背景及目的:心房颤动降低患者生活质量,增加中风及死亡风险,早期干预有助于改善预后。影响房颤患者预后因素众多,目前仍有争议,准确预测房颤患者死亡风险模型目前尚缺如。本研究通过比较Lasso-cox、随机森林、支持向量机和神经网络机器学习算法建立住院房颤患者一年内死亡风险预测模型,找出四种算法中最佳的预测模型,探索住院房颤患者死亡危险因素,为临床房颤患者管理提供依据。方法:1、患者资料收集:入选2018年11月至2019年12月汕头大学医学院第一附属医院住院房颤患者。收集患者一般资料、既往史、治疗史;实验室、心电图和超声检查资料。在1个月、6个月及1年进行随访。随访回容包括:患者的存活情况,症状,用药情况。2、统计分析方法:对数据缺失超过30%的连续变量和分类变量进行删失处理,数据缺失小于30%的连续变量,用多重填补法预处理,数据缺失小于30%的分类变量则用众数填补处理。按7:3的比例随机分为建模组和验证组;建模组数据进行模型拟合,验证组数据行模型内部验证。应用Lasso算法对建模组数据变量进行降维处理;后采用Lasso-cox、随机森林、支持向量机及神经网络四种机器学习算法分别建立四个房颤患者预后的预测模型,ROC曲线评估各模型的优劣,得出最佳的模型。根据最佳模型的预测指标建立列线图,C-index、校准和ROC曲线评估列线图的准确度,时间依赖性ROC曲线和决策曲线比较列线图、CHA2DS2-VASc评分及HAS-BLED评分模型优劣性,用X-tile探索列线图风险评分阈值,绘制出Kaplan-Meier生存曲线,最后,将列线图模型设计成网页版。结果:1、本研究共入选1068例房颤患者,经过数据填补删除后,共978例纳入分析,建模组684例和验证组294例。建模组70例死亡,验证组39例死亡。中位随访时间为170天。2、Lasso算法筛出12个临床因素。将这些因素分别纳入Lasso-cox、随机森林、支持向量机和神经网络进行运算,并建立其预测模型,用ROC曲线来评估各个模型的准确度。Lasso-cox的建模组和验证组的AUC分别为0.903（95%CI:0.856-0.950）和0.851（95%CI:0.792-0.909）,随机森林的建模组和验证组的AUC分别为0.827（95%CI:0.784-0.870）和0.815（95%CI:0.749-0.880）,支持向量机的建模组和验证组的AUC分别为0.956（95%CI:0.933-0.978）和0.717（95%CI:0.622-0.813）,神经网络的建模组和验证组的AUC分别为0.519（95%CI:0.490-0.548）和0.497（95%CI:0.445-0.549）。综合判断,Lasoo-cox回归模型为最佳模型。3、Lasso-cox算法得出卒中病史、肿瘤病史、未使用他汀类药物治疗,高中性粒细胞比例、红细胞分布宽度升高、单胺氧化酶升高、高尿酸和高龄是住院房颤患者一年内全因死亡风险因素。根据这八个临床因素建立列线图模型,建模组中的C-index为0.872（95%CI:0.835-0.909）,验证组C-index为0.811（95%CI:0.742-0.880）。建模组30天、180天、365天的AUC分别为0.885（95%CI:0.841-0.930）、0.894（95%CI:0.845-0.943）和0.856（95%CI:0.786-0.932）。验证组30天、180天、365天的AUC分别为0.852（95%CI:0.789-0.914）、0.903（95%CI:0.856-0.950）和0.817（95%CI:0.671-0.962）。4、时间依赖ROC曲线和决策曲线表明列线图模型在预测住院房颤患者死亡风险优于CHA2DS2-VASc及HAS.BLED评分模型。X-tile软件计算列线图风险评分小于10.3分为低危组,≥10.3分为高危组。Kaplan-Meier生存曲线结果显示:建模组低风险组的30天、180天、和365天生存率分别为97.3%、94.9%和89.0%;高风险组为69.4%、44.6%和38.2%。在验证组中,低风险组三项生存率分别为95%、90.2%和84.0%;高风险组为77.8%、61.2%和52.1%。结论:卒中病史、肿瘤病史、未使用他汀类治疗、高中性粒细胞比例、高红细胞分布宽度、高单胺氧化酶、高尿酸和高龄均为房颤住院患者死亡风险的独立危险因素。Lasso-cox为四种算法中预测房颤住院患者死亡风险的最优模型。