简介：急性心肌梗死 (AMI) 是美国的主要死亡原因。每年有超过 800,000 名成年人经历 AMI，多达 20% 的患者在 30 天内再次住院。准确预测 30 天再入院可以帮助临床医生识别高危患者并相应地调整治疗方案。

假设：神经网络将生成预测 AMI 后 30 天再入院的最佳性能模型。

方法：该队列包括 2011 年至 2016 年期间在达特茅斯希区柯克医疗中心住院的成人 AMI (6,506)。出院前死亡的患者 (236) 被排除在外，剩下 6,270 名患者。我们的结果是再入院 30 天。候选特征是使用额外的树分类器选择的。选定的特征包括人口统计学和临床​​特征。使用 K-Nearest Neighbors 进行多重插补。实现了五个机器学习模型：logistic回归、LASSO、神经网络、随机森林和 XGBoost。使用 AUROC 在保留测试集上评估模型。

结果：在队列中，约 36% 为女性，大多数为白人和非西班牙裔，30 天再入院率为 6.2%。神经网络是表现最好的模型，AUROC 为 0.80 (95% CI: 0.75, 0.84)。然而，XGBoost 和随机森林模型在 AUROC 分别为 0.80（95% CI：0.76, 0.85）和 0.79（95% CI：0.75, 0.84）时表现相似。逻辑回归和 LASSO 模型表现不佳，AUROC 分别低于 0.5。重要的预测变量是出院时的重度抑郁症、种族和抗抑郁药。

结论：神经网络、随机森林和 XGBoost 模型预测 AMI 后 30 天的再入院表现良好。在这些模型中，抑郁症是预测 30 天再入院的重要特征。结果强化了 AMI 住院患者心理健康的重要性。

Tags： AHA 2022：通过识别因急性心肌梗死住院的患者进行 30 天再入院风险预测的候选预测因子优化机器学习模型