背景 心血管疾病（CVD）再入院带来了巨大的临床和经济负担。机器学习（ML）可能改善风险分层，然而大多数预测模型将CVD亚型合并为一个单一结局，并且对黑人人群的代表性不足。
方法 利用弗吉尼亚健康信息数据库记录（2010年至2020年），我们分析了来自123,272名独特患者（96.6%为黑人）的157,791份出院记录，为心力衰竭（HF；n=91,752）、急性心肌梗死（AMI；n=34,497）、心房颤动/扑动（AF/AFL；n=18,424）和高血压性心脏病（HHD；n=13,118）开发了特定疾病的30天再入院模型。四种算法（XGBoost、LightGBM、随机森林、弹性网络）加上一个超级学习器集成模型，在按患者分组的70/30分割数据上进行训练，部分模型使用了合成少数过采样技术（SMOTE）进行平衡。模型整合了经过验证的临床指数（LACE、查尔森、埃尔克豪泽）和行政性健康社会决定因素代理指标。
结果 总体30天再入院率为18.9%。各疾病的最佳受试者工作特征曲线下面积（AUC）值为：HF 0.708（95% CI，0.701至0.716），AMI 0.706（95% CI，0.691至0.721），AF/AFL 0.732（95% CI，0.715至0.750），HHD 0.758（95% CI，0.735至0.777）。XGBoost是四种亚型中三种表现最佳的算法。LACE指数、查尔森合并症指数和保险类型始终是最强的预测因子。算法原生、聚合和基于SHAP的重要性度量均指向这些关键特征。
结论 在这一迄今为止规模最大、以黑人为主的州级队列中，针对HF、AMI、AF/AFL和HHD的特定疾病ML模型实现了中度至高度的区分能力。关键临床指数和行政性社会决定因素代理指标成为主导预测因子，突显了可干预的目标和高风险亚组。这些发现支持开发精准、兼顾公平性的再入院干预措施，并为在安全网和少数族裔服务型医疗系统中部署ML驱动的决策支持提供了可扩展的框架。
已知信息
• 用于心血管再入院预测的机器学习模型大多将疾病亚型合并，并且对黑人人群的代表性不足。
• 现有大多数研究缺乏在种族集中的队列中进行算法间的直接比较，并且忽略了健康社会决定因素代理指标。
本研究新增内容
• 针对四种心血管亚型的特定疾病模型，在基于机器学习分析的最大规模以黑人为主的州级队列中，实现了中度至高度的区分能力（AUC 0.690至0.706）。
• 经过验证的临床指数（LACE、查尔森）和保险类型始终作为主导预测因子出现，为基于公平性的干预措施确定了可改变的目标。
• 这种可扩展的、仅依赖行政数据的框架支持在安全网和少数族裔服务型医疗系统中部署亚型特异性的再入院决策支持。
竞争利益声明
El Moudden博士报告在本研究进行期间获得了美国心脏协会（奖项编号#23SCISA1145640）的研究资助。Dodani博士报告：担任美国心脏协会健康公平研究网络监督咨询委员会副主席；通过伊利诺伊大学获得本项目合作研究支持的分项奖励（奖项编号#23SCISA1145640）；在伊利诺伊大学皮奥里亚医学院和老道明大学的Macon & Joan Brock弗吉尼亚健康科学学院任职。Bittner先生报告无竞争利益。
临床试验
不适用。本研究是一项使用去标识化行政出院数据的回顾性队列研究，不符合需要前瞻性注册的临床试验定义。
资助声明
本研究由美国心脏协会第二世纪实施科学奖（奖项编号#23SCISA1145640；首席研究员：Ismail El Moudden）资助。资助者在研究设计、数据收集、分析或解释、稿件撰写或提交发表的决定中未发挥任何作用。本研究未获得其他外部资助，作者或其机构也未因提交工作的任何方面收到第三方的任何付款或服务。
作者声明
我确认已遵守所有相关伦理指南，并已获得必要的IRB和/或伦理委员会批准。
是
提供批准或豁免本研究描述的IRB/监督机构的详细信息如下：
东弗吉尼亚医学院机构审查委员会，IRB #23-09-NH-0248。已批准对去标识化数据分析免除知情同意。
我确认已获得所有必要的患者/参与者知情同意，且适当的机构表格已存档，并且研究团队以外的人员（例如医院工作人员、患者或参与者本人）不知道任何包含的患者/参与者/样本标识符，因此无法用于识别个人。
是
我理解所有临床试验和任何其他前瞻性干预性研究必须在ICMJE批准的注册机构注册，例如ClinicalTrials.gov。我确认稿件中报告的任何此类研究均已注册，并提供了试验注册ID（注意：如果事后注册的前瞻性研究，请在试验ID字段中提供声明，解释为何未提前注册）。
是
我已遵循所有适当的研究报告指南，例如任何相关的EQUATOR网络研究报告检查清单和其他相关材料（如适用）。
是
【全文结束】