0.979）、KNN模型（AUC 0.952）和XGBoost模型（AUC 0.984）在该患者群体中均表现出更优越的PCI即刻成功率预测能力。

3.SHAP算法

按降序显示特征重要性图，突出显示 MSCAC 患者立即 PCI 成功的前 6 个预测因素，包括病灶长度、MLD等。Figure 3c通过SHAP值直观展示了各特征对个体预测结果的影响方向——黄色标记表示该特征在当前样本中取值较高（正向贡献），蓝绿色标记则表示特征取值较低（负向影响）。

4.在无或轻度CAC的患者中验证的结果

在这些患者中，774 例经历了 PCI 失败，约占 4.3%。与 MSCAC 患者相比，使用 6 个最重要变量的简化 XGBoost 模型显示该人群的预测性能显着降低（AUC 0.843;AP 0.357）。DCA 表明该模型对无 CAC 或轻度 CAC 患者的临床预测价值有限。

5.敏感性分析

进一步研究 MSCAC 和 ACS 患者以及 MSCAC 和慢性冠状动脉综合征（CCS）患者的冠状动脉造影特征与 PCI 成功之间的关联。SHAP 分析结果表明，预测 PCI 成功的 5 个最重要的冠状动脉造影特征对于 ACS 和 CCS 患者相同，重要性排名一致：病灶长度、MLD、TIMI 流量、RVD 和 CTO。简化的 XGBoost 算法在 ACS 和 CCS 患者中保持较高的预测价值。

06 结论

研究成功构建并验证了可解释性XGBoost模型，该模型在中重度冠状动脉钙化（MSCAC）患者经皮冠状动脉介入治疗（PCI）即刻成功率预测中表现出最优性能。研究揭示了六个关键冠状动脉造影（CAG）预测因子：病变长度、最小管腔直径（MLD）、心肌梗死溶栓（TIMI）血流分级、慢性完全闭塞（CTO）、参考血管直径（RVD）和弥漫性病变，以及一项重要PCI治疗手段（改良球囊技术）。机器学习模型能够精准预测MSCAC患者的PCI成功率，这一能力可有效辅助临床医师识别高风险病例。

07 论文评价

✅方法创新亮点

1.机器学习模型的创新应用

首次将XGBoost等6种机器学习模型用于预测中重度冠状动脉钙化（MSCAC）患者PCI即刻成功率，其中XGBoost模型表现最优（AUC=0.984），显著优于传统逻辑回归。

通过SHAP算法实现模型可解释性，明确识别出6个关键预测因素（如病变长度、最小管腔直径等），为临床决策提供量化依据。

2.临床实用价值

发现改良球囊（如切割球囊）对MSCAC患者PCI成功率的积极影响（SHAP值=0.16），为复杂钙化病变的器械选择提供新证据。

提出病变长度（>30 mm）、MLD（<0.3 mm）等临界值，帮助术者术前风险评估。

3.跨亚组一致性验证

在急性冠脉综合征（ACS）和慢性冠脉综合征（CCS）患者中，模型均保持高预测性能（AUC>0.97），证明其普适性。

⚠方法不足

数据来源具有单一性，仅基于中国阜外医院的单中心数据，可能受人群选择偏倚影响，限制了研究结论的国际推广性；存在主观评估偏差，冠状动脉钙化程度主要依赖医生的目测判断，缺乏血管内超声（IVUS）钙化积分等定量化标准，可能引入评估误差；模型泛化性不足，外部验证队列样本量较小（仅204例），且模型性能指标AUC值降至0.810，表明该模型在更广泛人群中的预测效能仍需进一步验证。

08 参考资料

论文链接：

doi.org/10.2196/70943