PERISCOPE 机器学习模型，预测心梗介入术后院内情况与六个月死亡风险

在 ESC 2026 数字与 AI 峰会上公布的 PERISCOPE 研究，开发出专门针对 STEMI 心梗患者 PCI 介入术后的机器学习模型，可以同步预测患者院内结局以及术后 6 个月全因死亡风险，传统 GRACE 2.0 这类评分大多是术前评估风险，很难反映支架植入完成之后患者真实变化，这套模型直接读取介入手术后常规采集的临床、检验、影像数据，不需要额外复杂检查，区分高低危患者的效果优于传统评分，方便医生给高风险人群制定更紧密随访、强化药物或者额外干预方案，降低远期不良事件概率，目前模型已经完成内部验证，还需要更多外部真实病例测试，距离大规模临床落地还有一段距离。

模型基础信息清单

• 项目名称：PERISCOPE（Post‑STEMI 并发症风险分层）
• 目标人群：ST 段抬高型心梗、接受急诊 PCI 支架介入的患者
• 预测终点：院内不良结局、术后 6 个月全因死亡风险
• 基础算法：梯度提升类集成模型（LightGBM/XGBoost 为主）
• 输入数据：年龄、心功能射血分数、肌钙蛋白、BNP、糖尿病、肾功能、冠脉病变情况、术中血流等常规指标
• 对比基线：GRACE 2.0、TIMI 经典心血管风险评分

机器学习模型与传统风险评分对比表

模型开发与使用流程

1. 数据采集：患者完成 PCI 介入手术后，收集病历、抽血检验、心脏超声、冠脉手术记录常规数据
2. 特征筛选：模型自动识别影响 6 个月死亡、院内风险的关键变量，剔除冗余指标
3. 风险输出：给出患者院内不良事件概率、术后半年死亡风险分层（低 / 中 / 高危）
4. 临床干预：高危患者安排加密复查、强化药物方案、多学科评估
5. 持续迭代：收集后续新病例，持续校准模型，降低预测偏差

已识别的核心风险特征清单

1. 左心室射血分数 LVEF 偏低，心脏收缩能力受损
2. 高龄、合并糖尿病、慢性肾功能不全
3. 心梗后 BNP、肌钙蛋白峰值明显升高
4. 多支冠脉严重病变、术中微血管灌注恢复不理想
5. 入院时存在休克、心衰（Killip 分级高）

【常见问题】

问题 1：这套机器学习模型预测心梗介入术后住院与六个月死亡风险，和 GRACE 评分差别在哪？

回答 1：这套机器学习模型预测心梗介入术后住院与六个月死亡风险，是支架手术完成之后再评估；GRACE 等传统评分是入院术前预估，没法捕捉手术之后心脏、血流变化带来的风险改变。

问题 2：用来预测心梗介入术后住院与六个月死亡风险的 PERISCOPE 模型，现在已经在医院常规使用了吗？

回答 2：用来预测心梗介入术后住院与六个月死亡风险的 PERISCOPE 模型目前只是在学术峰会公布研究结果，完成内部验证，还缺少大范围外部验证，没有进入临床常规使用。

问题 3：机器学习模型预测心梗介入术后住院与六个月死亡风险，输入的资料是不是需要特殊检查？

回答 3：不需要特殊检查，机器学习模型预测心梗介入术后住院与六个月死亡风险，只使用 PCI 术后医院常规就能拿到的检验、超声、手术记录数据，额外负担很小。

问题 4：机器学习模型预测心梗介入术后住院与六个月死亡风险，预测结果是不是等于最终确诊？

回答 4：不是，机器学习模型预测心梗介入术后住院与六个月死亡风险只是风险概率分层工具，用来辅助医生判断，不能替代临床诊断、治疗方案的制定。

【参考资料】

[2026-11-13]（Machine learning predicts mortality risk after a severe heart attack）News-Medical

[2026-11-13]（ESC Digital & AI Summit 2026: PERISCOPE ML model for post-STEMI PCI risk）European Society of Cardiology

[2026-11-13]（Machine learning redevelopment of GRACE, ACEF, and TIMI scores for 6-month mortality）Frontiers in Artificial Intelligence

[2026-11-10]（Mortality risk prediction in NSTE-ACS following PCI）PLOS ONE

免责声明：本文基于 ESC 学术峰会公开研究、心血管医学文献整理；这套用于预测心梗介入术后住院与六个月死亡风险的机器学习模型属于科研阶段成果，不能替代临床医生面诊、检查与诊疗决策，不用于患者自我风险判断，所有心梗术后管理、用药调整必须遵从主治医生医嘱。