如心肌梗死溶栓(thrombolysisin和全球急性冠狀動脈事件注冊研究(globalregistryofacutecardiacevents,GRACE)評分[1-2]采用了患者的部分臨床指標進行評估。然而，這類基他預后相關(guān)信息的可能性[3]。既往研究報道TIMI和GRACE評分的受試者工作特征曲線下面積分別為0.60~0.70和0.80~0.85[4],預測效能并未達到預期。來完善猜測[5]。它通過在數(shù)據(jù)中運行迭代學習的算法來自動建立分析模型，數(shù)據(jù)內(nèi)部的潛在關(guān)系來創(chuàng)建模型并對模型進行不斷修正[6]。機器學習目前已局預測中較為成熟，如識別和診斷肺癌、乳腺癌和前列腺癌[7-9],檢測糖尿病視網(wǎng)膜病變、皮膚癌分級，預測患者院內(nèi)心臟驟停發(fā)生率等[10-12]。機器學習按照學習形式可分為監(jiān)督學習和無監(jiān)督學習，其分類如圖1所示。監(jiān)督學習機器學習機器學習監(jiān)督學習半監(jiān)督學習無監(jiān)督學習強化學習線性回歸隨機森林K均值聚類主成分分析非線性回歸邏輯回歸層次聚類奇異值分解樸素貝葉斯支持向量機1.監(jiān)督學習：監(jiān)督學習是指利用一組已知類別的樣本對模型的參數(shù)進行調(diào)整，使其達到所要求性能的過程。它是一種通過對訓練集數(shù)據(jù)進行標簽式標記，從而進行結(jié)果推斷的機器學習任務(wù)。在監(jiān)督學習中，算法使用人工預先標記特征的數(shù)據(jù)集來預測研究者所期望的結(jié)果，通常將預測結(jié)果分為1個或多個類別。監(jiān)督學習可大致分為回歸和分類兩種，其中回歸可分為線性回歸和非線性回歸；而常見的分類算法包括邏輯回歸(logisticregression,LR)、K近鄰(K-nearestneighbors,KNN)、隨機森林(randomforest,RF)、樸素貝葉斯(naiveBayes,NB)、支持向量機等。在既往醫(yī)學研究中，LR和RF是使用最廣泛的機器學習方法。LR是一種探索1個二分類或多分類變量(因變量)與多個影響因素(自變量)之間關(guān)系的多重回歸分析方法，可檢測并篩選出主要的危險或保護因素，通過建立回歸模型來預測臨床結(jié)局發(fā)生的概率。決策樹是一種多分類方法，通過在離散分割點上分割變量對樣本數(shù)據(jù)進行劃分，通常以樹形圖表示[13]。在分類任務(wù)中，森林中的每棵決策樹產(chǎn)生1個分類預測結(jié)結(jié)果中預測最多的類別，將作為整體RF模型的預測結(jié)果[14]。LR和RF在一的性能[6,15],但此類機器學習方法在建立預測模型前需要進行特征篩選，即刪除那些與預測結(jié)果相關(guān)性低的變量，但這可能會導致部分信息丟失[16]。研究表明，NB的精確度要高于其他分類器[17-18]。KNN是最早和最簡單的分類算法之一[19],其原理為，對于給定的訓練集，當輸入新樣本時，在訓練集樣本分類到這個類別中，其中“K”是指選取的最近鄰聚類的數(shù)量，也可利用設(shè)它與每個當前樣本的相似性對其進行分類[20]。該分類器對發(fā)病率預測十分有效，研究表明它在預測心臟病發(fā)生率中表現(xiàn)尤為出色[21]。矩陣分解、張量分解[22]、拓撲數(shù)據(jù)分析[23]和深度學習[24]等。無監(jiān)督聚類算法是一種計算機根據(jù)數(shù)據(jù)的基礎(chǔ)模式和屬性進行自我驅(qū)動式應(yīng)用之一[25-26]。Cikes等[27]、Sweatt等[28]和Guo等[29]使用無使用了各種聚類算法來識別射血分數(shù)保留型心力衰竭疾病亞型[30-32]。但目前極少有在ACS患者中使用無監(jiān)督聚類分析的研究[33]。領(lǐng)域的應(yīng)用至少要追溯到1995年[34]。這些模型由以網(wǎng)絡(luò)形式布局的神經(jīng)元存在1個或多個隱藏層。與生物神經(jīng)元相似，當輸入信息元繼續(xù)向下一層神經(jīng)元傳遞信號，直到最后的輸出層(圖2)。淺層神經(jīng)網(wǎng)絡(luò)通1n1n2圖2深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖他深度學習模型還有人工神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等。LeCun等[35]在其著作6]。但與RF相比，訓練神經(jīng)網(wǎng)絡(luò)所需數(shù)據(jù)量更大，這是深度學習的一個缺陷。ACS的不良預后與未能對高風險患者進行早期識別并進行強化診療密切相關(guān)。機器學習通過在大型數(shù)據(jù)集中發(fā)掘有效信息并進行預測建模[37],避免了2017年，Shouval等[6]選取了以色列冠心病注冊研究(AcuteCoronarySyndromeIsraeliSurveyregistry,ACSIS)中的2782例ACS患者，采用RF在內(nèi)的機器學習方法來預測ST段抬高型心肌梗死(ST-segmentelevationmyocardialinfarction2019年，Kwon及其團隊利用韓國心肌梗死工作組(Koreanworkinggroupofmyocardialinfarction,KorMI)登記的包含全國22875例急性心肌梗死(acutemyocardialinfarction,AMI)患者的大型數(shù)據(jù)，開發(fā)并驗證了一種基于于傳統(tǒng)的風險預測模型(TIMI和GRACE評分)[39]。2020年，Lee等[40]同樣入選了KorMI和韓國急性心肌梗死注冊研究(KorfarctionRegistry,KAMIR)登記的22182例AMI患者，對其進行為期1年的隨訪，運用機器學習建立了患者1年后死亡風險預測模型，其研究結(jié)果顯示機器學納入1244例急性前壁心肌梗死患者，比較6種常見的監(jiān)督性機器學習模型[NB、LR、KNN、DT、RF和極度梯度提升樹(extremegradientboosting,XGBoost)]2021年，Shouval團隊重建了此前研發(fā)的RF模型[6],并在ACSIS和心肌缺血審計項目(MyocardialIschemiaNationalAuditProject,MINAP)兩個大型獨立數(shù)據(jù)集(分別包括2782和22963例患者)中做了外部驗證，此次研究TEMI死亡率的機器學習模型[42]。同年，Sherazi等[43]基于KAMIR數(shù)據(jù)庫中出院后2年的STEMI(5389例)和非ST段抬高心肌梗死(5800例)共11189assifier,SVE),用于對ACS患者發(fā)生主要不良心血管事件進行早期預測。其研究結(jié)果顯示SVE的表現(xiàn)優(yōu)于RF、額外樹(extratree,ET)、梯度提升機(gradientboostingmachine,GBM)這幾種機器學習算法。Xue等[33]使用機廣泛并具有高度準確性的方法。而XGBoost作為2016年發(fā)布的一種新型算法，已在計算機領(lǐng)域得到廣泛關(guān)注，雖由RF衍生而來，但XGBoost可有效減少建模[1]FoxKA,DabbousOH,Goldberhacutecoronarysyndrome:prospectiveudy(GRACE)[J].BMJ,2006,333(7578):1091.DOI:10.1136/bmj.3898[2]MorrowDA,AntmST-elevationmyocardialinfarction:aconve[3]SunGW,ShookTL,KayGL.InappropriateuseofbEpidemiol,1996,49(8):907-916.DOI:10.1016/0895-4356(96)00025-[4]D'AscenzoF,Biondi-ZoccaiG,alternativeriskscoresinacutecoronarysyndromes:ameta-analysisof40derivationstudiesonstudieson31,625patients[J].ContempClinTrials,2012,33(-514.DOI:10.1016/j.cct.2012.01.001.95(5):1015-1039.DOI:10.1016/j.mayocp.2020.01.038.ctionof30-daymortalityafterSTelevationmyCardiol,2017,246:7-13.DOI:10.1016/j.ijcard.2017.05.067.tiononradiologistperformanceinthedetectioniouslymissedonachestradiograph[J].JThoracImaging,2013244-252.DOI:10.1097/RTI.0[8]B?ttcherJ,RenzDM,ZahmDM,etal.Responsetoneoadjuvatmentofinvasiveductalbreast[9]LeMH,ChenJ,WangL,etal.Automateddiagnosiscerinmulti-parametricMRIbasedonmultimodalnetworks[J].PhysMedBiol,2017,62(16):6497-6514.DOI:10.1088/1361-6560/aa7731.[10]GulshanV,PengL,CoramM,etal.Developmentandvadeeplearningalgorithmfordetectionofdiabeticretinopathyinretinalfundusphotographs[J].JAMA,2016,316(22):2402-2410.DOI:10.1001/jama.2016.17216.[11]EstevaA,Kupficationofskincancerwithdeepneuralnetworks[J].Nature,2017,542(7639):115-118.DOI:10.1038/nature21056.[12]KwonJM,LeeY,LeeY,etal.gforpredictingin-hospitalcardiacarrest[J].JAmHeartAssoc,18,7(13):e008678.DOI:10.1161/JAHYork:Springer,2013.earn,2015,99(1):75-118.DOI:10.1007/s10994-014-5451-2.MachineLearningMethodsandConventionalRegressionforPredicting68-374.DOI:10.1097/CCM.O000000000001571.England:MorganKaufmann,2012.[18]SubbalakshmiG,RameshK,RaoMeasepredictionsystemusingnaivebaerScienceandEngineering,2011,2(2):170-176.IEEETransInfTheory,1967,13(1):21-27.DOI:10.1109/tit.1967.105[20]LopezdeMantarasR,ArmengolE.Mainductiveandlazymethods[J].DataKnowlEng,1998,25(1-2):99-123.DOI:10.1016/s0169-023x(97)00053-0.arison[J].ComputBiolMed,2021,136:10[22]LuoY,AhmadFS,ShahSJ.TensorFactorizationforPreicineinHeartascTranslRes,2017,10(3):305-312.iabetessubgroupsthroughtopologicalanalysisofpatientsimilarity[J].SciTranslMed,2015,7(311):311ra174.DOI:10.1126/d.aaa9364.[24]MiottoR,LiL,KiddBA,etal.DeepresentationtoPredicttheFutureofPatientsalthRecords[J].SciRep,2016,6:26094.DOI:10.1038/srep26094.[26]JohnsonKW,ShameerK,GlCardiologyThroughMultiscaleBiologyandSystemsMediciasicTranslSci,2017,2(3):311-32[27]CikesM,Sanchez-Marting-basedphenogroupinginheartfailuretoidentifyresponderstocardiacresynchronizationtherapy[J].EurJHear[28]SweattAJ,HedlinHK,BalasubramanianV,etal.DiscoveryofHypertension[J].CircRes,2019,124(6):904-919.DOI:10.1161/CIRCREidentificationofunderlyingriskfactorsforcoronaryarterydiseaseinessentialhypertensivepatients[J].SciRep,2017,7:43965.DOI:[30]KatzDH,DeoRC,AguilarFG,etal.PhenomappicationofHypertensiveartFailurewithRes,2017,10(3):275-284.DOI:10.1007/s12265-0[31]ShahSJ,KitzmantmentofHeartFailureWithPreservedEject[32]ShahSJ,KatzDH,DeoRC.Pithpreservedejection-418.DOI:10.1016/j.hfc.2014.04.008. elevationmyocardialinfarction(STEMI)patientsusingmaOI:10.1186/s12944-02[34]AtienzaF,Martinez-AlzamoraN,Detificationinheartfailureusingartificialneuralnetworks[J].ProcAMIASymp,2000:32-36.[35]LeCunY,BengioY,HintonG.Deeplearning[J].Nature,2015,521(7553):436-444.DOI:10.1038/n[36]BengioY,CourvilleA,VincentP.Representationlearning:a3,35(8):1798-1828.DOI:10.1109/TPAMI.2