摘要
背景
本研究旨在开发基于机器学习的模型，预测无急性心肌梗死（AMI）胸痛急诊患者在30天内发生主要不良心脏事件（MACE）的风险。患者经连续高敏心肌肌钙蛋白检测排除AMI后进行风险预测。
方法
回顾性分析2021-2024年德克萨斯州5家医院的成人胸痛患者数据。排除首诊确诊AMI患者。主要终点为30天MACE（心肌梗死或全因死亡）。采用长短期记忆网络（LSTM）开发预测模型。
结果
共纳入14,177例患者（中位年龄49.7岁，男性41.2%）。535例（3.8%）至少一次高敏肌钙蛋白浓度超过99百分位。39例（0.3%）发生30天MACE（心肌梗死15例，死亡24例）。LSTM模型预测性能优异（AUC 0.884 [95% CI 0.815-0.941]），对心肌梗死（AUC 0.963）和死亡（AUC 0.849）均具高判别能力。
结论
该模型整合患者人口学特征、急诊生命体征、心电图结果及灵活时间点的连续肌钙蛋白检测，准确预测无AMI胸痛患者的30天MACE风险，为急诊临床决策提供数据支持。
临床视角
创新点
• 首次将LSTM网络应用于无AMI胸痛患者的MACE风险预测
• 支持可变时间间隔生物标志物输入，突破传统固定时间窗限制
临床意义
• 可作为HEART评分后的二线风险分层工具，指导进一步检查或随访决策
• 模型特征（生命体征、肌钙蛋白等）可自动提取，便于临床工作流整合
方法
研究设计
在德克萨斯州贝勒医疗系统的5家医院进行回顾性研究。2家三级医院（达拉斯贝勒大学医学中心和沃斯堡贝勒圣罗斯医学中心）及3家社区医院（格雷普韦恩、欧文和韦克萨奇贝勒医疗中心）参与研究。
研究人群
纳入标准：2021.1.1-2024.4.3期间急诊就诊，年龄≥18岁，符合胸痛ICD-10编码（R07.1, R07.9等），或分诊记录注明胸痛原因，且至少检测一次高敏肌钙蛋白。排除标准：未记录HEART评分、重复就诊、住院期间死亡/自行离院、首诊确诊AMI。
统计分析
分类变量采用频数和百分比描述，连续变量用中位数和四分位距。卡方检验分析分类变量，Mann-Whitney U检验比较连续变量。受试者工作特征曲线下面积（AUC）评估预测性能，DeLong检验进行模型比较。采用SHAP值解释模型预测，1000次重抽样法计算95%CI。
结果
最终纳入14,177例患者，中位年龄49.7岁，男性41.2%。1052例（7.4%）有冠心病史，500例（3.5%）合并心衰。仅569例（4%）具有典型ACS病史，117例（0.8%）心电图ST段异常。10,676例（75.3%）HEART评分为低危（0-3分），535例（3.8%）至少一次肌钙蛋白>59 ng/L。
39例（0.3%）发生30天MACE（心肌梗死15例，死亡24例）。开发数据集显示，发生MACE患者的心衰比例（P=0.003）、冠心病比例（P=0.017）及肌钙蛋白水平（P=0.001）均显著升高。LSTM模型预测性能优异：MACE（AUC 0.884）、心肌梗死（AUC 0.963）、死亡（AUC 0.849）。与HEART评分相比，模型在预测心肌梗死方面表现更优（P<0.05）。
讨论
本研究建立的LSTM模型在真实临床场景下表现出卓越的MACE风险预测能力，特别是在心肌梗死预测方面显著优于传统HEART评分。模型整合了动态生物标志物（连续肌钙蛋白检测）、人口学特征、生命体征和心电图结果，支持灵活时间点输入，适应急诊科复杂多变的检测间隔。
重要发现：1）在排除AMI的胸痛患者中，30天MACE发生率仅0.3%，与RACE-IT试验结果一致；2）LSTM模型在保持高灵敏度（0.875）的同时实现完全阴性预测值（1.000），满足临床排除策略的高标准；3）SHAP值分析显示，肌钙蛋白浓度、生命体征（血压、心率）、年龄和BMI是关键预测因子。
模型局限性：1）依赖电子病历数据可能存在信息偏倚；2）低事件率可能导致类别不平衡问题；3）未纳入胸痛发作至肌钙蛋白检测的时间参数，因电子病历难以获取准确病程记录。
结论
对于急诊胸痛且排除AMI的患者，30天MACE发生率仅为0.3%。基于LSTM的预测模型整合患者人口学特征、生命体征、心电图结果及动态肌钙蛋白检测，展现出卓越的预测性能。该模型支持灵活时间点生物标志物输入，适应真实临床场景需求，可为急诊风险分层决策提供重要支持。
【全文结束】
