目的 基于双中心急诊数据，利用机器学习方法量化不同就诊时段对心血管疾病患者死亡风险的影响，为优化急诊时序性救治策略提供循证依据。方法 本研究为回顾性队列研究，收集广东省人民医院（GDPH，2020 年 7 月至 2022 年 12 月）及 MIMIC- Ⅳ数据库（2008—2019年）中符合纳入标准的心血管疾病患者资料，纳入标准 ：年龄≥ 18 岁，具有明确心血管病诊断（ICD-10 I00-I99），记录完整到达时间及院内结局（不区分急诊死亡与住院死亡）。排除关键变量缺失或时间逻辑矛盾者。按就诊时间将全天分为白天（08:00-17:59）、前半夜（18:00-23:59）、后半夜（00:00-07:59），并定义急诊停留模式。采用多重插补处理缺失数据。构建两种模型 ：模型 A（早期预警，仅含入院即刻可获取特征）和模型 B（全程分析，加入停留时间、离院时段等事后变量）。采用 XGBoost、LightGBM 等五种算法，以 AUPRC 为主要评价指标，五折交叉验证结合网格搜索调参，并运用 SHAP 进行特征解释。统计学比较采用 Mann-Whitney U 检验、Kruskal-Wallis 检验或 χ² 检验，多因素分析采用逻辑回归，报告 aOR 及 95%CI。结果 研究共纳入 38 643 例，其中GDPH 3 760 例，MIMIC 34 883 例。后半夜入院患者病死率最高（GDPH 4.2%，MIMIC 4.5%），后半夜离院及跨夜间停留者病死率升高（均 P<0.05）。SHAP 分析显示年龄（1.20）、心率（0.95）、D-二聚体（0.88）、后半夜入院（0.80）、收缩压（0.76）、后半夜离院（0.75）、乳酸（0.72）为贡献最大的特征。在病情严重度匹配（乳酸
>4 mmol/L 且分诊评分≥ 3 级）后，后半夜入院的 SHAP 风险贡献（0.62，95%CI: 0.45~0.79）仍高于日间（0.18，95%CI: 0.08~0.28）（P<0.001）。早期预警模型 AUROC 为 0.85~0.86，全程模型为 0.87~0.88，AUPRC 为 0.12~0.20。后半夜离院患者中，转入ICU 率（GDPH 31.7%，MIMIC 35.6%）和病死率（GDPH 8.9%，MIMIC 3.9%）均高于日间离院者。结论 后半夜是急诊心血管疾病患者死亡的独立高危时段，时序特征独立于基线病情。基于早期可获取特征的机器学习模型可有效识别高危患者，而事后归因模型有助于揭示机制。应将时序特征纳入资源调配决策，并针对后半夜离院患者加强预警。

杨景, 吴利娟, 胡北. 基于机器学习探究急诊心血管死亡：夜间就诊的时序价值[J]. 中华急诊医学杂志, 2026,35(9): 1254-1262.
DOI号:10.3760/cma.j.cn114656-20260206-00129

基金项目：国家重点研发计划政府间重点项目（2023YFE0114300）；广东省科技计划项目（2023B110009）；四大慢病重大专项（2023ZD0505500）；四大慢病重大专项（2023ZD0504400）

关键词： 心血管疾病 死亡风险 机器学习 SHAP 夜间就诊