心力衰竭是各种心血管疾病出现不良预后的原因之一,通常发生在诸如心脏瓣膜疾病、冠状动脉相关疾病等各种心血管疾病的终末期。心力衰竭发生会导致显著的发病率和死亡率。超声心动图参数作为一项客观、稳定、准确的心脏评估指标,能为心力衰竭患者提供丰富的结构及功能信息,在心衰的预后评估方面有其特有的价值。研究目的:本研究的目标是利用BP神经网络学习算法分析存在慢性收缩性心力衰竭的患者的各项超声心动图参数,在此基础上建立慢性收缩性心力衰竭患者的预后预测模型,该模型有利于协助临床医师对不同心力衰竭患者的监测标准和治疗措施的进行有针对性的制定,可以提升超声心动图在临床工作中的价值。研究方法:本研究回顾性分析了从2007年1月到2008年12月之间,所有313名于山东省千佛山医院提出并同意参与的慢性收缩性心力衰竭患者,全部患者随访4-7年,收集所有患者的1年再入院情况及观察生存时间情况,并对所有患者的超声心动图指标进行分析整理,收集左室舒张末期内径、左室射血分数、肺动脉收缩压、三尖瓣反流、二尖瓣反流、心包积液等指标以及结合胸部X线片确诊的胸腔积液,将全部的数据资料按7:1.5:1.5的比例分为3组,分别为训练、测试和验证集,应用MATLAB编程,使用BP神经网络学习算法,通过训练和验证所有数据来建立慢性收缩性心力衰竭患者的1年再入院及3年生存情况预测模型,并评价所建立的心衰预后预测模型的准确性和泛化能力。研究结果:基于BP神经网络学习算法建立的预后预测模型可依据Performance(MSE)、R指标、误差范围的分布来判断该预后预测模型的准确性和泛化能力。在经过15次迭代后各样本集均能够达到所需的最低均方误差(MSE),此时验证集的均方误差很小仅为0.078321,在10-1量级以下。R指标表示拟合程度,可以用来评价神经网络模型输出数据与真实数据之间的相关性,模型的各个样本集均有很高的拟合度,其中训练集的R=0.96456,验证集的R=0.96007,测试集的R=0.91943,总体的R=0.95723。误差基本呈正态分布,通过该模型得到的预测值中接近真实值的占比很高。研究结论及意义:基于神经网络学习算法和超声心动图参数建立的预后预测模型在评估慢性收缩性心力衰竭患者的再入院及长期死亡风险方面可以表现出较好的性能,提示可以运用神经网络学习算法来协助临床医师对心力衰竭患者预后进行准确的评估以及为下一步治疗方案提供一个有效的指导方向,有较高的临床应用前景。