摘要
背景
急性心肌梗死（AMI）患者接受急诊经皮冠状动脉介入治疗（pPCI）后的院内死亡率仍是重大临床挑战。开发预测模型对识别高风险患者、指导临床决策至关重要。机器学习（ML）可通过分析大数据集提供精准预测。
目标
开发并验证基于机器学习算法预测AMI患者pPCI后院内死亡率的模型。
方法
研究纳入2019-2023年间印度尼西亚日惹省三级医院1968例pPCI患者数据，采用随机森林、XGBoost、AdaBoost和逻辑回归四种算法构建模型。通过AUC、准确率、灵敏度等指标评估性能。
结果
总体院内死亡率17.68%。随机森林模型表现最佳（AUC 0.976），XGBoost（AUC 0.975）和AdaBoost（AUC 0.974）次之，逻辑回归最弱（AUC 0.973）。血流动力学参数（平均动脉压、收缩压等）被证实为最关键预测因素。
结论
随机森林模型可有效预测pPCI后死亡率。临床应用该模型有望辅助医护人员优先干预高危患者，降低死亡风险。
引言
AMI是全球主要死亡原因，年致死超10万人。pPCI虽能降低不良心脏事件，但印度尼西亚患者死亡率仍高达17.68%。传统风险模型（如年龄、心源性休克等）缺乏针对pPCI患者的特异性，而机器学习可通过分析人口学、血流动力学等多维数据提升预测精度。
方法学
研究设计
回顾性观察研究，数据来源于印度尼西亚STEMI救治网络核心PCI中心。
数据来源
SCIENCE数据库收录的2019-2023年2245例PCI患者中，1968例纳入分析。死亡组平均年龄63.58岁显著高于存活组58.88岁（p<0.001）。
结果
随机森林模型在区分存活/死亡患者中表现卓越（AUC 0.976）。重要预测变量包括：
- 血流动力学参数（MAP、DBP、SBP）
- 心脏骤停合并/不合并心源性休克
- 心率
- 肾功能指标
讨论
本研究首次验证了机器学习在pPCI后死亡率预测中的优越性。与丹麦（5.1%）、中国（5.5%）研究相比，印尼死亡率显著偏高，可能与急救意识薄弱和医疗资源不足相关。模型整合的血流动力学参数（特别是MAP）比传统生物标志物更具临床实用性。
结论
血流动力学参数（MAP、SBP、DBP）和心脏骤停史是死亡风险的核心预测因子。通过入院时血压、脉氧等基础数据即可实现精准预测，为临床早期干预提供关键依据。
资金支持
研究获得印尼教育基金署（LPDP）和高等教育科研部（202101120133）资助。
【全文结束】
