使用图神经网络模型预测心肌梗死患者的并发症与死亡率

为何及早预测心肌梗死并发症至关重要

挺过心肌梗死只是开始。在心肌梗死后的最初几天，患者可能会突然出现危险问题，例如心律失常、肺水肿，甚至心壁破裂。这些危机往往来得无预警，但通常在几项血液检测、血压或用药上会出现细微变化。本研究探讨一种先进的人工智能能否实时筛查医院记录，识别哪些患者正朝危险方向发展，从而让医生有机会在为时未晚前介入。

以新的方式解读病历

目前大多数针对心肌梗死患者的预测工具只看入院时记录的几项数字，回答一个粗略的问题：患者会不会死亡？它们忽略了患者病情在数小时到数天内的变化，并把每位患者当作独立个体。本文作者采取了不同的策略。他们构建了一个模型，把每位患者的电子病历视为一段丰富的叙事，综合年龄、既往病史、化验结果、心电图和前72小时内的治疗情况。模型不仅预测单一结局，而是旨在预测12种不同的并发症，以及出院前死亡的风险。

让相似患者“相互对话”

该方法的核心是一种称为图神经网络的方法，可以把它看作让相似患者“共享”信息的方式。每位患者在网络中对应一个节点，患者之间在记录相似时建立连接。模型不会把这些连接固定不变；它会根据某种模式在数据中多常见或稀有来调整每位患者的邻居数量。这对非同寻常但致命的问题尤为重要，例如心壁破裂，在这些情形下，来自以往相似患者的额外线索能改善风险估计。

同时关注快速波动与缓慢趋势

除了把患者互相连接外，模型还密切关注病情随时间的变化。一个分支侧重于前72小时内如钠水平或生命体征等测量值的短期起伏。另一个分支关注较慢的趋势，例如某项化验值是持续上升还是下降。一个特殊的“注意力”机制随后决定如何将这两种视角融合为对患者当前轨迹的单一画像。这个综合画像连同患者的背景信息一起，经过患者网络处理，为每种潜在并发症和死亡生成独立的风险评分。

系统的表现如何

研究者在1700名接受心肌梗死治疗的患者记录上测试了他们的模型，使用重复交叉验证以避免过拟合。总体上，它区分会与不会发生各类并发症患者的能力处于中等水平，并明显优于两种强力的对照方法。对于预测院内死亡尤其准确，取得了（AUC 0.88）的表现，与早期基于传统机器学习方法的研究相比具有竞争力。对于罕见或微妙的病况，系统表现较弱——这类情况可供学习的样本更少、数据中信号更微弱，导致某些并发症的评分偏低，以及整体在真实警报与误报之间的平衡较为有限。

为医生“打开黑箱”

为了帮助临床医生信任并理解该系统，作者探查了模型最依赖的因素。年龄成为主要风险驱动因子，血钠水平及某些药物使用模式（如抗凝药物和稳定心率的药物）亦很重要——这些发现与既有医学知识相符。通过检查内部的“注意力图”，他们演示了模型如何在高风险患者中突出特定日期和化验趋势，为其警示提供可视化解释。同时，研究也承认若干重要局限：所有数据均来自单一医院，部分并发症样本稀少，且仅使用了结构化病历数据——并未使用原始心电图或影像。

这对患者意味着什么

简单来说，该研究表明一种人工智能系统可以扫描心肌梗死患者的详细住院记录，逐小时追踪病情变化，并为一系列危险并发症（尤其是死亡）提供早期警示。尽管该工具并不完美，仍需在其他医院验证并为更罕见的问题改进，但它超越了通用评分，朝向个体化、面向特定结局的风险提醒迈进。如果经过改进并安全地整合进医院系统，此类模型可在心肌梗死发作后关键的最初几天帮助医疗团队把注意力和预防性治疗集中在最需要的患者身上。

引用: Guo, D., Zhang, Z., Zhou, D. et al. Predicting complications and mortality in myocardial infarction patients using a graph neural network model. Sci Rep 16, 5886 (2026). https://doi.org/10.1038/s41598-026-36798-3

关键词: 心肌梗死, 并发症预测, 图神经网络, 电子病历, 死亡风险