慢性心衰筛查预测模型的构建（项目分享）

慢性心衰是一种严重的心血管疾病，具有较高的发病率和死亡率，慢性心衰筛查具有多方面的必要性，主要体现在以下几个方面：

早期发现病情

• 无症状阶段干预：慢性心衰在早期可能没有明显的症状，但心脏结构和功能已经开始发生改变。通过筛查，能够在无症状阶段就发现心脏功能的异常，如心脏超声发现心室壁运动异常、射血分数降低等，从而及时采取干预措施，延缓疾病的进展。
• 预防病情恶化：早期发现后，患者可以及时调整生活方式，如控制体重、增加运动、戒烟限酒等，医生也可以根据情况给予药物治疗，如使用血管紧张素转换酶抑制剂（ACEI）、β受体阻滞剂等，抑制心室重构，预防病情进一步恶化。

提高治疗效果

• 制定个性化治疗方案：筛查过程中可以全面了解患者的心脏功能、病因及合并症等情况，医生能够根据这些详细信息制定更精准、个性化的治疗方案。例如，对于由冠心病引起的慢性心衰患者，可能会考虑进行血运重建治疗；而对于高血压导致的慢性心衰，重点则是严格控制血压。
• 及时调整治疗策略：定期筛查有助于医生动态监测患者的病情变化，根据心功能指标、症状等调整药物剂量或种类。比如，当患者的心衰症状加重时，可能需要增加利尿剂的用量或加用其他类型的药物，以更好地控制病情。

降低死亡率和住院率

• 预防急性心衰发作：慢性心衰患者病情不稳定，容易发生急性心衰发作，这是导致患者死亡和住院的重要原因。通过筛查，能够及时发现病情恶化的迹象，提前采取措施，如强化药物治疗、调整生活方式等，预防急性心衰的发生，从而降低死亡率和住院率。
• 改善长期预后：多项研究表明，早期筛查和规范治疗可以显著改善慢性心衰患者的长期预后，提高患者的生存率和生活质量。例如，一些大型临床试验显示，对慢性心衰患者进行早期干预和长期管理，可使患者的5年生存率提高。

基于以上的原因，创建了“慢性心衰筛查预测模型构建”项目，旨在早期发现心力衰竭的迹象，早诊断，早治疗。

项目详情

设计功能

1. 实现对慢性心衰的诊断，通过用户提交的数据预测用户患有慢性心衰的概率，并通过DCA分析拟定的决策阈值来最终分类是否是慢性心衰
2. 通过SHAP分析对预测结果进行归因，定量各个预测变量对预测结果的贡献，找到最主要的因素进行干预

步骤和结果

1. 构建预测模型，使用了Xgboost模型以实现预测模型的高性能，将数据集分为训练和测试集，并在测试集是上验证模型效能。最终效能auc达0.92；
2. 决策曲线分析（DCA），观察模型在临床上使用是否可以获得临床收益（在正确鉴别患者方面是否具有更高的效能，让患者获得应有的诊疗），仅与treat all（全部治疗） 和treat none（全不治疗）进行比较，并没有和临床上现有的筛选措施进行比较。结果显示，使用模型在全部的决策阈值下都可以获得收益，支持模型应用于疾病筛选。
3. SHAP分析，展示各个预测变量对于预测结果的贡献，特别是shap的局部解释，可以在个体层面对致病原因进行估计，为后续展开针对性的治疗提供参考。

讨论

1. 数据集不太适合，尽管数据集可以获得较高的模型效能，但是与实际的心衰患者数据集有出入，暂不适合进入实际应用，仅作为技术探索使用。
2. 用户界面的设计方面，倾向于采用LLM+API的形式，可以给患者提供“精准”化的诊疗建议。

最后

该项目是一个慢病筛查项目，也是比较适合预测模型应用的一个领域，比院内应用的门槛要低一些，选择合适的数据集是关键。
项目采用Python代码构建，完整代码可以参考一下链接：https://www.heywhale.com/mw/project/67a318f1414b53320e5e3727