血尿素氮与白蛋白比值对行经皮冠状动脉介入术治疗老年冠心病患者预后的预测价值

目的:分析血尿素氮(BUN)与白蛋白(ALB)比值(B/A)对行经皮冠状动脉介入术(PCI)老年冠心病患者预后的预测价值。方法:回顾性分析2020年1月至2022年12月该院收治的98例老年冠心病患者的临床资料,所有患者行PCI治疗后随访6个月,根据患者是否发生主要不良心血管事件(MACE)将其分为预后不良组和预后良好组,比较两组PCI治疗后BUN、ALB水平及B/A值,并采用受试者工作特征(ROC)曲线分析BUN、ALB水平及B/A值对老年冠心病患者行PCI治疗预后不良的预测价值。结果:98例老年冠心病患者行PCI治疗6个月后预后不良发生率为26.53%(26/98);预后良好组BUN水平、B/A值均低于预后不良组,ALB水平高于预后不良组,差异有统计学意义(P<0.05);ROC曲线分析显示,B/A值预测老年冠心病患者行PCI治疗预后不良的曲线下面积为0.921,分别高于BUN、ALB水平的0.852、0.734,B/A值预测预后不良的截断值为0.48。结论:BUN水平升高、ALB水平下降、B/A值升高均可导致老年冠心病患者行PCI治疗后发生预后不良的风险升高,且B/A值预测患者发生预后不良的价值高于BUN、ALB单项指标检测。

探讨基于机器学习模型对青年高血压并发焦虑情绪的预测价值

目的 利用机器学习模型预测青年高血压患者并发焦虑情绪的风险,评价机器学习模型对其的预测价值。方法 回顾性分析常德市第一中医医院2021年12月至2023年6月期间收治的679名青年高血压患者的临床资料,根据患者是否存在焦虑状态,分为无焦虑状态组(464例)、有焦虑状态组(215例),统计两组患者基线资料与实验室指标,进行单因素和多因素Logistic回归分析筛选出青年高血压患者并发焦虑状态的影响因素;另将所有患者依据7∶3比例随机分为训练集(475例)和测试集(204例),在训练集中运用机器学习算法构建支持向量机(SVM)、K邻近(KNN)、分类决策树(Decision Tree)、随机森林(RF)、极端随机树(Extra Trees)、极限梯度提升(XGBoost)、机器学习算法(LightGBM)预测模型,使用测试集对预测模型进行内部验证;绘制受试者工作特征(ROC)曲线评估各模型对青年高血压患者并发焦虑状态的预测效能。结果 679例青年高血压患者中,215例患者(31.66%)存在焦虑状态。单因素分析结果显示,与无焦虑状态组比,有焦虑状态组患者年龄较大,吸烟、饮酒、有睡眠障碍、有高血压病家族史、有冠心病病史、有糖尿病病史、有高血脂病史、有脑梗死病史、有脑出血病史患者占比,汉密尔顿焦虑量表(HAMA)评分,糖化血红蛋白、高密度脂蛋白、三酰甘油、天冬氨酸氨基转移酶、丙氨酸氨基转移酶、肌酐、同型半胱氨酸水平,左心房内径均较高;淋巴细胞计数、血红蛋白、左心室射血分数(LVEF)水平均较低;高血压病程较长(均P<0.05或P<0.001)。多因素Logistic回归分析结果显示,年龄大、有吸烟史、有饮酒史、有睡眠障碍、高血压病程长、有高血压病家族史、有糖尿病病史、有高血脂病史、有脑梗死病史、有脑出血病史、淋巴细胞计数下降、糖化血红蛋白升高、三酰甘油升高、天冬氨酸氨基转移酶升高、丙氨酸氨基转移酶升高、肌酐升高、左房内径增加及LVEF下降均是青年高血压焦虑状态的危险因素(均P<0.05或P<0.001)。结合多因素Logistic回归分析结果,依据Lassso回归进一步筛选最佳变量,按序排列的最佳变量包括三酰甘油、年龄、左房内径、睡眠障碍、肌酐、吸烟、淋巴细胞计数及LVEF。通过上述筛选出的8个最佳变量,构建SVM、KNN、Decision Tree、RF、Extra Trees、XGBoost、LightGBM预测模型,将构建的模型应用于测试集,绘制ROC曲线并计算ROC曲线下面积(AUC)。其中,综合性能最佳的是Extra Trees模型,AUC值为0.996(0.991~1.000)。结论 高三酰甘油、年龄大、高左房内径、有睡眠障碍、高肌酐、有吸烟史、低淋巴细胞计数、低LVEF均为影响青年高血压伴焦虑状态发生的最佳危险因素变量,采取基于机器学习算法构建的青年高血压合并焦虑状态的SVM、KNN、Decision Tree、RF、Extra Trees、XGBoost及LightGBM预测模型中,Extra Trees模型的预测效果最好。因此,该模型可作为辅助诊断工具应用于青年高血压患者并发焦虑状态的筛查中,为青年高血压这一慢性病管理提供新的临床思路。